Edge AI et informatique edge : au service de l’intelligence en temps réel

L’intelligence artificielle (AI) devient une partie intégrante de notre quotidien. Des caméras intelligentes aux véhicules autonomes, les modèles d’AI sont désormais déployés sur des appareils pour traiter rapidement les informations et contribuer à prendre des décisions en temps réel.

Traditionnellement, bon nombre de ces modèles d’AI s’exécutent dans le cloud : les appareils envoient les données à de puissants serveurs distants, où le modèle les traite avant de renvoyer les résultats. Mais dépendre du cloud n’est pas toujours idéal, surtout lorsque chaque milliseconde compte. Les échanges de données peuvent entraîner des délais, soulever des problèmes de confidentialité et nécessiter une connectivité constante.

C’est là qu’interviennent l’Edge AI et l’edge computing. L’Edge AI consiste à exécuter les modèles d’AI directement sur des appareils comme des caméras ou des capteurs, afin de prendre des décisions instantanément, sur place. De son côté, l’edge computing vise à traiter les données à proximité de leur source de génération, souvent sur des serveurs locaux ou des passerelles plutôt que de dépendre du cloud. Cette évolution réduit la latence, améliore la confidentialité et permet à l’AI de fonctionner efficacement, même sans accès constant au cloud.

L’Edge AI est particulièrement utile dans les applications de vision par ordinateur, où d’importants volumes de données visuelles doivent être traités instantanément. Les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent permettre des tâches comme la détection d’objets et la segmentation d’instances directement à la périphérie, pour alimenter des appareils plus intelligents, la robotique et les systèmes d’AI pour l’IoT industriel (Internet des objets (IoT)).

Dans ce guide, nous allons expliquer ce que signifient réellement l’Edge AI et l’edge computing, puis examiner leurs principales différences. Nous verrons ensuite comment leur combinaison permet une AI en temps réel sans dépendre du cloud. Enfin, nous examinerons des applications concrètes, notamment dans le domaine de la vision par ordinateur, et évaluerons les avantages et les inconvénients du déploiement de l’AI à la périphérie.

Edge AI ou AI dans le cloud : quelle différence ?#

L’Edge AI désigne le déploiement de modèles d’intelligence artificielle directement sur des systèmes embarqués tels que des caméras, des capteurs, des smartphones ou du matériel intégré, plutôt que de dépendre de serveurs distants ou du cloud computing. Cette approche permet aux appareils de traiter les données localement et de prendre des décisions sur-le-champ.

Au lieu d’envoyer constamment les données vers le cloud et de les en récupérer, les modèles d’Edge AI peuvent effectuer en temps réel des tâches comme la reconnaissance d’images, le traitement de la parole et la maintenance prédictive. Cette capacité est rendue possible par les progrès des puces d’AI pour l’edge computing, qui permettent désormais à des modèles puissants de fonctionner efficacement sur des appareils compacts.

Fig. 1. Comparaison du traitement de l’AI dans le cloud avec l’Edge AI, montrant une latence réduite et une confidentialité améliorée à la périphérie.

Dans le contexte de la vision par ordinateur, l’Edge AI peut aider des appareils comme les caméras dotées d’AI à détecter des objets, reconnaître des visages et surveiller leur environnement instantanément. Des modèles comme Ultralytics YOLO11 peuvent traiter rapidement les données et fournir des informations en temps réel, tout en s’exécutant directement sur des appareils edge.

En déplaçant les inférences d’AI (le processus d’exécution d’un modèle d’AI entraîné pour générer des prédictions ou des informations) vers la périphérie, les systèmes peuvent réduire au minimum leur dépendance au cloud, améliorer la confidentialité de l’AI sur les appareils edge et offrir des performances en temps réel pour les applications où la vitesse et la sécurité des données sont essentielles.

En quoi l’edge computing diffère-t-il de l’Edge AI ?#

Bien qu’ils semblent similaires, l’Edge AI et l’edge computing jouent des rôles distincts. L’edge computing est un concept plus large qui consiste à traiter les données à leur source ou à proximité de celle-ci, par exemple sur des serveurs edge (de petits pôles informatiques placés près des appareils pour gérer le traitement des données), des passerelles ou des appareils.

