Edge AI : comment Edge Computing dynamise une nouvelle vague d'intelligence artificielle

Des recherches récentes suggèrent que le nombre d'appareils de l'Internet des objets utilisés dans le monde dépassera 38 milliards d'ici 2025. La forte augmentation affectera inévitablement l'état de l'adoption de l'IA, car les deux concepts - l'Internet des objets et l'intelligence artificielle - sont toujours allés de pair.

Avec l'étalon-or du développement de systèmes IoT, l'approche centrée sur le cloud, se démodant lentement, l'IA commencera également à se rapprocher de la périphérie. Les raisons du passage à la périphérie varient, mais les plus notables incluent une latence élevée et des coûts de cloud computing élevés. Celles-ci sont particulièrement aiguës pour les systèmes IoT à grande échelle.

Pourtant, alors que les éditeurs de logiciels d'intelligence artificielle étendent leurs offres en développant des systèmes d'IA de pointe, les entreprises se demandent : qu'est-ce que l'IA de pointe exactement, comment fonctionne-t-elle sous le capot et quels sont les cas d'utilisation courants de l'IA de pointe à partir desquels se développer ? Si c'est le genre de questions que vous vous posez, continuez à lire. Dans l'article ci-dessous, nous mettons en lumière les entrailles, les cas d'utilisation, les avantages et les limites de l'IA de pointe.

Qu'est-ce que l'IA de périphérie et en quoi diffère-t-elle de l'IA cloud ?

Une architecture IoT standard peut être grossièrement divisée en trois composants : les objets, les passerelles et le cloud. Les choses représentent toutes sortes d'outils, de gadgets et d'équipements améliorés avec des capteurs générant des données. Les passerelles sont des dispositifs centralisés, par exemple des routeurs, qui connectent les objets au cloud. Ensemble, les terminaux et les passerelles constituent la couche périphérique.

Edge AI, à son tour, signifie déployer des algorithmes d'IA plus près de la périphérie du réseau, c'est-à-dire vers les appareils connectés (nœuds finaux) ou les passerelles (nœuds périphériques).

Contrairement à l'approche basée sur le cloud, où les algorithmes d'IA sont développés et déployés dans le cloud, les systèmes d'IA centrés sur la périphérie prennent des décisions en quelques millisecondes et fonctionnent à moindre coût.

Les autres avantages de l'IA de périphérie par rapport aux solutions d'IA cloud incluent :

• Réduction du temps de traitement : étant donné que les données sont analysées localement, il n'est pas nécessaire d'envoyer des demandes au cloud et d'attendre les réponses, ce qui est de la plus haute importance pour les applications urgentes, telles que les dispositifs médicaux ou les systèmes d'assistance à la conduite.
• Bande passante et coûts réduits : sans qu'il soit nécessaire d'envoyer des données de capteur à volume élevé vers le cloud, les systèmes d'IA de pointe nécessitent une bande passante plus faible (utilisée principalement pour le transfert de métadonnées), ce qui entraîne des coûts opérationnels inférieurs
• Sécurité accrue : le traitement local des données permet de réduire les risques que des informations sensibles soient compromises dans le cloud ou en transit
• Meilleure fiabilité : l'IA de périphérie continue de fonctionner même en cas de perturbations du réseau ou d'indisponibilité temporaire des services cloud
• Consommation d'énergie optimisée : le traitement des données localement consomme généralement moins d'énergie que l'envoi des données générées vers le cloud, ce qui permet de prolonger la durée de vie de la batterie des appareils finaux

Selon Markets and Markets, la taille du marché mondial des logiciels d'IA de pointe devrait atteindre 1,8 milliard de dollars d'ici 2026, avec un TCAC de 20,8 %. Divers facteurs, tels que l'augmentation des charges de travail des entreprises sur le cloud et la croissance rapide du nombre d'applications intelligentes, devraient favoriser l'adoption de solutions d'intelligence artificielle de pointe.

Comment l'IA de pointe fonctionne sous le capot

Malgré une idée fausse commune, une solution standard d'IA centrée sur la périphérie est généralement déployée de manière hybride - avec des appareils de périphérie prenant des décisions basées sur des données en continu et un centre de données (généralement un cloud) utilisé pour réviser et recycler les modèles d'IA déployés.

Ainsi, une architecture d'intelligence artificielle de base ressemble généralement à ceci :

Pour que les systèmes d'IA de pointe puissent comprendre la parole humaine, conduire des véhicules et effectuer d'autres tâches non triviales, ils ont besoin d'une intelligence de type humain. Dans ces systèmes, la cognition humaine est reproduite à l'aide d'algorithmes d'apprentissage en profondeur, un sous-ensemble de l'IA.

