Aller au contenu principal
SECO
  • AI
  • Clea

Au-delà du déploiement : comment permettre aux modèles d’edge AI de continuer à apprendre sur le terrain

L’edge AI permet une prise de décision en temps réel véritablement transformatrice. Cependant, tout son potentiel ne peut se réaliser que si les modèles peuvent apprendre et s’améliorer avec le temps.

Apprentissage des modèles d’IA

L’amélioration continue des modèles d’IA est essentielle pour s’adapter à des environnements dynamiques, corriger la dérive et les erreurs des modèles, et permettre de nouveaux services, de nouvelles fonctionnalités et une personnalisation plus poussée. Cet apprentissage continu garantit que les solutions d’IA restent pertinentes et efficaces longtemps après leur déploiement.

Le problème des environnements en périphérie

L’entraînement après déploiement est particulièrement difficile en périphérie, pour plusieurs raisons, la principale contrainte étant celle des ressources. L’entraînement d’un modèle est réputé très gourmand en ressources, mais il doit être exécuté sur des systèmes embarqués sans compromettre les performances. La difficulté tient au fait que, pour des raisons d’encombrement, le matériel embarqué dispose souvent d’une puissance de calcul, d’une alimentation et d’une mémoire limitées.

Au-delà des limites de ressources, la confidentialité et la sécurité des données posent des obstacles importants. Utiliser pour l’entraînement des données mal anonymisées ou non chiffrées peut créer un véritable champ de mines juridique et réglementaire, surtout lorsqu’il s’agit d’informations sensibles ou permettant d’identifier une personne.

Par ailleurs, les environnements en périphérie ne disposent pas toujours d’une bande passante fiable. Si un modèle dépend d’Internet pour son entraînement, toute interruption de connectivité peut perturber son fonctionnement.

Ces difficultés sont techniquement complexes, mais on peut les surmonter en adoptant les bonnes méthodes d’apprentissage, les bonnes techniques d’entraînement et la bonne pile technologique.

Comment l’edge AI apprend

De manière générale, l’entraînement après déploiement en périphérie se fait de trois façons : sur l’appareil lui-même, dans le cloud ou via un écosystème d’apprentissage partagé. En associant ces méthodes aux bonnes techniques d’adaptation des modèles, les organisations peuvent garantir que leur IA continue d’apprendre bien après le déploiement.

Apprentissage sur l’appareil – Avec l’apprentissage sur l’appareil, les modèles d’IA sont entraînés ou mis à jour directement sur le matériel en périphérie. Le modèle est affiné à partir de données collectées par ses propres capteurs ou issues des interactions avec l’utilisateur, qu’il prétraite puis ingère.

Cette approche convient bien à la personnalisation dynamique en temps réel et préserve la vie privée de l’utilisateur, puisque aucune donnée n’est transmise ni partagée. Son principal inconvénient est toutefois le risque de surapprentissage : comme les jeux de données locaux sont petits, un modèle peut "mémoriser" les données au lieu d’apprendre un schéma général, ce qui l’empêche de généraliser à de nouvelles données.

Apprentissage fédéré – Alternative à l’apprentissage uniquement sur l’appareil, l’apprentissage fédéré introduit un serveur central qui coordonne l’entraînement sur plusieurs appareils. Dans ce modèle, un serveur central partage un modèle d’IA avec un parc d’appareils en périphérie. Chaque appareil entraîne ensuite le modèle sur son jeu de données local et renvoie au serveur les résultats de cet entraînement, et non les données brutes. Le serveur agrège ces résultats et diffuse à tous les appareils une mise à jour consolidée du modèle.

Comme seules les mises à jour du modèle sont transmises, cette méthode est à la fois économe en bande passante et sécurisée. Un défi majeur est toutefois que la synchronisation de ces mises à jour entre des types d’appareils en périphérie très divers nécessite souvent un logiciel spécialisé.

Réentraînement dans le cloud – La troisième approche, le réentraînement dans le cloud, est la plus proche de l’entraînement traditionnel des modèles. Dans cette méthode, une plateforme cloud collecte les données des appareils en périphérie et les transmet au cloud pour réentraîner un modèle d’IA centralisé. Une fois l’entraînement terminé, le modèle mis à jour est renvoyé à chaque appareil.

Si cette approche peut prendre en charge des tâches de réentraînement plus complexes et des mises à jour complètes du modèle, elle dépend fortement de la connectivité et peut être affectée par la latence. De plus, la transmission de données brutes soulève des questions de confidentialité, car des informations sensibles pourraient être exposées sans chiffrement approprié.

