Edge AI

L'Edge AI désigne le déploiement d'algorithmes et de modèles d'intelligence artificielle (AI) directement sur des dispositifs matériels locaux — tels que les smartphones, les capteurs IoT, les drones et les véhicules connectés — plutôt que de s'appuyer sur des centres de cloud computing centralisés. Cette approche décentralisée permet de traiter les données à la source de leur création, réduisant considérablement la latence liée à l'envoi et à la réception d'informations vers des serveurs distants. En exécutant des tâches de machine learning (ML) localement, tes appareils peuvent prendre des décisions instantanées, fonctionner de manière fiable sans connexion Internet et renforcer la confidentialité des données en conservant les informations sensibles directement sur l'appareil.

Comment fonctionne l'Edge AI#

Le cœur de l'Edge AI consiste à exécuter un moteur d'inférence sur un système embarqué. Les appareils de périphérie disposant généralement d'une autonomie de batterie et d'une puissance de calcul limitées par rapport aux serveurs cloud, les modèles d'AI doivent se montrer hautement efficaces. Tu emploies souvent des techniques telles que la quantification de modèle ou l'élagage de modèle pour compresser de grands réseaux de neurones sans sacrifier de manière significative la précision.

Des accélérateurs matériels spécialisés sont fréquemment utilisés pour gérer efficacement ces charges de travail. On trouve par exemple la plateforme NVIDIA Jetson pour la robotique et le Google Coral Edge TPU pour l'inférence à faible consommation. Les frameworks logiciels jouent également un rôle essentiel ; des outils tels que TensorRT et TFLite optimisent les modèles spécifiquement pour ces environnements contraints, garantissant une inférence en temps réel rapide.

Edge AI vs Edge Computing#

Bien que ces termes soient souvent utilisés de manière interchangeable, il est utile de les distinguer :

• Edge Computing : Cela décrit l'infrastructure physique et la topologie réseau plus larges où le traitement des données se produit à proximité de la source des données. C'est le « où » de l'équation.
• Edge AI : Cela fait spécifiquement référence aux applications intelligentes s'exécutant sur cette infrastructure. C'est le « quoi ». Par exemple, une caméra de sécurité agit comme un appareil de edge computing, mais lorsqu'elle utilise la computer vision (CV) pour reconnaître une personne spécifique, elle réalise de l'Edge AI.

Applications concrètes#

L'Edge AI transforme les industries en permettant une prise de décision autonome dans des scénarios critiques :

• Véhicules autonomes : Les voitures autonomes génèrent des téraoctets de données par jour. Elles ne peuvent pas compter sur le cloud pour identifier des piétons ou des obstacles en raison de la latence du signal. À la place, elles utilisent l'Edge AI embarqué pour une détection d'objets instantanée afin de garantir la sécurité des passagers.
• Industrie intelligente : Dans l'Internet des objets industriel (IIoT), les capteurs présents sur les lignes de production utilisent l'Edge AI pour la maintenance prédictive. En analysant localement les données de vibration et de température, le système peut détecter des anomalies et prédire une panne d'équipement en temps réel, évitant ainsi des temps d'arrêt coûteux.
• Santé : Les dispositifs médicaux portables équipés de Vision AI peuvent analyser des images médicales ou les constantes vitales de patients directement au point d'intervention, fournissant ainsi un support diagnostique immédiat dans les zones isolées dotées d'une mauvaise connectivité.

Déploiement de modèles vers l'Edge#

Déployer un modèle en périphérie implique généralement d'entraîner un modèle dans un environnement à haut pouvoir de calcul, puis de l'exporter vers un format compatible avec les appareils de périphérie, tel que ONNX ou OpenVINO. La Ultralytics Platform simplifie ce flux de travail, te permettant d'entraîner et d'exporter automatiquement des modèles pour diverses cibles de périphérie.

L'exemple suivant montre comment exporter un modèle YOLO26 léger — spécifiquement conçu pour l'efficacité — vers un format adapté au déploiement mobile et en périphérie.

from ultralytics import YOLO

# Load the YOLO26 Nano model, which is optimized for speed on edge devices
model = YOLO("yolo26n.pt")

# Export the model to TFLite format for deployment on Android or Raspberry Pi
# This creates a 'yolo26n.tflite' file ready for edge inference
model.export(format="tflite")

Les déploiements avancés en périphérie utilisent souvent des technologies de conteneurisation comme Docker pour empaqueter les applications, garantissant qu'elles s'exécutent de manière cohérente sur différentes architectures d'appareils, des unités Raspberry Pi aux passerelles industrielles.