Le processus de formation des modèles d'apprentissage en profondeur s'exécute souvent dans le cloud, car l'obtention d'une plus grande précision nécessite d'énormes volumes de données et une grande puissance de traitement. Une fois entraînés, les modèles d'apprentissage en profondeur sont déployés sur un appareil terminal ou périphérique, où ils s'exécutent désormais de manière autonome.

Si le modèle rencontre un problème, les commentaires sont envoyés au cloud où le recyclage commence jusqu'à ce que le modèle à la périphérie soit remplacé par un nouveau modèle plus précis. Cette boucle de rétroaction permet de maintenir la solution d'intelligence artificielle de pointe précise et efficace.

Un aperçu des technologies matérielles et logicielles permettant l'IA de pointe

Une mise en œuvre standard de l'IA Edge nécessite des composants matériels et logiciels.

En fonction de l'application Edge AI spécifique, il peut y avoir plusieurs options matérielles pour effectuer le traitement Edge AI. Les plus courants couvrent les CPU, les GPU, les circuits intégrés spécifiques à l'application (ASIC) et les réseaux de portes programmables sur le terrain (FPGA).

Les ASIC permettent une capacité de traitement élevée tout en étant économes en énergie, ce qui en fait un bon choix pour un large éventail d'applications d'IA de pointe.

Les GPU , à leur tour, peuvent être assez coûteux, en particulier lorsqu'il s'agit de prendre en charge une solution de pointe à grande échelle. Pourtant, ils sont l'option incontournable pour les cas d'utilisation critiques en termes de latence qui nécessitent un traitement des données à la vitesse de l'éclair, comme les voitures sans conducteur ou les systèmes avancés d'assistance à la conduite.

Les FPGA offrent une puissance de traitement, une efficacité énergétique et une flexibilité encore meilleures. Le principal avantage des FPGA est qu'ils sont programmables, c'est-à-dire que le matériel « suit » les instructions du logiciel. Cela permet plus d'économies d'énergie et de reconfigurabilité, car on peut simplement changer la nature du flux de données dans le matériel par opposition aux ASIC, CPU et GPU codés en dur.

Dans l'ensemble, en choisissant l'option matérielle optimale pour une solution d'IA de périphérie, il convient de prendre en compte une combinaison de facteurs, notamment la reconfigurabilité, la consommation d'énergie, la taille, la vitesse de traitement et les coûts. Voici comment les options matérielles populaires se comparent selon les critères énoncés :

La source

À leur tour, les logiciels Edge AI incluent la pile complète de technologies permettant le processus d'apprentissage en profondeur et permettant aux algorithmes d'IA de s'exécuter sur des appareils Edge. L'infrastructure logicielle d'intelligence artificielle en périphérie couvre le stockage, la gestion des données, l'analyse des données/l'inférence IA et les composants réseau.

Cas d'utilisation de l'IA Edge

Les entreprises de tous les secteurs bénéficient déjà de l'IA de pointe. Voici un aperçu des cas d'utilisation les plus importants de l'IA de pointe dans différents secteurs.

Retail : dynamiser l'expérience d'achat

Une expérience d'achat positive est une préoccupation majeure pour les commerçants, car c'est le facteur déterminant de la fidélisation de la clientèle. Grâce à l'utilisation d'analyses basées sur l'IA, les détaillants peuvent satisfaire les consommateurs, en s'assurant qu'ils deviennent des clients fidèles.

L'une des nombreuses applications d'IA de pointe aidant les employés du commerce de détail dans leurs opérations quotidiennes et créant une meilleure expérience client utilise l'IA de pointe pour déterminer quand les produits doivent être réapprovisionnés et remplacés.

Une autre application d'IA de pointe utilise des solutions de vision par ordinateur dans des systèmes de caisse intelligents qui pourraient à terme libérer les clients de la nécessité de scanner leurs marchandises au comptoir.

Les détaillants utilisent également l'analyse vidéo intelligente pour approfondir les préférences des clients et améliorer l'agencement des magasins en conséquence.

Fabrication : faire entrer une usine intelligente

Les entreprises manufacturières, en particulier celles impliquées dans la fabrication de précision, doivent garantir l'exactitude et la sécurité du processus de production. En améliorant les sites de fabrication avec l'IA, les fabricants peuvent s'assurer que l'atelier est sûr et efficace. Pour cela, ils adoptent des applications d'IA qui effectuent des inspections en atelier, tout comme celles utilisées par Procter & Gamble et BMW.

Procter & Gamble utilise une solution d'intelligence artificielle de pointe qui s'appuie sur les images des caméras d'inspection pour inspecter les réservoirs de mélange de produits chimiques. Pour empêcher les produits présentant des défauts de passer par le pipeline de fabrication, la solution d'intelligence artificielle de pointe déployée directement sur les caméras identifie les imperfections et informe les responsables d'atelier des écarts de qualité détectés.

