[APPLICATION SILICON LABS] L'intelligence artificielle (IA) et l'Internet des objets (IoT) sont les deux grandes tendances technologiques les plus influentes à l'heure actuelle dans le monde des systèmes embarqués. Bien que distinctes, elles se rejoignent aujourd’hui de plus en plus à la périphérie du réseau, l’Edge, là où l'IA devient un élément essentielle pour un nombre croissant d'appareils IoT de toujours plus sophistiqués.

Auteur : Tamas Daranyi

Product Manager

Silicon Labs

 

 

Aujourdhui, on constate que l’IA soutient les dispositifs IoT en périphérie de réseau (Edge) de deux manières distinctes : elle améliore les performances et permet de nouvelles fonctionnalités, tout en introduisant des mécanismes plus intelligents pour gérer, voire réduire, la consommation d'énergie. Auparavant, les innovations technologiques progressaient généralement à un rythme prévisible. Si, par exemple, des ingénieurs avaient besoin d'une certaine puissance de traitement à un certain prix pour réaliser un produit envisagé, ils pouvaient consulter la courbe de la loi de Moore et déterminer – parfois au trimestre près – quand leurs idées seraient susceptibles de devenir réalisables.

Cependant, avec la rapidité du développement de l'IA et de l'Internet des objets dans l’Edge, la donne a complètement changé. En effet, les développeurs d'appareils Edge IoT peuvent dès aujourd'hui appliquer l'IA et réaliser, à moindre coût, bien plus que beaucoup ne l'imaginent. Des outils et techniques performants pour concevoir des appareils IoT de périphérie avancés, fondés sur l'IA, sont désormais facilement disponibles sur le marché, offrant ainsi de nombreuses opportunités aux développeurs d'applications IoT.

L'edge et IoT se chevauchent

La périphérie du réseau est une notion théorique, et sa définition a évolué à plusieurs reprises au cours de la dernière décennie. Il y a quelques années à peine, un data center appartenant à un opérateur télécom était considéré comme faisant partie de la périphérie du réseau, car techniquement, il n'était pas intégré au cloud. Peu de temps après, les racks de serveurs et les routeurs locaux installés par les petites et moyennes entreprises (PME) ont été considérés comme faisant partie de la périphérie.

Aujourd'hui, la périphérie est définie par des dispositifs connectés beaucoup plus petits qui collectent et traitent des données dans des lieux aussi éloignés physiquement que possible des plus grands data centers. Ces dispositifs peuvent être de toute nature : caméras de sécurité, appareils connectés, objets connectés portables, capteurs individuels…, en bref, tous les types de dispositifs qui définissent l’Internet des objets (IoT).

Avec l’expansion de l’IoT, les technologies périphériques se sont adaptées, qu’il s’agisse de villes intelligentes, de maisons connectées, de champs agricoles ou même de plateformes pétrolières en mer. Presque tous les dispositifs de ce vaste environnement électronique sont confrontés aux deux mêmes défis majeurs. Premièrement, la forte contrainte sur les ressources disponibles est au premier plan des considérations de conception.

Le poids, la taille, le prix et le coût d'exploitation (y compris la consommation d'énergie) doivent tous être minimisés. De plus, l'Internet des objets en périphérie (Edge IoT) recouvre des marchés extrêmement concurrentiels où des alternatives plus petites, moins chères et plus économiques sont constamment disponibles.

L'intelligence artificielle et l'Edge IoT se combinent

L'IA est devenue de plus en plus courante en périphérie pour plusieurs raisons. Pour commencer, l'utilisation de l'IA est l'un des meilleurs moyens de réduire la taille et le coût, tout en améliorant la rentabilité. Parallèlement, pour des raisons économiques et de sécurité, la logique de traitement se rapproche de la source des données, et l'IA contribue à atteindre ces deux objectifs.

Un autre facteur clé est l'efficacité énergétique. La plupart des appareils IoT se connectent au réseau sans fil, et de ce point de vue, la communication sans fil consomme une quantité d'énergie importante. Grâce aux récents progrès des processeurs à très faible consommation et de l'IA, il est plus économe en énergie pour un dispositif périphérique spécialement conçu à cet effet (équipé d'accélérateurs matériels pour l'apprentissage automatique, ML, machine learning, par exemple) de traiter les données localement plutôt que de télécharger des flux de données brutes par radio vers un système externe.

