Le marché de l’AIoT (Artificial Internet of Things), situé au confluent de l’intelligence artificielle (IA) et de l’Internet des objets (IoT), suscite un intérêt non feint de la part des sociétés de semi-conducteurs. Il y a de quoi… ...Selon la société d’études Markets and Markets, ce marché devrait passer de 5,1 milliards de dollars en 2019 à 16,2 milliards de dollars américains d'ici à 2024, pour une progression moyenne de 26% par an.
Pour ne pas rater le coche, Infineon Technologies vient d’ajouter à l’environnement ModusToolbox un outil – ModusToolbox Machine Learning (ML) – dont la vocation est de faciliter le développement de programmes reposant sur l’apprentissage profond (deep learning) sur ses microcontrôleurs de la famille PSoC. Une famille issue du rachat en 2020 de l’américain Cypress par la société allemande.
Dans le détail, ModusToolbox ML fournit du middleware, des bibliothèques de logiciels et des outils spécifiques censés permettre aux concepteurs d'évaluer et de déployer des modèles d’apprentissage automatique (ML). Et ce tout en assurant une intégration sans couture avec les frameworks existants disponibles dans l’environnement ModusToolbox. L’idée étant que les charges de travail ML puissent être facilement portées dans des systèmes AIoT sécurisés.
Selon Infineon, ModusToolbox ML permet aussi aux développeurs d'utiliser leur framework de deep learning préféré (comme TensorFlow) afin qu’il puisse être déployé directement sur les microcontrôleurs PSoC. En outre, cette fonctionnalité aide les concepteurs à optimiser le modèle pour les plates-formes embarquées afin d’en réduire la taille et la complexité, ainsi qu’à valider les performances vis-à-vis des données de test.
« Au fur et à mesure que l'IoT s’étend, des quantités massives de données sont générées en périphérie de réseau, note Steve Tateosian, vice-président IoT Compute & Wireless chez Infineon. Activé par l’approche TinyML, l’AIoT est une évolution naturelle où les actions locales sur les données contribuent à renforcer la confidentialité des données, diminuer la latence et augmenter la fiabilité globale du système. A ce titre ModusToolbox comble un fossé critique entre l'apprentissage automatique et la conception de systèmes embarqués en fournissant des outils flexibles et des bibliothèques modulaires pour optimiser, valider et déployer facilement des modèles d'apprentissage profond à partir de frameworks populaires sur nos microcontrôleurs à très faible consommation. »
Selon ABI Research, il pourrait se vendre 2,5 milliards de produits TinyML en 2030 contre « seulement » 15,2 millions en 2020. Pour rappel, les puces TinyML ont vocation à réaliser des analyses de données sur des ressources matérielles de faible consommation dotées d’une faible puissance de traitement et de capacités mémoire réduites, aidées en cela par du logiciel calibré pour l’exécution de moteurs d'inférence de petite taille.
Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA
