Aller au contenu principal
SECO
  • AI
  • Edge Computing

Choisir et entraîner les bons modèles d’IA pour la périphérie

Les applications d’edge AI représentent un potentiel de revenus considérable. Réaliser l’inférence directement sur les appareils locaux ouvre la voie à un large éventail d’applications puissantes, dont la détection d’objets, la commande vocale et gestuelle, la maintenance prédictive et les systèmes autonomes.

Les bons modèles d’IA

Cependant, déployer ces applications n’est pas une mince affaire. Comparés au matériel traditionnel, les systèmes embarqués à encombrement limité disposent de ressources restreintes. Le succès dépend donc du choix de l’architecture de modèle appropriée et de techniques d’entraînement adaptées, pour concilier les exigences opérationnelles et les limites techniques du matériel en périphérie.

Le parcours, des données brutes au modèle entraîné

Développer un modèle d’edge AI efficace exige un pipeline bien défini, qui transforme des informations brutes en une solution déployable.

Ce parcours commence par la collecte de données. Avant tout entraînement, un modèle d’IA a besoin de données de haute qualité, représentatives et complètes. Il est crucial de réfléchir non seulement à l’origine des données, mais aussi à la manière de les prétraiter, de les stocker et de les sécuriser. Une fois collectées, ces données doivent prendre sens par l’étiquetage, c’est-à-dire une annotation manuelle ou semi-automatique avec des balises ou des catégories. Ce processus permet au modèle de comprendre ses entrées, aide à limiter les biais et améliore la précision.

Une fois les données étiquetées prêtes, l’attention se porte sur le choix de l’architecture de modèle la mieux adaptée au matériel et au cas d’usage. Parmi les principales options :

  • Les réseaux de neurones convolutifs (CNN), spécialisés dans les données spatiales et utilisés principalement pour le traitement d’images, la vision par ordinateur et la détection d’objets.
  • Les réseaux de neurones récurrents (RNN) sont conçus pour traiter des données séquentielles ou temporelles. Leur capacité à se souvenir des entrées précédentes les rend idéaux pour des tâches comme le traitement du langage naturel (NLP) et la prévision.
  • Le TinyML, qui s’appuie sur diverses architectures pour créer des modèles conçus spécifiquement pour fonctionner sur des appareils à très faible mémoire et à très faible consommation, comme les microcontrôleurs. Il est souvent utilisé pour la maintenance prédictive ou la détection d’objets et de sons en temps réel.

L’architecture choisie prend ensuite vie pendant la phase d’entraînement, un processus itératif au cours duquel le modèle apprend peu à peu à reconnaître et à extrapoler des schémas à partir des données étiquetées. Il devient ainsi de plus en plus précis pour classer ou décider à partir de nouvelles informations.

Cependant, l’entraînement n’est pas l’étape finale. Pour s’assurer que le modèle fonctionne dans le monde réel, il est soumis à une validation, à un réglage et à des tests rigoureux. Une partie des données est mise de côté pendant l’entraînement pour évaluer la capacité de généralisation du modèle et le régler contre des problèmes comme le surapprentissage. Enfin, il est testé sur un autre jeu de données inédites, qui sert de mesure finale de ses performances, de sa précision et de ses biais.

Le rôle essentiel des données de haute qualité

Un modèle d’IA ne vaut que par les données sur lesquelles il est entraîné, un principe encore plus vrai pour l’edge AI. En raison de ressources limitées en mémoire, en puissance de traitement et en énergie, les modèles en périphérie sont généralement plus petits et tolèrent beaucoup moins les erreurs que les modèles traditionnels. Des données de haute qualité et pertinentes permettent au modèle d’apprendre des schémas significatifs et rendent possible l’entraînement de modèles compacts, adaptés aux contraintes du matériel en périphérie.

Y parvenir exige une préparation rigoureuse des données. Ce processus continu consiste à définir des stratégies de collecte, à identifier tous les scénarios possibles pour le modèle et à évaluer les données de manière itérative au fur et à mesure de leur collecte.

