Qu'est-ce que l'IA en périphérie ?

Comment fonctionne l'IA de pointe

Jusqu'à récemment, la plupart des applications d'IA, telles que les systèmes experts ou les algorithmes de détection des fraudes, étaient développées à l'aide de techniques d'IA symbolique qui y intégraient des règles codées en dur. Dans certains cas, des techniques d'IA non symbolique, par exemple les réseaux neuronaux, ont été conçues pour des applications telles que la reconnaissance optique de caractères pour les numéros de chèques ou les textes dactylographiés.

Au fil du temps, les chercheurs ont découvert des moyens de mettre à l'échelle des réseaux neuronaux profonds dans le cloud afin de former des modèles d'IA et de générer des réponses basées sur les données d'entrée. L'IA en périphérie étend le développement et le déploiement de l'IA en dehors du cloud.

L'IA en périphérie est généralement utilisée pour l'inférence, tandis que l'IA dans le cloud forme de nouveaux algorithmes. Les algorithmes d'inférence nécessitent moins de capacités de traitement et d'énergie que les algorithmes d'apprentissage. Par conséquent, les algorithmes d'inférence bien conçus sont parfois exécutés sur des unités centrales existantes ou même sur des microcontrôleurs moins performants dans des appareils en périphérie. Dans d'autres cas, des puces IA hautement efficaces améliorent les performances d'inférence, réduisent la consommation d'énergie, voire les deux.

Avantages de l'IA en périphérie

L'IA en périphérie présente plusieurs avantages par rapport à l'IA dans le cloud, notamment les suivants :

• Latence réduite et vitesses plus élevées. L'inférence est effectuée localement, ce qui élimine les retards de communication avec le cloud et l'attente de la réponse.
• Réduction des besoins en bande passante et des coûts. L'IA en périphérie réduit la bande passante et les coûts associés à la transmission de données vocales, vidéo et de capteurs haute fidélité sur les réseaux cellulaires.
• Sécurité accrue des données. Les données sont traitées localement, ce qui réduit le risque que des données sensibles soient stockées dans le cloud ou interceptées pendant leur transfert.
• Fiabilité améliorée. L'IA peut continuer à fonctionner même en cas de panne du réseau ou du service cloud. Cela est essentiel pour les applications telles que les technologies autonomes, en particulier les voitures autonomes et les robots industriels.
• Réduction de la consommation d'énergie. De nombreuses tâches d'IA peuvent être effectuées avec moins d'énergie sur l'appareil que celle nécessaire pour envoyer les données vers le cloud, ce qui prolonge la durée de vie de la batterie.

Cas d'utilisation et exemples d'IA en périphérie

Les cas d'utilisation courants de l'IA en périphérie comprennent la reconnaissance vocale, la détection des empreintes digitales, l'identification faciale, la détection des fraudes et les systèmes de conduite autonome. L'IA en périphérie combine la puissance du cloud et les avantages du fonctionnement local pour améliorer les performances des algorithmes d'IA au fil du temps.

Par exemple, un système de navigation autonome forme des algorithmes d'IA dans le cloud, mais l'inférence est exécutée dans la voiture pour contrôler la direction, l'accélération et les freins. Les scientifiques des données développent de meilleurs algorithmes de conduite autonome dans le cloud et transmettent ces modèles au véhicule.

Dans certaines voitures, ces systèmes continuent à simuler le contrôle du véhicule même lorsqu'une personne est au volant. Le système détecte lorsque l'humain fait quelque chose que l'IA n'avait pas prévu, capture la vidéo correspondante et la télécharge dans le cloud afin d'améliorer l'algorithme. Les données fournies par tous les véhicules de la flotte contribuent à améliorer l'algorithme de contrôle principal, et ces améliorations sont intégrées dans la mise à jour suivante.

Voici quelques autres domaines dans lesquels l'IA en périphérie est utilisée :

• Les algorithmes de reconnaissance vocale transcrient la parole sur les appareils mobiles.
• L'IA de Google génère des images d'arrière-plan réalistes pour remplacer les personnes ou les objets supprimés d'une photo.
• Les moniteurs de santé portables évaluent localement la fréquence cardiaque, la pression artérielle, le taux de glucose et la respiration à l'aide de modèles d'IA développés dans le cloud.
• Un bras robotisé apprend progressivement à mieux saisir un type de colis spécifique et partage cette information avec le cloud afin d'améliorer les performances des autres robots.
• Amazon Go est un service sans caisse formé dans le cloud qui compte automatiquement les articles placés dans le sac d'un acheteur à l'aide d'une intelligence artificielle de pointe, sans processus de paiement séparé.
• Les caméras de circulation intelligentes ajustent automatiquement la durée des feux de signalisation afin d'optimiser la circulation.

Edge AI vs. cloud AI

La distinction entre l'IA en périphérie et l'IA dans le cloud commence par la manière dont ces concepts ont évolué. Les ordinateurs centraux, les ordinateurs de bureau, les smartphones et les systèmes embarqués existaient bien avant le cloud ou la périphérie. Les applications pour tous ces appareils ont été développées lentement à l'aide de pratiques de développement en cascade. Les développeurs ont essayé d'intégrer autant de fonctionnalités et de tests que possible dans les mises à jour annuelles.