Ceci est également directement lié à la gestion de l'énergie au niveau du dispositif. De nombreux dispositifs périphériques doivent fonctionner avec une consommation d'énergie minimale. Une technique importante d'économie d'énergie consiste à intégrer un mode veille, dans lequel l'appareil est mis en veille prolongée et ne consomme alors que des quantités infimes d'énergie.

Les appareils en mode veille doivent être prêts à se réveiller et, tout aussi important, à ne se réveiller que lorsque cela est réellement justifié, afin d'éviter les réveils intempestifs. La capacité à déterminer si une entrée mérite de sortir l'appareil complet du mode veille ou non est rendue beaucoup plus efficace grâce à l'utilisation de l'IA.

Dans certains cas, l'IA peut même rendre possible la mise en œuvre d'un mode veille efficace. Dans de tels cas, l'intégration de l'IA aux dispositifs IoT périphériques peut faire la différence entre l'utilisation d'une batterie volumineuse, rendant le produit trop encombrant pour être véritablement portable, et l'utilisation d'une petite pile bouton discrète, rendant l'appareil confortable à porter.

À l'inverse, cela pourrait être la variable permettant à une batterie de fonctionner pendant des jours, par opposition à la même batterie qui fonctionne pendant plusieurs semaines, voire plus. Parallèlement, les améliorations de performance et les nouvelles fonctionnalités permises par l'IA transforment un produit autrefois accessoire en un outil désormais essentiel.

Par exemple, l'IA, combinée aux progrès de la technologie des capteurs, permet aux fabricants d'appareils de faire évoluer les trackers d'activité physique, qui mesurent quelques signes vitaux et indiquent l'état de santé général, vers des objets connectés portables fournissant des données fiables que les professionnels de santé peuvent utiliser à des fins de diagnostic et de traitement. L’évolution du machine learning dans l’IoT en périphérie grâce à l’IA.

Les modèles d'IA de périphérie peuvent être relativement simples, surtout comparés aux modèles de langage complexes et volumineux (large language models, LLM) sur lesquels reposent les outils de chat. C'est une façon de réduire la charge de traitement de l'IA pour les applications IoT de l'Edge.

D'autres approches impliquent la création d'algorithmes sophistiqués, mais l'idée principale est que l'IA peut être facilement miniaturisée pour fonctionner sur des processeurs de faible puissance, dimensionnés et proposés à un prix adapté au calcul en périphérie. Il s'agit généralement de microcontrôleurs fonctionnant à basse fréquence, avec seulement quelques mégaoctets de mémoire, voire quelques kilo-octets.

De la même manière que les modèles peuvent être dimensionnés de façon optimale pour l'IA en périphérie, l'apprentissage automatique peut également l'être. L'industrie s'efforce actuellement de rendre le machine learning compatible avec les mêmes petits processeurs. Initialement appelé TinyML, il est désormais communément appelé EdgeAI, ce qui indique que l'IA et l'IoT en périphérie ne se contentent pas de se croiser, mais fusionnent.

L'IA/ML est particulièrement utile en périphérie de réseau car la grande majorité des données collectées à ce niveau ne sont pas utiles ailleurs. Il n'y a donc aucune raison de les transmettre, et plusieurs raisons incitent à l'éviter :

- La transmission des données brutes consomme de l'énergie

- L'utilisation d'un réseau a généralement un coût

- La bande passante est toujours limitée, et la transmission des données brutes consomme cette bande passante qui pourrait être dédiée à du trafic plus important

- Le traitement des données dans les data centers est effectué par des systèmes de traitement qui consomment beaucoup plus d'énergie que les processeurs IoT en périphérie

- La transmission des résultats traités consomme davantage d'énergie et de bande passante

- Le processus de transmission aller-retour engendre une latence réseau.

Cela introduit un délai entre l'entrée et le résultat. Cela signifie que le traitement des données collectées en périphérie relève de la logique de calcul, et que cette logique se déplace vers la périphérie car le traitement IA/ML en périphérie produit les résultats nécessaires tout en consommant le moins de ressources possible (bande passante, énergie, budget, temps), et en étant plus efficace.

