SlideShare a Scribd company logo
1 of 47
Download to read offline
@Xebiconfr #Xebicon18 @YoannBENOIT
Build the future
Boostez vos modèles avec du Deep Learning distribué
Yoann BENOIT, Data Scientist
Xebia
@Xebiconfr #Xebicon18 @YoannBENOIT
Yoann BENOIT
Data Scientist
@YoannBENOIT
@Xebiconfr #Xebicon18 @YoannBENOIT
Deep Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Un vaste champ des possibilités
@Xebiconfr #Xebicon18 @YoannBENOIT
Deep Learning … sur mon laptop
modèle
transfert de
connaissance modèle
Réseaux de neurones
peu profonds
Transfer Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Les limites de mon laptop
Temps
d’entraînement
trop long
@Xebiconfr #Xebicon18 @YoannBENOIT
Les limites de mon laptop
Tuning difficile
@Xebiconfr #Xebicon18 @YoannBENOIT
Les limites de mon laptop
Taille du
modèle trop
grande
@Xebiconfr #Xebicon18 @YoannBENOIT
Du CPU … au GPU
@Xebiconfr #Xebicon18 @YoannBENOIT
Du CPU … au GPU
Distributed Deep Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Distributed Deep Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Un réseau de neurones est composé d’opérations mathématiques enchaînées
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism vs Model Parallelism
Data Parallelism
Réplication du modèle sur plusieurs machines
Model Parallelism
Opérations du modèle réparties entre
plusieurs machines
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Duplication du modèle sur chaque machine
Machine 1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 4
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 2
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Duplication du modèle sur chaque machine
Machine 1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 4
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 2
Op. 1
Op. 2.1 Op. 2.2
Op. 3
N images
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Duplication du modèle sur chaque machine
Machine 1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 4
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 2
Op. 1
Op. 2.1 Op. 2.2
Op. 3
N images
N/4 N/4 N/4 N/4
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Propriétés
Copie du même modèle sur chaque machine
Une partie du batch à chaque itération
Pas de communication entre les différents threads en phase
d’inférence
Calcul des gradients indépendamment pour chaque copie
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Combiner les résultats
Synchronisation
poids gradients
synchrone asynchrone
centralisée distribuée
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Synchronisation
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Synchronisation
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Serveur de paramètres
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Synchronisation des poids
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Serveur de paramètres
Wi Wi Wi Wi
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Synchronisation des poids
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Serveur de paramètres
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Moyenne des poids
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Serveur de paramètres : Wi+1 = ¼ ∑Wi+1,j
Wi+1,1 Wi+1,2 Wi+1,3 Wi+1,4
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4Machine 3Machine 2Machine 1
Data Parallelism - Descente de gradient stochastique synchrone / asynchrone
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Serveur de paramètres : Wi+1 = Wi - ƛ*∑ΔWi,j
ΔWi,1 ΔWi,2 ΔWi,3 ΔWi,4
@Xebiconfr #Xebicon18 @YoannBENOIT
Data Parallelism - Quand l’utiliser ?
