[EDITION ABONNES] Le marché des logiciels embarqués d’apprentissage automatique (réseaux de neurones artificiels compris), des outils et des services associés est encore naissant et ne constitue qu’une fraction de celui, bien plus vaste et bien plus développé, des logiciels de machine learning (ML) pour l’informatique généraliste. ...Il n’empêche qu’il devrait afficher une croissance rapide, estimée par VDC Research à 18,1% par an en moyenne entre 2018 et 2023, grâce en particulier à l’arrivée au stade commercial de solutions ML embarquées de plus en plus nombreuses. L’année dernière, le marché des technologies logicielles d’apprentissage automatique et d’apprentissage profond pour l’embarqué a été dominé par FogHorn, MathWorks et AWS, ajoute la société d’études.

Actuellement, constate VDC Research, les technologies d’apprentissage automatique et d’apprentissage profond (comme les réseaux de neurones) migrent du cloud et du monde informatique, où les experts de la gestion et de l’analyse des données peuvent compter sur une puissance de calcul quasi illimitée pour entraîner et faire tourner leurs modèles, vers un monde de l’embarqué beaucoup moins connecté et plus restreint en ressources. Les contraintes imposées par les plates-formes matérielles utilisées en périphérie de réseau (edge), ainsi que la popularité et la prédominance des outils ML open source, brident aujourd’hui à un niveau relativement faible le chiffre d’affaires et la croissance du marché ML embarqué, assure encore la société d'études

Aujourd’hui, détaille l’analyste, la quasi-totalité des logiciels embarqués d’apprentissage automatique s’exécutent sur des systèmes aux ressources relativement confortables comme les passerelles IoT et les équipements ou cartes du type Raspberry Pi. VDC Research anticipe toutefois une modification de cet état de fait avec les efforts de sociétés de semi-conducteurs comme Arm, qui développent des capacités avancées de traitement ML dans leurs microcontrôleurs (lire, pour plus de détails, notre article ici), et d’éditeurs de logiciels comme FogHorn qui travaillent à ajuster les caractéristiques de plates-formes ML toujours plus performantes aux contraintes des systèmes edge.

Par ailleurs, précise encore la société d’études, les processeurs graphiques embarqués d’une entreprise comme Nvidia et les unités TPU (Tensor Processing Unit) de poids lourds comme AWS et Google vont amener la puissance ML des centres de données vers la périphérie de réseau et seront particulièrement moteurs dans la mise au point de systèmes ML à faible latence et à forte criticité adaptés aux besoins d’applications révolutionnaires comme la navigation et la conduite autonomes.

Dans son rapport d’avril 2019 intitulé Machine Learning & Neural Network Development for Embedded Systems, VDC Research indique par ailleurs que, dans de nombreux cas, le code ML de prise de décision ne représente à lui seul que 5%, voire moins, de l’ensemble du code du système de production ML complet, le code d’outillage et d’infrastructure représentant les 95% restants. La collecte des données, l’extraction de caractéristiques, les outils de gestion des processus, la vérification des données, la gestion des ressources machine, la configuration, les outils d’analyse, le monitoring et l’infrastructure de service sont en effet tous des composants vitaux des systèmes de production ML (voir illustration ci-dessus).

Au-delà, les modèles d’apprentissage automatique, détaille VDC, peuvent être statiques ou dynamiques. Un modèle statique est entraîné hors ligne, une seule fois, puis est exécuté sur le système pendant un certain laps de temps avant d’être mis à jour. Le modèle dynamique, lui, est entraîné en ligne avec des données qui entrent en continu dans le système et qui contribuent à entraîner le modèle au fur et à mesure de son exécution.

Un réseau de neurones optimise un système ML en ajoutant des couches de « nœuds » à un modèle. Un nœud consiste ici en une ou plusieurs connexions d’entrée pondérées, une fonction de transfert qui combine les entrées, et une connexion de sortie vers le modèle général. Ces couches de nœuds transforment les données de manière intelligente avant qu’elles ne soient transférées au nœud de sortie final de l’algorithme ML qui va les utiliser à des fins de classification ou de décision. Les réseaux de neurones, précise encore VDC, permettent d’effectuer des actions beaucoup plus complexes sur les données entrantes et sont particulièrement utiles pour les systèmes non linéaires où l’algorithme ML doit distinguer entre de nombreuses possibilités différentes (« cette image représente-t-elle une pomme, un ours, un œuf ou un canard ? ») et non pas prendre des décisions binaires du type oui ou non. Les réseaux de neurones sont classifiés en tant que méthodes d’apprentissage profond ou algorithmes capables de s’adapter à un nombre de motifs ou de représentations de données beaucoup plus large que ce que peuvent traiter des algorithmes peu flexibles adaptés à des tâches spécifiques.

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA https://www.linkedin.com/showcase/embedded-ia/