Proposée sous la référence STM32Cube.AI Developer Cloud, la solution de développement d’applications embarquées de STMicroelectronics destinée aux développeurs d’applications d’intelligence artificielle (IA) ouvre l'accès dans le cloud à une suite d’outils en ligne spécifiquement conçus et optimisés pour tourner sur des architectures de microcontrôleurs de la famille STM32.

Pour ST, il s'agit d’élargir son offre de solutions d’intelligence artificielle pour les experts en IA et en science des données (data scientists) avec un jeu d’outils et de services en ligne qui accélèrent et facilitent la commercialisation de solutions d’IA embarquée en simplifiant les prises de décision tant au niveau matériel que logiciel.

Concrètement, la solution STM32Cube.AI Developer Cloud s’appuie sur l’environnement STM32Cube.AI déjà existant qui réunit les ressources dont ont besoin les développeurs pour valider et générer des bibliothèques optimisées d’IA sur microcontrôleurs STM32 à partir de réseaux neuronaux entraînés (avec des technologies issues aussi du rachat de la société française Cartesiam en 2021). STM32Cube.AI Developer Cloud est donc une version en ligne de l’outil STM32Cube.AI, doté d'un accès direct sans aucun téléchargement, mais avec une série d’innovations dont l’objectif est de faciliter le travail des développeurs.

« Notre objectif est de proposer en ligne composants, logiciels et services pour aider les développeurs de solutions embarquées et les data scientists à mettre au point rapidement et de manière simple des applications IA sur microcontrôleurs, souligne Ricardo De Sa Earp, vice-président exécutif, en charge du sous-groupe Microcontrôleurs polyvalents chez STMicroelectronics. Cet environnement dans le cloud permet notamment de tester et d’évaluer des modèles sur des composants STM32 à distance, ce qui allège considérablement la charge de travail des ingénieurs et réduit les coûts de développement. »

Dans le détail, on trouve notamment au sein de STM32Cube.AI Developer Cloud une interface pour générer un code C optimisé pour les microcontrôleurs STM32, sans préinstallation de logiciels, à partir de fichiers issus des outils TensorFlow (avec un optimiseur de graphes), PyTorch ou ONNX. Les data scientists et les développeurs bénéficient ici de l’optimisation des réseaux de neurones issus de l’outil STM32Cube.AI pour développer des projets d’intelligence artificielle embarquée.

Dans cette boîte à outils, on trouve aussi un optimiseur de mémoire qui affiche graphiquement la quantité de mémoire (flash et RAM) utilisée par chaque couche de neurones.

Parallèlement, la solution procure un accès au “zoo de modèles” STM32 qui, dans la terminologie de ST, est un référentiel de démonstrations et de modèles d’apprentissage profond que l’on peut entraîner selon les besoins. D’ores et déjà des cas d’usage classiques sont immédiatement disponibles dont la détection de mouvements humains pour la reconnaissance et le suivi d’activités, la vision artificielle pour la classification d’images ou la détection d’objets, la détection d’évènements sonores pour la classification audio, etc. Hébergés sur GitHub, ces cas d’usage permettent de générer automatiquement des exemples applicatifs optimisés pour les microcontrôleurs STM32.

Enfin, STM32Cube.AI Developer Cloud offre un service innovant d’évaluation en ligne de réseaux neuronaux embarqués sur différentes cartes virtuelles, le premier sur le marché selon ST.  Une fonctionnalité qui propose l’accès à distance à une gamme de cartes fondées sur des STM32, actualisée régulièrement, ce qui autorise data scientists et développeurs IA à mesurer en ligne la performance effective des modèles optimisés, avec un code qui s'exécute physiquement sur les “fermes” de cartes ST installées dans le cloud (une dizaine à l’heure actuelle).

A noter qu'il est possible d'accéder à tous les services de l'environnement STM32Cube.AI Developer Cloud directement en ligne au travers d'une API Rest (Representational State Transfer), facilitant de fait l'automatisation des tâches ou l'intégration de l'outil dans un flux MLOps (Machine Learning Ops).

« Le zoo de modèles, l’interface STM32Cube.AI en ligne et les capacités d’évaluation à distance sur cartes STM32 permettent à nos ingénieurs dont les connaissances en matériel sont variées d’évaluer plus aisément la possibilité d’embarquer des modèles d’IA sur les microcontrôleurs de nos propres produits, note Didier Pellegrin, VP AI Anticipation and Strategy chez Schneider Electric. De plus, le fait de pouvoir tester nos modèles sur plusieurs microcontrôleurs STM32 en quelques clics nous permet d’envisager le traitement de l’IA embarquée de façon précoce au cours du processus de conception et ainsi d’en tirer parti pour concevoir des fonctionnalités avancées.  Avec l’accès à distance aux cartes de développement, nous pouvons de fait confirmer qu’un modèle fonctionnera sur un microcontrôleur, avec la possibilité de choisir le STM32 qui convient à notre application en procédant à des évaluations à distance. »

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée aux microcontrôleurs : Embedded-MCU