Peu de paramètres
Calculs de gradients complexes
Ex : Couches convolutionnelles ou réseaux de neurones récurrents
@Xebiconfr #Xebicon18 @YoannBENOIT
Model Parallelism
@Xebiconfr #Xebicon18 @YoannBENOIT
Model Parallelism
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Machine 4
Machine 2 Machine 3
Machine 1
Model Parallelism
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Model Parallelism - Propriétés
Opérations et poids répartis sur chaque machine
Tout le batch est utilisé à chaque itération
Communication constante entre les différents threads
Synchroniser des poids après chaque produit matriciel
@Xebiconfr #Xebicon18 @YoannBENOIT
Model Parallelism - Quand l’utiliser ?
Beaucoup de paramètres
Ne tient pas en mémoire
Ex : Réseau de neurones très profond ou stacking de couches denses
@Xebiconfr #Xebicon18 @YoannBENOIT
Data + Model Parallelism
@Xebiconfr #Xebicon18 @YoannBENOIT
Data + Model Parallelism
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Data + Model Parallelism
G4
G2 G3
G1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
Machine 3Machine 2Machine 1
G4
G2 G3
G1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
G4
G2 G3
G1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
G4
G2 G3
G1
Op. 1
Op. 2.1 Op. 2.2
Op. 3
@Xebiconfr #Xebicon18 @YoannBENOIT
Distributed Deep Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Machines multi-GPU
@Xebiconfr #Xebicon18 @YoannBENOIT
Frameworks pour le Deep Learning distribué
@Xebiconfr #Xebicon18 @YoannBENOIT
Clusters Hadoop
@Xebiconfr #Xebicon18 @YoannBENOIT
Deep Learning distribué sur des clusters Hadoop
➔ Elephas
➔ Distributed Keras
➔ TensorFlowOnSpark
@Xebiconfr #Xebicon18 @YoannBENOIT
Deep Learning distribué sur des clusters Hadoop
➔ Deep Learning Pipelines
➔ DeepLearning4j
@Xebiconfr #Xebicon18 @YoannBENOIT
Cloud
@Xebiconfr #Xebicon18 @YoannBENOIT
Distributed Deep Learning
@Xebiconfr #Xebicon18 @YoannBENOIT
Quand l’utiliser ?
Réseaux de neurones avec contraintes de poids partagés
Réseaux de neurones qui ne tiennent pas en mémoire
Très grande volumétrie de données
Tuning de paramètres intensif
@Xebiconfr #Xebicon18 @YoannBENOIT
Que choisir ?
Multi-GPU
Distribué
Distribué
Machine seule
Multi-GPU
Distribué
Data Size
NetworkSize
@Xebiconfr #Xebicon18 @YoannBENOIT
Build the future
MERCI
@Xebiconfr #Xebicon18 @YoannBENOIT
Références
➔ http://timdettmers.com/2014/10/09/deep-learning-data-parallelism/
➔ https://medium.com/rocketml/put-tensorflow-keras-and-mxnet-deeplearning-models-on-steroids-c34
0586989b5
➔ https://www.slideshare.net/insideHPC/tutorial-on-deep-learning
➔ https://www.slideshare.net/hustwj/cikm-keynotenov2014
➔ http://timdettmers.com/2014/10/09/deep-learning-data-parallelism/
➔ http://timdettmers.com/2014/11/09/model-parallelism-deep-learning/
➔ https://xiandong79.github.io/Intro-Distributed-Deep-Learning
➔ https://blog.skymind.ai/distributed-deep-learning-part-1-an-introduction-to-distributed-training-of-neur
al-networks/
➔ https://arxiv.org/pdf/1404.5997v2.pdf
➔ https://www.analytics-link.com/single-post/2017/10/09/INTEREST-Scaling-Deep-Learning-Highlights
-From-The-Startupml-Workshop
➔ https://medium.com/@ntenenz/distributed-tensorflow-2bf94f0205c3
➔ https://medium.com/netflix-techblog/distributed-neural-networks-with-gpus-in-the-aws-cloud-ccf71e8
2056b
@Xebiconfr #Xebicon18 @YoannBENOIT
Frameworks
➔ http://maxpumperla.com/elephas/
➔ https://github.com/yahoo/TensorFlowOnSpark
➔ https://github.com/cerndb/dist-keras
➔ https://docs.databricks.com/applications/deep-learning/deep-learning-pipelines.html
➔ https://github.com/uber/horovod

