Formation Comprendre la pile de calcul IA de Huawei : de CANN à MindSpore

Introduction à l’écosystème IA de Huawei

• Matériel IA Ascend : aperçu des 310, 910 et 910B
• Composants haut niveau : MindSpore, CANN, AscendCL
• Positionnement sur le marché et principes d’architecture

Le rôle de CANN dans la pile IA de Huawei

• Qu’est-ce que CANN ? Objectif du SDK et couches internes
• ATC, TBE et AscendCL : compilation et exécution des modèles
• La manière dont CANN prend en charge l’optimisation de l’inférence et le déploiement

Présentation et architecture de MindSpore

• Flux de travail d’entraînement et d’inférence dans MindSpore
• Mode graphique, PyNative et abstraction matérielle
• Intégration avec la NPU Ascend via le backend CANN

Cycle de vie IA sur Ascend : de l’entraînement au déploiement

• Création de modèles dans MindSpore ou conversion depuis d’autres frameworks
• Export et compilation de modèles à l’aide d’ATC
• Déploiement sur le matériel Ascend à l’aide de modèles OM et d’AscendCL

Comparaison avec d’autres piles IA

• MindSpore vs. PyTorch, TensorFlow : focus et positionnement
• Flux de travail de déploiement sur Ascend vs. piles basées sur GPU
• Opportunités et limites pour une utilisation en entreprise

Scénarios d’intégration en entreprise

• Cas d’usage dans la fabrication intelligente, l’IA gouvernementale et les télécoms
• Scalabilité, conformité et considérations relatives à l’écosystème
• Déploiement hybride cloud/sur site à l’aide de la pile Huawei

Résumé et prochaines étapes