Des jeux de données propres et équilibrés sont aussi essentiels pour éviter que le modèle n’apprenne des caractéristiques non pertinentes ou biaisées. Les données doivent être prétraitées pour éliminer les doublons, les erreurs et le bruit, et corriger les incohérences. Ensuite, les caractéristiques les plus pertinentes sont isolées, les entrées standardisées, et le jeu de données est enrichi et équilibré par des techniques comme l’augmentation.

Le délicat équilibre du choix d’une architecture de modèle

Choisir l’architecture d’un modèle d’edge AI est un exercice d’équilibre délicat entre précision, vitesse d’inférence, ressources disponibles, flexibilité et spécialisation. Une architecture complexe, comme un grand CNN, peut offrir une grande précision, mais au prix d’une puissance de calcul et d’une mémoire accrues. À l’inverse, les architectures légères comme les modèles TinyML sont rapides et efficaces, mais peuvent exiger de sacrifier une partie des performances du modèle. De même, un modèle généraliste peut s’appliquer plus largement mais demander plus de ressources qu’un modèle spécialisé, plus efficace mais moins adaptable.

Ces compromis doivent être pesés en gardant à l’esprit les limites du matériel. Par exemple, un modèle comme YOLO est conçu spécifiquement pour la vision par ordinateur et existe en plusieurs tailles, du YOLOv8 complet au YOLOv10-Nano léger, pour s’adapter aux différentes capacités matérielles. À l’inverse, les modèles de Hugging Face, une plateforme open source de grands modèles de langage, excellent en NLP et conviennent bien aux applications multimodales. Autre option, Mistral offre une grande flexibilité avec la prise en charge de nombreux langages de développement, ce qui le rend idéal pour l’analyse contextuelle.

Garder à l’esprit les limites du matériel

Les limites du matériel doivent rester au premier plan lors de la prise de décision, car les appareils en périphérie et les modèles doivent être correctement appariés en termes de mémoire, de puissance de traitement et de consommation d’énergie. Notre précédent article de blog, Choosing the Right AI for Video Security, illustre le fonctionnement concret de ce processus.

SECO simplifie cet équilibre en proposant un large portefeuille de plateformes matérielles et logicielles d’edge AI, adaptées à toute une gamme d’exigences de performance, de consommation et de format. Des modules à haut rendement aux ordinateurs industriels puissants, SECO permet aux développeurs d’associer le bon modèle d’IA au bon système.

Kits de développement, conceptions de référence et solutions prêtes à intégrer simplifient le chemin du concept au déploiement, pour mettre plus vite et plus facilement sur le marché des produits dotés d’IA.

Dernières optimisations pour des performances optimales en périphérie

Comme les environnements en périphérie disposent de ressources limitées, optimiser la taille et la complexité d’un modèle est essentiel à son bon fonctionnement. Plusieurs techniques courantes y contribuent :

  • La quantification réduit la taille d’un modèle et améliore sa vitesse en diminuant la précision de ses valeurs numériques, par exemple en convertissant des valeurs à virgule flottante 32 bits en entiers 8 bits.
  • L’élagage réduit encore la complexité en identifiant et en supprimant les segments redondants ou inactifs du réseau de neurones.
  • Les outils spécialisés de compression et de déploiement comme TensorFlow Lite, ONNX et PyTorch aident à la conversion, à l’optimisation et au déploiement de ces modèles allégés sur les appareils en périphérie.

Conclusion

Le potentiel de l’edge AI est considérable, mais pour l’exploiter, il faut les bonnes données d’entraînement, la bonne architecture de modèle et le bon matériel. Les organisations doivent soigneusement équilibrer leurs objectifs métier et leurs besoins opérationnels avec les contraintes de ressources inhérentes à l’edge computing.

Quel que soit votre cas d’usage, SECO peut vous aider à mettre en œuvre l’IA en périphérie rapidement, efficacement et avec succès. Contactez-nous dès aujourd’hui pour savoir comment vous pouvez entrer sur ce marché en pleine croissance.

Recevez la newsletter SECO.

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

S’inscrire