L’edge computing vise à réduire la quantité de données envoyées aux serveurs centralisés en gérant les tâches localement. Il prend en charge tout un éventail d’opérations, du filtrage et de l’analyse des données à l’exécution d’applications complexes en dehors des centres de données traditionnels.

L’Edge AI, quant à elle, désigne spécifiquement les modèles d’AI exécutés sur des appareils edge. En bref, l’Edge AI apporte l’intelligence à la périphérie. Ensemble, ces technologies fournissent un calcul d’AI à faible latence pour les secteurs qui dépendent de la vitesse et de l’efficacité.

Par exemple, une caméra industrielle peut utiliser le traitement edge pour diffuser des vidéos, tout en s’appuyant sur l’Edge AI pour analyser les séquences, détecter les anomalies et déclencher des alertes.

Edge AI et edge computing au service de l’intelligence en temps réel#

La combinaison de l’Edge AI et de l’edge computing est essentielle pour exploiter l’AI en temps réel dans tous les secteurs. Au lieu de dépendre de serveurs distants, les appareils peuvent analyser les données instantanément, prendre des décisions plus rapidement et fonctionner de manière fiable, même dans des environnements où la connectivité est limitée.

Cette capacité change la donne pour des applications comme les voitures autonomes, la robotique et les systèmes de surveillance, où quelques secondes peuvent faire toute la différence. Grâce à l’Edge AI, les systèmes peuvent réagir immédiatement aux changements de situation, améliorant ainsi la sécurité, les performances et l’expérience utilisateur.

Pour les tâches de vision par ordinateur, des modèles comme Ultralytics YOLO11 peuvent détecter des objets, classifier des images et suivre des mouvements en temps réel. En s’exécutant localement, ces modèles évitent les délais liés aux communications avec le cloud et permettent de prendre des décisions exactement au moment voulu.

Fig. 2. L’edge computing traite les données à proximité des appareils IoT, permettant des analyses en temps réel.

En outre, l’Edge AI prend en charge une AI axée sur la confidentialité. Les données sensibles, comme les flux vidéo ou les informations biométriques, peuvent rester sur l’appareil, ce qui réduit les risques d’exposition et contribue au respect des réglementations relatives à la confidentialité.

Elle peut également permettre des modèles d’AI économes en énergie pour l’edge computing, car le traitement local réduit l’utilisation de la bande passante et les communications avec le cloud, diminuant ainsi la consommation électrique — un point essentiel pour les appareils IoT.

Ensemble, l’Edge AI et l’edge computing constituent le socle d’appareils IoT dotés d’AI, capables d’effectuer un traitement d’AI à faible latence qui répond aux exigences du monde réel.

Applications concrètes de l’Edge AI et de l’edge computing#

L’Edge AI et l’edge computing peuvent aider de nombreux secteurs en permettant l’utilisation de l’AI à la périphérie. Examinons quelques-uns des cas d’usage les plus marquants de la vision par ordinateur, dans lesquels ces technologies permettent de prendre des décisions en temps réel :

• Surveillance intelligente avec l’Edge AI : les caméras dotées d’AI peuvent surveiller leur environnement et détecter les activités suspectes. En analysant les séquences sur site, ces systèmes réduisent leur dépendance au traitement dans le cloud et améliorent les temps de réponse.
• Edge AI dans l’automobile et les voitures autonomes : les véhicules peuvent utiliser l’Edge AI pour traiter instantanément les données provenant des caméras, du lidar et des capteurs. Cela permet d’effectuer des tâches essentielles comme la détection des obstacles, le maintien dans la voie et la reconnaissance des piétons, sans dépendre de serveurs cloud.
• AI embarquée pour la robotique et l’automatisation industrielle : les modèles d’AI embarqués, intégrés à du matériel spécialisé comme des robots ou des capteurs, peuvent aider les robots à analyser des images, détecter des défauts et s’adapter aux changements sur la ligne de production. L’exécution locale améliore la précision et permet des ajustements plus rapides dans des environnements dynamiques.
• Edge AI dans l’industrie manufacturière : les usines intelligentes peuvent utiliser l’Edge AI pour inspecter les produits, surveiller les équipements et améliorer le contrôle qualité. En traitant les données visuelles sur site, ces systèmes préviennent les défauts et réduisent les temps d’arrêt.
• Edge AI dans les villes intelligentes et la gestion du trafic : de l’analyse du trafic en temps réel à la détection des piétons, l’Edge AI permet de planifier les villes intelligentes et de rendre les rues plus sûres en conservant le traitement localement.
• Santé et dispositifs médicaux : les appareils d’imagerie portables peuvent utiliser l’Edge AI pour analyser instantanément les examens. Cette approche accélère le diagnostic tout en gardant les données de santé sensibles en sécurité sur l’appareil.
• Agriculture et surveillance environnementale : les drones dotés d’Edge AI et les capteurs IoT peuvent évaluer la santé des cultures, surveiller les conditions environnementales et optimiser les ressources, le tout en temps réel.

