IA en périphérie (Edge AI)

L'IA en périphérie désigne le déploiement d' algorithmes et de modèles d'intelligence artificielle (IA) directement sur des appareils 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, ce qui réduit considérablement la latence liée à l' envoi et à la réception d'informations vers des serveurs distants. En exécutant des tâches d'apprentissage automatique (ML) localement, les appareils peuvent prendre des décisions instantanées, fonctionner de manière fiable sans connexion Internet et améliorer la confidentialité des données en conservant les informations sensibles sur l' appareil lui-même.

Comment fonctionne l'Edge AI ?

Le cœur de l'IA en périphérie consiste à exécuter un moteur d'inférence sur un système embarqué. Étant donné que les appareils en périphérie ont généralement une autonomie et une puissance de calcul limitées par rapport aux serveurs cloud, les modèles d'IA doivent être très efficaces. Les développeurs ont souvent recours à des techniques telles que la quantification ou l' élagage des modèles pour compresser les grands réseaux neuronaux sans sacrifier de manière significative la précision.

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

Edge AI vs. Edge Computing

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

• Edge Computing: Ce terme décrit l'infrastructure physique et la topologie réseau plus larges où le traitement des données se fait à proximité de la source de données. Il s'agit du « où » de l'équation.
• IA en périphérie : cela fait spécifiquement référence aux applications intelligentes fonctionnant sur cette infrastructure. C'est le « quoi ». Par exemple, une caméra de sécurité agit comme un dispositif informatique en périphérie, mais lorsqu'elle utilise la vision par ordinateur (CV) pour reconnaître une personne spécifique , elle effectue une IA en périphérie.

Applications concrètes

L'IA en périphérie transforme les industries en permettant la prise de décision autonome dans des scénarios critiques :

• Véhicules autonomes : les voitures autonomes génèrent quotidiennement des téraoctets de données. Elles ne peuvent pas compter sur le cloud pour identifier les piétons ou les obstacles en raison de la latence des signaux. Elles utilisent plutôt l'IA embarquée pour la détection instantanée des objets afin d'assurer la sécurité des passagers.
• Fabrication intelligente : dans l' Internet des objets industriel (IIoT), les capteurs installés dans les usines utilisent l'IA en périphérie pour la maintenance prédictive. En analysant localement les données relatives aux vibrations et à la température, le système peut detect et prédire les pannes d'équipement en temps réel, évitant ainsi des temps d'arrêt coûteux.
• Santé : les appareils médicaux portables équipés de la technologie VisionAI peuvent analyser des images médicales ou les signes vitaux des patients directement sur le lieu de soins, fournissant ainsi une aide au diagnostic immédiate dans les zones reculées où la connectivité est mauvaise.

Déploiement de modèles en périphérie

Le déploiement d'un modèle à la périphérie implique généralement de former un modèle dans un environnement à forte puissance de calcul, puis de l'exporter vers un format compatible avec les périphériques périphériques, tel que ONNX ou OpenVINO. Ultralytics simplifie ce flux de travail, permettant aux utilisateurs de former et d'exporter automatiquement des modèles pour diverses cibles périphériques.

L'exemple suivant montre comment exporter un modèle YOLO26 léger spécialement conçu pour être efficace 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 telles que Docker pour regrouper les applications, garantissant ainsi leur fonctionnement cohérent sur différentes architectures d'appareils, des unités Raspberry Pi aux passerelles industrielles.