Si quelqu'un demande à Siri d'allumer les lumières, la réponse doit être immédiate et la latence du réseau est intolérable. Les temps de réponse peuvent être accélérés en évitant la latence du réseau, mais des pannes de réseau peuvent survenir; le traitement localisé signifie qu'une réponse sera tout de même fournie.

Enfin, il convient de noter que le traitement local est plus sûr car il réduit les risques d'interception des données, notamment par rapport à leur envoi via de multiples transferts vers et depuis un data center. Dans plusieurs grands secteurs, les gouvernements ont imposé des obligations légales de protection des données personnelles. Il est donc devenu fondamental, en matière de confidentialité et de protection des données, de veiller à ce que les données locales restent locales.

IA Edge IoT : Marche, Arrêt et Attente !

En matière d'efficacité énergétique, la réduction de la consommation d'énergie a des conséquences importantes sur les batteries et leur durée de vie, et l'IA/ML a un rôle à jouer à cet égard. Il existe plusieurs façons de réduire la consommation d'énergie. Les dispositifs IoT périphériques sont généralement connectés sans fil, communiquant via divers protocoles tels que le Wi-Fi et le Bluetooth, mais plus fréquemment des alternatives économes en énergie, comme le Bluetooth Low Energy (BLE), Zigbee et Thread.

Mais même avec des options d'économie d'énergie comme celles-ci, chaque transmission consomme de l'énergie, ce qui est considérable pour un appareil fonctionnant sur batterie. Prenons l'exemple des dispositifs de sécurité qui détectent le bris de vitre. À l'origine, et jusqu'à il y a quelques années, ces appareils devaient rester constamment allumés, prêts à analyser chaque son pour déterminer s'il s'agissait d'un bris de verre ou d'un autre bruit.

Les fausses alertes concernaient souvent d'autres sons aigus, comme des applaudissements. Ces appareils consommaient alors inutilement de l'énergie en alertant les utilisateurs pour des sons non pertinents. L'IA et l'apprentissage automatique résolvent ce problème.

Grâce à l'approche TinyML (EdgeAI), l'appareil effectue un traitement local et apprend à distinguer le bruit d'un verre brisé non seulement de sons distincts, mais aussi de sons aux caractéristiques acoustiques proches, mais sans pertinence. Ce n'est que lorsqu'il identifie un bruit de verre brisé qu'il déclenche le processus d'activation du reste de l'appareil, y compris l'émetteur-récepteur sans fil relativement énergivore, afin de déclencher une alarme.

L'appareil reste en veille pour économiser l'énergie jusqu'à ce qu'il soit nécessaire. Le traitement local par IA/ML détermine avec précision s'il doit se remettre en veille ou se réactiver. Les faux positifs et les transmissions énergivores de données non pertinentes sont éliminés.

Ceci est tout à fait possible même sans IA/ML, si l'appareil intègre un processeur suffisamment sophistiqué. Ce niveau de puissance de traitement risque toutefois d'être beaucoup trop coûteux pour un appareil IoT de périphérie. Grâce à l'IA/ML, cette fonctionnalité devient accessible sur un processeur adapté aux contraintes de l’IoT en périphérie.

Ces appareils étant censés fonctionner de trois à cinq ans avec une seule batterie, ces procédés d'économie d'énergie sont révolutionnaires.

Ce n'est que le début…

L'IA et l'apprentissage automatique permettent aujourd'hui de réaliser des prouesses sur les objets connectés en périphérie, et ce, de manière totalement économique, grâce à des outils qui simplifient considérablement le processus de conception.

De plus, IA/ML dans l'Internet des objets en périphérie est encore en pleine évolution. L'intégration continue des appareils signifie que même les processeurs modestes utilisés à ce niveau deviendront plus puissants. Des algorithmes optimisés et l'augmentation de la puissance de calcul en périphérie de réseau permettront assurément d'améliorer considérablement l'expérience utilisateur sur les appareils locaux. TinyML (EdgeAI) ouvre la voie à l’intégration de l’IA conversationnelle directement sur les dispositifs en périphérie.