More Related Content

Similar to XebiCon'18 - Boostez vos modèles avec du Deep Learning distribué

Similar to XebiCon'18 - Boostez vos modèles avec du Deep Learning distribué (20)

Prometheus as exposition format for eBPF programs running on Kubernetes
Prometheus as exposition format for eBPF programs running on KubernetesPrometheus as exposition format for eBPF programs running on Kubernetes
Prometheus as exposition format for eBPF programs running on Kubernetes
 
Microsoft kafka load imbalance
Microsoft   kafka load imbalanceMicrosoft   kafka load imbalance
Microsoft kafka load imbalance
 
Python coroutine
Python coroutinePython coroutine
Python coroutine
 
Not Less, Not More: Exactly Once, Large-Scale Stream Processing in Action
Not Less, Not More: Exactly Once, Large-Scale Stream Processing in ActionNot Less, Not More: Exactly Once, Large-Scale Stream Processing in Action
Not Less, Not More: Exactly Once, Large-Scale Stream Processing in Action
 
Ndp Slides
Ndp SlidesNdp Slides
Ndp Slides
 
GDC 2009: iPhone Development: Exploring The New Frontier
GDC 2009: iPhone Development: Exploring The New FrontierGDC 2009: iPhone Development: Exploring The New Frontier
GDC 2009: iPhone Development: Exploring The New Frontier
 
Graph processing
Graph processingGraph processing
Graph processing
 
GPUs for GEC Competition @ GECCO-2013
GPUs for GEC Competition @ GECCO-2013GPUs for GEC Competition @ GECCO-2013
GPUs for GEC Competition @ GECCO-2013
 
Parallel computing in Python: Current state and recent advances
Parallel computing in Python: Current state and recent advancesParallel computing in Python: Current state and recent advances
Parallel computing in Python: Current state and recent advances
 
Neural Field aware Factorization Machine
Neural Field aware Factorization MachineNeural Field aware Factorization Machine
Neural Field aware Factorization Machine
 
Ai final ppt with InMobi template
Ai  final ppt with InMobi templateAi  final ppt with InMobi template
Ai final ppt with InMobi template
 
Using neon for pattern recognition in audio data
Using neon for pattern recognition in audio dataUsing neon for pattern recognition in audio data
Using neon for pattern recognition in audio data
 
Ibm cell
Ibm cell Ibm cell
Ibm cell
 
From V8 to Modern Compilers
From V8 to Modern CompilersFrom V8 to Modern Compilers
From V8 to Modern Compilers
 
Distributed System explained (with Java Microservices)
Distributed System explained (with Java Microservices)Distributed System explained (with Java Microservices)
Distributed System explained (with Java Microservices)
 
Hussein Mehanna, Engineering Director, ML Core - Facebook at MLconf ATL 2016
Hussein Mehanna, Engineering Director, ML Core - Facebook at MLconf ATL 2016Hussein Mehanna, Engineering Director, ML Core - Facebook at MLconf ATL 2016
Hussein Mehanna, Engineering Director, ML Core - Facebook at MLconf ATL 2016
 
Transformer Zoo
Transformer ZooTransformer Zoo
Transformer Zoo
 
Fine tuning large LMs
Fine tuning large LMsFine tuning large LMs
Fine tuning large LMs
 
PR-217: EfficientDet: Scalable and Efficient Object Detection
PR-217: EfficientDet: Scalable and Efficient Object DetectionPR-217: EfficientDet: Scalable and Efficient Object Detection
PR-217: EfficientDet: Scalable and Efficient Object Detection
 
Breaking paravirtualized devices
Breaking paravirtualized devicesBreaking paravirtualized devices
Breaking paravirtualized devices
 

More from Publicis Sapient Engineering

XebiCon'18 - Data Science Done Wrong
XebiCon'18 - Data Science Done WrongXebiCon'18 - Data Science Done Wrong
XebiCon'18 - Data Science Done Wrong
Publicis Sapient Engineering
 

More from Publicis Sapient Engineering (20)

XebiCon'18 - L'algorithme de reconnaissance de formes par le cerveau humain
XebiCon'18 - L'algorithme de reconnaissance de formes par le cerveau humainXebiCon'18 - L'algorithme de reconnaissance de formes par le cerveau humain
XebiCon'18 - L'algorithme de reconnaissance de formes par le cerveau humain
 
