IIoT : l’IA frugale façon Cartesiam fait des émules

Cartesiam lance la V2 dans son logiciel NanoEdge AI Studio. La startup française veut prouver aux industriels qu’il n’y a pas besoin d’un supercalculateur pour inférer des modèles de machine learning dédiés à l’industrie. En moins de dix mois, cette approche IIoT a déjà fait des émules chez plusieurs groupes français.

Après trois ans de R&D, Cartesiam a dévoilé en février 2020 NanoEdge AI Studio, un logiciel qui abstrait le traitement de signal et l’entraînement d’algorithmes déployés sur des microcontrôleurs.

La startup basée à Toulon, présente en Allemagne et aux États-Unis, a séduit l’industrie du développement embarqué. ARM, Microchip, STMicroelectronics sont tous trois partenaires de Cartesiam.

Microsoft for Startups et Analogs Devices lui portent également leur soutien. Le cabinet Gartner a repéré Cartesiam en 2019 et la fait figurer depuis dans plusieurs de ses Hype Cycles dont ceux consacrés aux semiconducteurs et aux logiciels embarqués.

Mais obtenir l’aval de ses paires ne suffit pas, selon Joël Rubino, CEO et cofondateur de Cartesiam. « En neuf mois, nous avons prouvé que notre modèle est à l’épreuve de la COVID : nous sommes “COVID Proof”, comme disent les Américains », s’amuse-t-il.

Petits algorithmes, grosses ambitions

La startup revendique désormais une quinzaine de clients dont Schneider Electric, Cegelec, Veolia, EDF, Crouzet, Actility, Altyor, LaCroix Electronics ou encore Naval Group.

« Il y a différents niveaux de maturité, mais la plupart de nos clients ont dépassé la phase du POC », assure Joël Robino. « Par exemple, avec notre solution, Altyor a développé un capteur qui détecte des fuites sur des canalisations. Naval Group, notre premier client, avance un projet de maintenance prédictive ».

Cette rapidité de développement, le CEO l’explique par la simplicité de sa solution « pousse bouton ». Pour rappel, NanoEdge AI Studio est un moteur de recherche couplé à des librairies algorithmiques conçues par la startup. Depuis le logiciel disponible sur Windows ou Linux Ubuntu, il suffit de créer un projet, le nommer, sélectionner le microcontrôleur sur lequel le modèle, automatiquement engendré en Embedded C, va s’exécuter, puis la quantité de mémoire vive allouée.

Après avoir choisi le type de capteur associé (accéléromètre, tensiomètre, thermomètre, etc.), il convient de pousser des signaux en entrée, des valeurs nominales et des anomalies. Puis, l’entraînement et l’optimisation démarrent d’un simple clic. Après une phase d’émulation, il est possible de déployer le modèle généré sur un microcontrôleur ARM Cortex-M. L’IDE s’adresse en premier lieu aux développeurs embarqués, moins aux data scientists. D’ailleurs, ils devront légèrement configurer leurs équipements et leur code pour profiter des avantages de cette solution.

NanoEdge AI Studio V2 ajoute des algorithmes de classification

interface NanoEdge AI Studio.
L'interface pour générer un algorithme de classification avec NanoEdge AI Studio.

À son lancement, NanoEdge AI Studio permettait avant tout d’entraîner sur un ordinateur, puis sur un microcontrôleur, des algorithmes de détection. La V2 de l’outil, annoncée le premier décembre, ajoute une librairie statique pour créer des algorithmes de classification.

Les développeurs choisissent des classes qui s’appliquent à des signaux en entrée et le moteur de recherche se charge de trouver le type de modèle et les hyperparamètres adéquats. La classification permettrait d’apporter une explication aux détections précédemment effectuées, et cela à un coût en ressources et en temps minime, selon la startup.
Il ne faudrait que 20 millisecondes pour inférer un modèle dans un ARM Cortex M4 cadencé à 84 MHz, à l’aide d’une technique d’iterative learning (apprentissage itératif). Un projet utilise entre 1 et 20 kb de mémoire vive et pèse moins de 200 kb de stockage flash.