Le cloud a attiré l'attention sur les moyens d'automatiser les processus des centres de données. Cela permet aux équipes de développement d'adopter des pratiques de développement plus agiles. Certaines applications cloud de grande envergure sont désormais mises à jour plusieurs dizaines de fois par jour, ce qui facilite le développement de fonctionnalités applicatives par petits modules. L'IA en périphérie permet d'étendre ces pratiques de développement et de déploiement modulaires au-delà du cloud vers des appareils périphériques, tels que les téléphones mobiles, les appareils intelligents, les véhicules autonomes, les équipements industriels et les centres de données périphériques distants.

Il existe différents degrés. Au minimum, un appareil périphérique tel qu'une enceinte connectée peut envoyer toutes les données vocales vers le cloud. Des appareils périphériques IA plus sophistiqués, tels que les serveurs d'accès 5G, peuvent fournir des capacités IA aux appareils situés à proximité. Le groupe LF Edge de la Linux Foundation inclut les ampoules, les appareils mobiles, les serveurs sur site, les appareils d'accès 5G et les petits centres de données régionaux comme appareils périphériques.

L'IA en périphérie et l'IA dans le cloud fonctionnent ensemble grâce aux contributions de la périphérie ou du cloud dans le cadre de l'apprentissage et de l'inférence. À une extrémité, le périphérique en périphérie envoie des données brutes au cloud pour l'inférence et attend une réponse. Au milieu, l'IA en périphérie peut effectuer l'inférence localement sur le périphérique à l'aide de modèles formés dans le cloud. À l'autre extrémité, l'IA en périphérie joue un rôle plus important dans la formation des modèles d'IA.

Différence entre l'IA en périphérie et l'IA distribuée

L'IA en périphérie exécute des processus d'IA directement sur des appareils locaux situés à la périphérie du réseau, tels que les capteurs de l'Internet des objets (IoT). Cela réduit la dépendance à la connectivité cloud, ce qui se traduit par des réponses d'assistance plus rapides et une utilisation moindre de la bande passante. L'IA en périphérie est particulièrement adaptée aux environnements où la latence et l'autonomie sont essentielles.

L'IA distribuée répartit son travail sur plusieurs nœuds, généralement au sein d'infrastructures cloud. L'IA distribuée est particulièrement adaptée aux systèmes centralisés dotés d'une connectivité forte ; elle est peu performante dans les environnements à faible bande passante ou à forte latence.

La différence la plus importante entre l'IA en périphérie et l'IA distribuée réside dans le lieu où elles traitent les données. L'IA en périphérie les traite localement, ce qui permet de prendre des décisions en temps réel sans dépendre de facteurs externes. L'IA distribuée traite les données sur des systèmes interconnectés, en utilisant ces systèmes pour privilégier l'évolutivité. L'IA en périphérie est particulièrement adaptée aux applications à distance et en temps réel, telles que les véhicules autonomes et l'automatisation industrielle. L'IA distribuée est quant à elle idéale dans les scénarios nécessitant un traitement collaboratif, une évolutivité et un contrôle centralisé.

L'avenir de la technologie de pointe

L'IA en périphérie est un domaine émergent qui connaît une croissance rapide. Les appareils grand public, notamment les smartphones, les appareils portables et les appareils intelligents, constituent la majeure partie des cas d'utilisation de l'IA en périphérie. Mais l'IA en périphérie dans les entreprises devrait se développer avec l'expansion des caisses sans encaissement, des hôpitaux intelligents, des villes intelligentes, de l'industrie 4.0 et de l'automatisation de la chaîne d'approvisionnement.

Les technologies d'IA, telles que l'apprentissage profond fédéré, améliorent la confidentialité et la sécurité de l'IA en périphérie. L'IA traditionnelle transfère un sous-ensemble pertinent de données brutes vers le cloud afin d'améliorer l'apprentissage. Dans l'apprentissage fédéré, le périphérique en périphérie effectue les mises à jour de l'apprentissage de l'IA localement. Ce sont les mises à jour du modèle, plutôt que les données, qui sont transférées vers le cloud, ce qui réduit les préoccupations en matière de confidentialité.

Un autre changement significatif pourrait être l'amélioration de l'orchestration de l'IA en périphérie. La plupart des algorithmes d'IA en périphérie effectuent des inférences locales à partir des données observées par l'appareil. À l'avenir, des outils plus sophistiqués pourraient effectuer des inférences locales à partir des données provenant de capteurs adjacents à l'appareil.

Le développement et l'exploitation des modèles d'IA en sont à un stade moins avancé que les pratiques DevOps pour la création d'applications. Contrairement aux pratiques traditionnelles de développement d'applications, les scientifiques et les ingénieurs de données sont confrontés à de nombreux défis en matière de gestion des données. Ceux-ci sont complexes lorsqu'il s'agit de gérer des workflows d'IA en périphérie qui impliquent l'orchestration de processus de modélisation et de déploiement des données couvrant à la fois les appareils en périphérie et le cloud.

Au fil du temps, les outils utilisés pour ces processus devraient s'améliorer. Cela facilitera la mise à l'échelle des applications d'IA en périphérie et l'exploration de nouvelles architectures d'IA. Par exemple, les experts étudient déjà des moyens de déployer l'IA en périphérie dans des centres de données 5G plus proches des appareils mobiles et IoT. De nouveaux outils pourraient permettre aux entreprises d'explorer de nouveaux types d'entrepôts de données fédérés avec des données stockées plus près de la périphérie.

L'IA en périphérie est une technologie émergente dans le domaine de l'informatique en périphérie. Découvrez comment déployer l'IA dans des environnements informatiques en périphérie.