Xebicon'18 - Spark in jail : conteneurisez vos traitements data sans serveur
Xebicon'18 - Spark in jail : conteneurisez vos traitements data sans serveurXebicon'18 - Spark in jail : conteneurisez vos traitements data sans serveur
Xebicon'18 - Spark in jail : conteneurisez vos traitements data sans serveur
 
XebiCon'18 - Modern Infrastructure
XebiCon'18 - Modern InfrastructureXebiCon'18 - Modern Infrastructure
XebiCon'18 - Modern Infrastructure
 
XebiCon'18 - Event Sourcing et RGPD, incompatibles ?
XebiCon'18 - Event Sourcing et RGPD, incompatibles ?XebiCon'18 - Event Sourcing et RGPD, incompatibles ?
XebiCon'18 - Event Sourcing et RGPD, incompatibles ?
 
XebiCon'18 - Deno, le nouveau NodeJS qui inverse la tendance ?
XebiCon'18 - Deno, le nouveau NodeJS qui inverse la tendance ?XebiCon'18 - Deno, le nouveau NodeJS qui inverse la tendance ?
XebiCon'18 - Deno, le nouveau NodeJS qui inverse la tendance ?
 
XebiCon'18 - Comment j'ai développé un jeu vidéo avec des outils de développe...
XebiCon'18 - Comment j'ai développé un jeu vidéo avec des outils de développe...XebiCon'18 - Comment j'ai développé un jeu vidéo avec des outils de développe...
XebiCon'18 - Comment j'ai développé un jeu vidéo avec des outils de développe...
 
XebiCon'18 - Les utilisateurs finaux, les oubliés de nos produits !
XebiCon'18 - Les utilisateurs finaux, les oubliés de nos produits !XebiCon'18 - Les utilisateurs finaux, les oubliés de nos produits !
XebiCon'18 - Les utilisateurs finaux, les oubliés de nos produits !
 
XebiCon'18 - Comment fausser l'interprétation de vos résultats avec des dataviz
XebiCon'18 - Comment fausser l'interprétation de vos résultats avec des datavizXebiCon'18 - Comment fausser l'interprétation de vos résultats avec des dataviz
XebiCon'18 - Comment fausser l'interprétation de vos résultats avec des dataviz
 
XebiCon'18 - Le développeur dans la Pop Culture
XebiCon'18 - Le développeur dans la Pop Culture XebiCon'18 - Le développeur dans la Pop Culture
XebiCon'18 - Le développeur dans la Pop Culture
 
XebiCon'18 - Architecturer son application mobile pour la durabilité
XebiCon'18 - Architecturer son application mobile pour la durabilitéXebiCon'18 - Architecturer son application mobile pour la durabilité
XebiCon'18 - Architecturer son application mobile pour la durabilité
 
XebiCon'18 - Sécuriser son API avec OpenID Connect
XebiCon'18 - Sécuriser son API avec OpenID ConnectXebiCon'18 - Sécuriser son API avec OpenID Connect
XebiCon'18 - Sécuriser son API avec OpenID Connect
 
XebiCon'18 - Structuration du Temps et Dynamique de Groupes, Théorie organisa...
XebiCon'18 - Structuration du Temps et Dynamique de Groupes, Théorie organisa...XebiCon'18 - Structuration du Temps et Dynamique de Groupes, Théorie organisa...
XebiCon'18 - Structuration du Temps et Dynamique de Groupes, Théorie organisa...
 
XebiCon'18 - Spark NLP, un an après
XebiCon'18 - Spark NLP, un an aprèsXebiCon'18 - Spark NLP, un an après
XebiCon'18 - Spark NLP, un an après
 
XebiCon'18 - La sécurité, douce illusion même en 2018
XebiCon'18 - La sécurité, douce illusion même en 2018XebiCon'18 - La sécurité, douce illusion même en 2018
XebiCon'18 - La sécurité, douce illusion même en 2018
 
XebiCon'18 - Utiliser Hyperledger Fabric pour la création d'une blockchain pr...
XebiCon'18 - Utiliser Hyperledger Fabric pour la création d'une blockchain pr...XebiCon'18 - Utiliser Hyperledger Fabric pour la création d'une blockchain pr...
XebiCon'18 - Utiliser Hyperledger Fabric pour la création d'une blockchain pr...
 