Techniques pratiques d’adaptation des modèles sur le terrain

Pour répondre aux limites propres aux environnements en périphérie, plusieurs techniques d’adaptation peuvent être associées aux méthodes d’apprentissage décrites ci-dessus.

  • Apprentissage incrémental : dans l’apprentissage incrémental, le modèle assimile les nouvelles informations au fur et à mesure de leur arrivée. Ces données servent principalement à affiner le modèle, à gérer la dérive et à s’adapter à de nouveaux schémas de données, tandis que le modèle conserve sa fonction d’origine. Un exemple courant est celui d’un bracelet d’activité mis à jour avec de nouvelles données sur son porteur.
  • Apprentissage par transfert : là où l’apprentissage incrémental affine un modèle, l’apprentissage par transfert le réutilise. Avec cette technique, un modèle préentraîné sur un grand jeu de données générique est adapté à une tâche précise à l’aide d’un jeu de données local beaucoup plus petit. Cela réduit considérablement la puissance de calcul, la mémoire et l’énergie nécessaires à l’entraînement, ce qui permet à son tour de déployer une IA plus sophistiquée en périphérie. Par exemple, un système de conduite autonome peut utiliser l’apprentissage par transfert pour entraîner son modèle de détection d’objets à un nouvel environnement.
  • Apprentissage continu : l’apprentissage continu va plus loin dans l’adaptation, en permettant à un modèle d’apprendre des fonctions entièrement nouvelles au fil du temps. Ici, le modèle ingère un flux constant de données pour apprendre de nouvelles tâches ou s’adapter à de nouvelles capacités. Contrairement à l’apprentissage incrémental, centré sur la tâche d’origine, l’apprentissage continu élargit le domaine du modèle, ce qui lui permet de mieux s’adapter aux changements importants de son écosystème. Un thermostat intelligent, par exemple, pourrait utiliser l’apprentissage continu pour s’intégrer à un climatiseur intelligent nouvellement installé.

En pratique, l’approche hybride, qui exploite plusieurs techniques, est souvent la plus efficace : par exemple, combiner l’entraînement sur l’appareil, l’apprentissage continu et un réentraînement périodique dans le cloud.

L’importance de trouver la bonne pile d’IA

Ces techniques avancées d’apprentissage et d’adaptation sont puissantes, mais elles dépendent d’une pile matérielle et logicielle bien pensée pour que les mises à jour des modèles puissent réellement avoir lieu. Cela exige avant tout un matériel capable de répondre aux besoins en ressources du modèle et un logiciel capable de gérer, coordonner, planifier et sécuriser les mises à jour d’entraînement avec un minimum d’intervention.

Surtout, le matériel et le logiciel doivent fonctionner non comme des composants individuels, mais comme un tout unifié. Sans l’infrastructure intégrée adéquate, un modèle ne peut pas apprendre efficacement après son déploiement et peut se heurter à des goulots d’étranglement critiques, de la pénurie de ressources à la défaillance matérielle pure et simple.

Pour y remédier, SECO propose une pile complète de matériel, de logiciels et d’outils intégrés, conçue même pour les déploiements d’edge AI les plus complexes. Un grand nombre de nos appareils en périphérie sont dotés d’unités de traitement neuronal (NPU) et d’accélérateurs d’IA dédiés pour gérer les charges de travail exigeantes, avec la prise en charge d’options tierces comme les accélérateurs matériels à unité de traitement d’intelligence artificielle (AIPU) d’Axelera.

Clea, notre framework logiciel modulaire, relie ce matériel puissant et fournit l’écosystème complet de l’apprentissage après déploiement. Nous proposons tout ce qu’il faut pour développer d’abord un modèle d’IA avec Clea AI Studio, par glisser-déposer, le déployer sur un ou plusieurs appareils en périphérie, puis garantir que le modèle continue d’apprendre, quel que soit l’appareil sur lequel il s’exécute.

Pour conclure

L’apprentissage après déploiement est essentiel à toute mise en œuvre réussie de l’edge AI : il permet à un modèle d’offrir une meilleure personnalisation, de s’adapter à des environnements dynamiques et d’évoluer avec les besoins de votre entreprise et de vos clients. Choisir les bonnes techniques d’apprentissage est crucial pour préserver la précision et l’efficacité du modèle, mais la pile de solutions sous-jacente est tout aussi importante. SECO vous fournit la pile intégrée dont vous avez besoin pour réussir.

Contactez-nous pour découvrir comment nous pouvons vous aider à construire une edge AI adaptable et dynamique.

Recevez la newsletter SECO.

Inscrivez-vous avec votre adresse e-mail sur seco.com.

S’inscrire