« Nous facilitons la détection d’anomalies et l’explication de leur cause. »
Joël RubinoCEO et cofondateur, Cartesiam

« Nous facilitons la détection d’anomalies et l’explication de leur cause », se réjouit Joël Rubino. « Un TensorFlow réclamerait de faire appel à un data scientist et le modèle obtenu consommerait sans doute 50 fois plus ».

Il est possible de combiner les librairies de détection et de classification, de les exécuter sur la même puce. « Un acteur comme Schneider Electric maîtrise bien les types de panne que peuvent subir ses produits. Avec notre solution, ils ont associé les deux librairies algorithmiques. La première lève l’alarme, peu importe l’erreur, la seconde la catégorise suivant les classes indiquées en entrée. Si une anomalie est inconnue au bataillon, les développeurs l’intègrent dans le cycle d’apprentissage », illustre François de Rochebouët, CTO et cofondateur de Cartesiam.

Des jeux de données pour favoriser les tests

La startup en profite également pour lancer Data.cartesiam.ai, une plateforme Web. « Il y a quelques clients qui n’ont pas forcément accès à des données pertinentes pour tester notre logiciel. Nous mettons à leur disposition un portail comprenant plusieurs jeux de données gratuits adaptés à différents cas d’usage : calcul du taux d’occupation d’une salle, détection de l’encrassement de ventilateurs, détection de son, détection d’erreur sur un système à air comprimé d’un camion, etc. », indique Joël Rubino.

« Nous nous sommes rendu compte en neuf mois qu’il y avait une variété de possibilités, qui va du grille-pain au sous-marin nucléaire. Nous ne pouvons pas anticiper tous les usages, mais nous essayons de répondre à la majorité des demandes », déclare François de Rochebouët.

Il n’y a pas non plus besoin de gros ensemble de données pour propulser les algorithmes avec NanoEdge AI Studio. Dans sa documentation, la startup recommande de recourir à des tables comprenant entre 100 et 1 000  lignes d’inputs.

Un partenariat entre Cartesiam et Bosch

Enfin, Cartesiam annonce un partenariat avec l’équipementier allemand Bosch qui combine NanoEdge AI Studio avec son kit de développement IoT pour capteur multifonction, XDK.

« Avec sa gamme de huit capteurs, la plateforme XDK permet aux concepteurs de surveiller, de contrôler et d’analyser les processus à distance via Bluetooth ou Wi-Fi, ce qui permet à nos clients de créer rapidement des machines connectées plus intelligentes », vante Ando Feyh, responsable technique de Bosch Connected Devices and Solutions GmbH dans un communiqué de presse.

« NanoEdge AI Studio V2 augmente les fonctionnalités uniques du XDK, en offrant la possibilité de traiter les données pour la détection et la classification des anomalies sur un ou plusieurs capteurs. Compte tenu de cela, nous prévoyons d’utiliser la plateforme de Cartesiam dans un large éventail de projets internes et externes, et nous travaillons en étroite collaboration avec Cartesiam sur une intégration de NanoEdge AI Studio avec notre XDK ».

« Nous ne cherchons pas à exploiter les données de nos clients, comme le font les GAFAM. »
Joël RubinoCartesiam

« C’est un kit très apprécié pour les petites séries : cela revient souvent plus cher de concevoir un objet complet que de recourir à un produit comme celui-ci », assure François de Rochebouët.

En ce sens, Cartesiam défend fermement son approche Edge computing. « Nous ne cherchons pas à exploiter les données de nos clients, comme le font les GAFAM. Nous avons développé notre produit spécifiquement pour exécuter des algorithmes sur des microcontrôleurs », vante Joël Rubino. « La Commission européenne et l’Europe réfléchissent à trouver un moyen pour que les données des industriels européens restent en Europe et ne partent pas ailleurs. Notre technologie y contribue par le fait que l’on analyse dans le edge et nous n’envoyons pas les données, mais le résultat de l’analyse ».

Pour approfondir sur Intelligence Artificielle et Data Science

Close