XebiCon'18 - Ce que l'histoire du métro Parisien m'a enseigné sur la création...
XebiCon'18 - Ce que l'histoire du métro Parisien m'a enseigné sur la création...XebiCon'18 - Ce que l'histoire du métro Parisien m'a enseigné sur la création...
XebiCon'18 - Ce que l'histoire du métro Parisien m'a enseigné sur la création...
 
XebiCon'18 - La guerre des Frameworks n'aura pas lieu
XebiCon'18 - La guerre des Frameworks n'aura pas lieuXebiCon'18 - La guerre des Frameworks n'aura pas lieu
XebiCon'18 - La guerre des Frameworks n'aura pas lieu
 
XebiCon'18 - Orchestration : Conteneurs vs Musique
XebiCon'18 - Orchestration : Conteneurs vs MusiqueXebiCon'18 - Orchestration : Conteneurs vs Musique
XebiCon'18 - Orchestration : Conteneurs vs Musique
 
XebiCon'18 - Passage à l'échelle de mes applications Kafka-Streams
XebiCon'18 - Passage à l'échelle de mes applications Kafka-StreamsXebiCon'18 - Passage à l'échelle de mes applications Kafka-Streams
XebiCon'18 - Passage à l'échelle de mes applications Kafka-Streams
 
XebiCon'18 - Data Science Done Wrong
XebiCon'18 - Data Science Done WrongXebiCon'18 - Data Science Done Wrong
XebiCon'18 - Data Science Done Wrong
 

Recently uploaded

Recently uploaded (20)

A Business-Centric Approach to Design System Strategy
A Business-Centric Approach to Design System StrategyA Business-Centric Approach to Design System Strategy
A Business-Centric Approach to Design System Strategy
 
UiPath Test Automation using UiPath Test Suite series, part 2
UiPath Test Automation using UiPath Test Suite series, part 2UiPath Test Automation using UiPath Test Suite series, part 2
UiPath Test Automation using UiPath Test Suite series, part 2
 
The Value of Certifying Products for FDO _ Paul at FIDO Alliance.pdf
The Value of Certifying Products for FDO _ Paul at FIDO Alliance.pdfThe Value of Certifying Products for FDO _ Paul at FIDO Alliance.pdf
The Value of Certifying Products for FDO _ Paul at FIDO Alliance.pdf
 
Top 10 Symfony Development Companies 2024
Top 10 Symfony Development Companies 2024Top 10 Symfony Development Companies 2024
Top 10 Symfony Development Companies 2024
 
10 Differences between Sales Cloud and CPQ, Blanka Doktorová
10 Differences between Sales Cloud and CPQ, Blanka Doktorová10 Differences between Sales Cloud and CPQ, Blanka Doktorová
10 Differences between Sales Cloud and CPQ, Blanka Doktorová
 
Strategic AI Integration in Engineering Teams
Strategic AI Integration in Engineering TeamsStrategic AI Integration in Engineering Teams
Strategic AI Integration in Engineering Teams
 
FDO for Camera, Sensor and Networking Device – Commercial Solutions from VinC...
FDO for Camera, Sensor and Networking Device – Commercial Solutions from VinC...FDO for Camera, Sensor and Networking Device – Commercial Solutions from VinC...
FDO for Camera, Sensor and Networking Device – Commercial Solutions from VinC...
 