BMW utilise une combinaison d'informatique de pointe et d'intelligence artificielle pour obtenir une vue en temps réel de l'usine. L'entreprise obtient une image claire de sa chaîne de montage grâce aux caméras intelligentes installées dans l'ensemble de l'usine de fabrication.

Automobile : permettre aux voitures autonomes

Les voitures autonomes et les systèmes avancés d'aide à la conduite s'appuient sur l'IA de pointe pour une sécurité améliorée, une efficacité accrue et un risque d'accident réduit.

Les voitures autonomes sont équipées d'une variété de capteurs qui collectent des informations sur les conditions de la route, l'emplacement des piétons, les niveaux de luminosité, les conditions de conduite, les objets autour du véhicule et d'autres facteurs. Pour des raisons de sécurité, ces gros volumes de données doivent être traités rapidement. Edge AI traite les tâches de surveillance sensibles à la latence, telles que la détection d'objets, le suivi d'objets et la détection de l'emplacement.

Sécurité : propulser la reconnaissance faciale

L'un des domaines qui basculent de plus en plus vers la périphérie est la reconnaissance faciale.

Pour les applications de sécurité dotées de capacités de reconnaissance faciale, par exemple un système de sécurité domestique intelligent, le temps de réponse est essentiel. Dans les systèmes traditionnels basés sur le cloud, les images des caméras sont continuellement déplacées sur le réseau, ce qui affecte la vitesse de traitement et les coûts d'exploitation de la solution.

Une approche plus efficace consiste à traiter les données vidéo directement sur les caméras de sécurité. Comme aucun temps n'est nécessaire pour transférer les données vers le cloud, l'application peut être plus fiable et réactive.

Électronique grand public : permettre de nouvelles fonctionnalités dans les appareils mobiles

Les appareils mobiles génèrent beaucoup de données. Le traitement de ces données dans le cloud s'accompagne de son lot de défis, tels qu'une latence élevée et l'utilisation de la bande passante. Pour surmonter ces problèmes, les développeurs mobiles ont commencé à s'adapter à l'IA de pointe pour traiter les données générées à une vitesse plus élevée et à moindre coût.

Les cas d'utilisation mobiles activés par Edge AI incluent la reconnaissance vocale et faciale, la détection de mouvement et de chute, et bien plus encore.

L'approche commune reste cependant hybride. Les données qui nécessitent plus de stockage ou des capacités de calcul élevées sont envoyées vers le cloud ou la couche de brouillard, tandis que les données qui peuvent être interprétées localement restent à la périphérie.

Obstacles à l'adoption de l'IA de pointe

Puissance de calcul limitée

La formation des algorithmes d'IA nécessite des puissances de calcul suffisantes, qui sont largement inaccessibles à la périphérie. Ainsi, la majorité des applications centrées sur la périphérie contiennent toujours la partie cloud, où les algorithmes d'IA sont formés et mis à jour.

Si vous envisagez de créer une application centrée sur la périphérie qui repose moins sur le cloud, vous devrez réfléchir aux moyens d'optimiser le stockage de données sur l'appareil (par exemple, ne conserver que les cadres comportant un visage dans les applications de reconnaissance faciale) et le Processus de formation à l'IA.

Vulnérabilités de sécurité

Bien que la nature décentralisée des applications de périphérie et l'absence de nécessité pour les données de voyager sur le réseau augmentent les fonctionnalités de sécurité des applications centrées sur la périphérie, les nœuds finaux sont toujours sujets aux cyberattaques. Des mesures de sécurité supplémentaires sont donc nécessaires pour contrer les risques de sécurité. Les modèles d'apprentissage automatique qui alimentent les solutions de pointe peuvent également être consultés et altérés par des criminels. Les verrouiller et les traiter comme des actifs clés peut vous aider à prévenir les problèmes de sécurité liés à la périphérie.

Perte de données

La nature même de la périphérie implique que les données peuvent ne pas parvenir au cloud pour y être stockées. Les dispositifs finaux peuvent être configurés pour rejeter les données générées afin de réduire les coûts d'exploitation ou d'améliorer les performances du système. Bien que les paramètres de cloud s'accompagnent d'une part équitable de limitations, le principal avantage de ceux-ci est le fait que toutes - ou presque toutes - les données générées sont stockées et peuvent donc être utilisées pour glaner des informations.

Si le stockage des données est nécessaire pour un cas d'utilisation particulier, nous vous conseillons de devenir hybride et d'utiliser le cloud pour stocker et analyser l'utilisation et d'autres données statistiques, exactement comme nous l'avons fait lors du développement d'un miroir de fitness intelligent pour nos clients.

Si vous avez encore des questions sans réponse sur l'IA de pointe ou recherchez un partenaire de confiance pour mettre en œuvre une application d'IA de pointe, laissez tomber ITRex une ligne. Nos experts vous aideront avec plaisir.

Publié à l'origine sur https://itrexgroup.com le 1er novembre 2022.