Edge Computing (Informatique en périphérie)

L'informatique en périphérie est une architecture informatique distribuée dans laquelle les données des clients sont traitées à la périphérie du réseau, aussi près que possible de la source d'origine. du réseau, aussi près que possible de la source d'origine. En déplaçant les tâches de traitement des données des centres de données centralisés centralisées, ce paradigme réduit considérablement la latence du réseau et la bande passante. Ce paradigme réduit considérablement la latence du réseau et l'utilisation de la bande passante. Cette approche Cette approche permet aux appareils tels que les caméras intelligentes, les capteurs et les téléphones mobiles d'effectuer des inférences en temps réel au niveau local, ce qui permet une utilisation rapide de la bande passante. d'effectuer localement des déductions en temps réel, ce qui permet de prendre rapidement des décisions sans dépendre d'un réseau continu. sans dépendre d'une connexion internet continue et à haut débit à un serveur distant.

L'importance de l'Edge Computing dans l'IA

L'intégration de modèles d'apprentissage automatique (ML) dans l'infrastructure périphérique a révolutionné la façon dont les industries traitent les données. En exécutant les algorithmes directement sur le matériel, les organisations débloquent plusieurs avantages cruciaux pour les applications vision par ordinateur (CV) et les applications IoT :

• Réduction du temps de latence : Pour les applications critiques, le temps d'aller-retour nécessaire pour envoyer des données à l'informatique en nuage et attendre une réponse est souvent inacceptable. et attendre une réponse est souvent inacceptable. L'informatique en périphérie permet des temps de réponse de l'ordre de la milliseconde, ce qui est vital pour les systèmes autonomes. temps de réponse de l'ordre de la milliseconde, ce qui est essentiel pour les systèmes autonomes.
• Efficacité de la bande passante : La diffusion en continu de vidéos haute définition à partir de milliers de caméras consomme énormément de bande passante. bande passante. L'analyse locale des flux vidéo permet aux appareils de n'envoyer que des métadonnées ou des alertes, ce qui réduit considérablement les coûts de transmission des données. coûts de transmission des données.
• Renforcement de la protection de la vie privée : Le traitement de données personnelles sensibles, telles que des images faciales ou des dossiers médicaux, directement sur l'appareil minimise le risque de violation des données lors de la transmission, ce qui favorise la conformité avec des réglementations telles que le GDPR. réglementations telles que le GDPR.
• Fiabilité opérationnelle : Les dispositifs de périphérie peuvent fonctionner de manière autonome dans des environnements éloignés où la connectivité est instable. connectivité instable, tels que les plates-formes pétrolières offshore ou les champs techniques d'agriculture de précision.

Edge Computing vs. Concepts connexes

Pour bien comprendre le paysage du traitement distribué, il est utile de distinguer l'edge computing de termes similaires. similaires :

• Edge AI: Bien qu'elle soit souvent utilisée interchangeables, l'Edge AI fait spécifiquement référence à l'exécution d'algorithmes algorithmes d'intelligence artificielle sur sur du matériel local. L'informatique de périphérie fournit l'infrastructure physique et la topologie, tandis que l'IA de périphérie décrit la charge de travail intelligente spécifique qui s'exécute sur cette infrastructure. l'Edge AI décrit la charge de travail intelligente spécifique qui s'exécute sur cette infrastructure.
• Internet des objets (IdO) : L'IdO désigne le réseau physique d'objets connectés - capteurs, logiciels et autres technologies - qui collectent et échangent des données. L'informatique périphérique est la couche de traitement qui agit sur les données générées par ces appareils IoT. dispositifs IoT.
• Informatique en nuage (Fog Computing) : Souvent décrit comme une infrastructure informatique décentralisée, l'informatique en nuage agit comme une intermédiaire entre la périphérie et le nuage. Il gère généralement l'agrégation des données et le traitement préliminaire au niveau du réseau local (LAN) avant d'envoyer les informations au nuage. au niveau du réseau local (LAN) avant d'envoyer les informations au nuage.

Applications concrètes

L'informatique de pointe est à l'origine d'un large éventail de technologies innovantes dans différents secteurs :

• Véhicules autonomes: Les voitures autonomes génèrent chaque jour des téraoctets de données provenant de LiDAR, de radars et de caméras. Elles s'appuient sur de puissants puissants ordinateurs de bord, tels que le NVIDIA Jetson, pour detect détecter les piétons, interpréter les feux de circulation et prendre des décisions de navigation à la seconde près, sans attendre les instructions du nuage. instructions du nuage.
• Fabrication intelligente: Dans le domaine de l'industrie 4.0, les usines utilisent des passerelles de périphérie. l'industrie 4.0, les usines utilisent des passerelles de périphérie pour surveiller la santé des équipements. Des algorithmes analysent les données relatives aux vibrations et à la température pour effectuer une maintenance prédictive, identifiant les défaillances des machines avant qu'elles ne se produisent afin d'optimiser les calendriers de maintenance et de réduire les temps d'arrêt.
• Commerce de détail intelligent : Les magasins utilisent détection d'objets sur des dispositifs périphériques pour gérer les stocks en temps réel et permettre des expériences de caisse sans caissier. pour gérer les stocks en temps réel et permettre des passages en caisse sans caissière, en traitant les flux vidéo dans le magasin pour suivre les mouvements des produits et analyser les résultats. track mouvement des produits et analyser le le comportement des clients.

Optimisation des modèles pour l'Edge

Le déploiement de modèles d'IA sur des appareils périphériques nécessite souvent des techniques d'optimisation pour s'assurer qu'ils fonctionnent efficacement sur du matériel de puissance et de mémoire limitées, comme le Raspberry Pi ou le Google Edge TPU. Google Edge TPU. Des techniques telles que quantification du modèle et réduisent la taille du modèle et la charge de calcul.

Un flux de travail courant consiste à former un modèle tel que YOLO11 et puis l'exporter dans un format hautement optimisé tel que ONNX ou TensorRT pour le déploiement.

L'exemple Python suivant montre comment exporter un modèle YOLO11 au format ONNX , ce qui le rend prêt à être déployé sur diverses plates-formes matérielles de périphérie ONNX sur diverses plates-formes matérielles de pointe :

from ultralytics import YOLO

# Load a lightweight YOLO11 model (Nano size is ideal for edge devices)
model = YOLO("yolo11n.pt")

# Export the model to ONNX format for broad hardware compatibility
# This generates a 'yolo11n.onnx' file optimized for inference engines
model.export(format="onnx")