IESVE for Early Stage Design and Planning
IESVE for Early Stage Design and PlanningIESVE for Early Stage Design and Planning
IESVE for Early Stage Design and Planning
 
WSO2CONMay2024OpenSourceConferenceDebrief.pptx
WSO2CONMay2024OpenSourceConferenceDebrief.pptxWSO2CONMay2024OpenSourceConferenceDebrief.pptx
WSO2CONMay2024OpenSourceConferenceDebrief.pptx
 
IOS-PENTESTING-BEGINNERS-PRACTICAL-GUIDE-.pptx
IOS-PENTESTING-BEGINNERS-PRACTICAL-GUIDE-.pptxIOS-PENTESTING-BEGINNERS-PRACTICAL-GUIDE-.pptx
IOS-PENTESTING-BEGINNERS-PRACTICAL-GUIDE-.pptx
 
Unpacking Value Delivery - Agile Oxford Meetup - May 2024.pptx
Unpacking Value Delivery - Agile Oxford Meetup - May 2024.pptxUnpacking Value Delivery - Agile Oxford Meetup - May 2024.pptx
Unpacking Value Delivery - Agile Oxford Meetup - May 2024.pptx
 
ASRock Industrial FDO Solutions in Action for Industrial Edge AI _ Kenny at A...
ASRock Industrial FDO Solutions in Action for Industrial Edge AI _ Kenny at A...ASRock Industrial FDO Solutions in Action for Industrial Edge AI _ Kenny at A...
ASRock Industrial FDO Solutions in Action for Industrial Edge AI _ Kenny at A...
 
What's New in Teams Calling, Meetings and Devices April 2024
What's New in Teams Calling, Meetings and Devices April 2024What's New in Teams Calling, Meetings and Devices April 2024
What's New in Teams Calling, Meetings and Devices April 2024
 
Designing for Hardware Accessibility at Comcast
Designing for Hardware Accessibility at ComcastDesigning for Hardware Accessibility at Comcast
Designing for Hardware Accessibility at Comcast
 
SOQL 201 for Admins & Developers: Slice & Dice Your Org’s Data With Aggregate...
SOQL 201 for Admins & Developers: Slice & Dice Your Org’s Data With Aggregate...SOQL 201 for Admins & Developers: Slice & Dice Your Org’s Data With Aggregate...
SOQL 201 for Admins & Developers: Slice & Dice Your Org’s Data With Aggregate...
 
How Red Hat Uses FDO in Device Lifecycle _ Costin and Vitaliy at Red Hat.pdf
How Red Hat Uses FDO in Device Lifecycle _ Costin and Vitaliy at Red Hat.pdfHow Red Hat Uses FDO in Device Lifecycle _ Costin and Vitaliy at Red Hat.pdf
How Red Hat Uses FDO in Device Lifecycle _ Costin and Vitaliy at Red Hat.pdf
 
Behind the Scenes From the Manager's Chair: Decoding the Secrets of Successfu...
Behind the Scenes From the Manager's Chair: Decoding the Secrets of Successfu...Behind the Scenes From the Manager's Chair: Decoding the Secrets of Successfu...
Behind the Scenes From the Manager's Chair: Decoding the Secrets of Successfu...
 
Demystifying gRPC in .Net by John Staveley
Demystifying gRPC in .Net by John StaveleyDemystifying gRPC in .Net by John Staveley
Demystifying gRPC in .Net by John Staveley
 
Integrating Telephony Systems with Salesforce: Insights and Considerations, B...
Integrating Telephony Systems with Salesforce: Insights and Considerations, B...Integrating Telephony Systems with Salesforce: Insights and Considerations, B...
Integrating Telephony Systems with Salesforce: Insights and Considerations, B...
 
Simplified FDO Manufacturing Flow with TPMs _ Liam at Infineon.pdf
Simplified FDO Manufacturing Flow with TPMs _ Liam at Infineon.pdfSimplified FDO Manufacturing Flow with TPMs _ Liam at Infineon.pdf
Simplified FDO Manufacturing Flow with TPMs _ Liam at Infineon.pdf
 

XebiCon'18 - Boostez vos modèles avec du Deep Learning distribué