Fig. 3. Un drone équipé d’Ultralytics YOLO11 peut détecter des véhicules et des équipements sur site.

Dans tous ces exemples, les modèles de vision par ordinateur comme Ultralytics YOLO11, déployés sur des appareils edge, peuvent fournir des informations d’AI en temps réel et permettre aux systèmes de prendre des décisions exactement au moment où elles sont nécessaires.

Avantages et inconvénients de l’Edge AI et de l’edge computing#

Bien que l’Edge AI et l’edge computing offrent des avantages considérables, il est important de tenir compte à la fois des atouts et des limites du déploiement de l’AI à la périphérie.

Les principaux avantages sont les suivants :

• Prise de décision plus rapide : l’Edge AI peut réduire la latence en traitant les données localement, permettant des réponses instantanées dans des applications critiques comme les véhicules autonomes et l’automatisation industrielle.

• Confidentialité et sécurité des données améliorées : l’Edge AI peut réduire les risques d’exposition en conservant les données sur l’appareil, ce qui la rend idéale pour les applications nécessitant un traitement axé sur la confidentialité.

• Besoins réduits en bande passante : l’Edge AI peut réduire les transferts de données vers le cloud, ce qui contribue à diminuer les coûts opérationnels et à améliorer l’efficacité.

• Efficacité énergétique : l’exécution locale des modèles favorise des opérations d’AI économes en énergie, notamment pour les appareils edge basse consommation dans les environnements IoT.

Cependant, certains défis subsistent :

• Limites matérielles : les appareils edge disposent souvent d’une puissance de calcul et d’un espace de stockage limités, ce qui peut restreindre la complexité des modèles d’AI qu’ils peuvent exécuter.
• Défis liés à l’optimisation des modèles : les modèles d’AI doivent être soigneusement optimisés afin d’équilibrer les performances et l’utilisation des ressources à la périphérie.
• Maintenance et mises à jour : la gestion des mises à jour sur des appareils edge distribués peut être complexe, en particulier dans les déploiements de grande envergure.
• Coûts initiaux plus élevés : la mise en place d’une infrastructure edge et de matériel spécialisé peut nécessiter un investissement initial important, même si elle permet de réduire les coûts du cloud au fil du temps.

Globalement, l’Edge AI et l’edge computing offrent des solutions puissantes aux secteurs qui souhaitent mettre en place des appareils dotés d’AI, fonctionnant plus rapidement, de manière plus sécurisée et avec une meilleure efficacité.

Points clés à retenir#

L’Edge AI et l’edge computing transforment la manière dont les secteurs abordent l’intelligence en temps réel. En traitant les données localement, ces technologies peuvent permettre une prise de décision plus rapide et plus intelligente, notamment dans les applications de vision par ordinateur.

De l’AI pour l’IoT industriel à la surveillance intelligente avec l’Edge AI, la combinaison du calcul local et de modèles intelligents comme Ultralytics YOLO11 peut alimenter des applications qui dépendent de la vitesse, de la confidentialité et de la fiabilité.

À mesure que l’Edge AI évolue, les secteurs bénéficient d’un calcul d’AI à faible latence qui s’adapte facilement, améliore l’efficacité opérationnelle et jette les bases de l’avenir de l’AI à la périphérie.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l’AI. Prêt à commencer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l’AI dans l’automobile et la Vision AI dans le secteur de la santé en consultant nos pages de solutions !