L'embarqué > Logiciel > Développement > Grâce à Cartesiam, chacun peut développer ses propres bibliothèques de "machine learning" sur microcontrôleur

Grâce à Cartesiam, chacun peut développer ses propres bibliothèques de "machine learning" sur microcontrôleur

Publié le 27 février 2020 à 11:24 par François Gauthier        Développement Cartesiam

Cartesiam NanoEdgeAI

[EMBEDDED WORLD] « Nous proposons un environnement de développement qui permet de rendre les objets conscients de leur état (c'est-à-dire capables de s’auto-diagnostiquer), grâce à une intelligence artificielle (IA) frugale et auto-apprenante ». C’est ainsi que la jeune société française Cartesiam, fondée en 2016, décrit ce qu’elle estime être le premier outil ciblant les développeurs de systèmes embarqués qui veulent intégrer des algorithmes d’apprentissage automatique (machine learning) dans leurs produits.

NanoEdge AI Studio, le nom de l'environnement proposé par cette jeune pousse spécialisée dans l’intelligence artificielle embarquée, a pour objectif de faciliter le travail d’intégration de capacités de machine learning (ML) dans des objets connectés (machines industrielles, automobiles, appareils électroménagers, dispositifs IoT, etc.) sans avoir recours à des ressources matérielles spécialisées ou à une expertise pointue en science de la donnée (Data Science).

Grâce à cette technologie, les entreprises peuvent par elles-mêmes doter leurs produits de fonctions d'apprentissage automatique, directement implantées sur un microcontrôleur, et plus spécifiquement sur ceux fondés sur un cœur Arm Cortex-M. En d’autres termes, Cartesiam fournit un véritable studio d’IA intégré qui fonctionne en local (sans connexion à un serveur donc) et sur le poste d’un développeur (sous Windows ou Linux).

La solution permet de développer une bibliothèque ML spécifique à chaque objet, directement intégrable dans le programme principal d’un microcontrôleur. Lui conférant de ce fait des capacités d’apprentissage et d’inférence non supervisés. Après avoir sélectionné le type de signal utilisé (vibrations, courant électrique, champ magnétique, etc.), le type de microcontrôleur (Cortex-M0 à Cortex-M7) et le maximum d’espace mémoire alloué pour la fonction ML, NanoEdge AI Studio va automatiquement tester, optimiser et calculer la meilleure combinaison algorithmique parmi quelque cinq cents millions de combinaisons possibles. Une fois cette première étape réalisée, la solution délivre alors une bibliothèque intégrable dans le code tournant sur n’importe quel microcontrôleur.

Les objets dotés des bibliothèques NanoEdge AI peuvent alors apprendre les données directement en provenance du ou des capteurs mis en œuvre, comprendre localement ces données grâce au moteur ML intégré dans le code, analyser en permanence les données en détectant la différence entre le savoir préalablement constitué et l’existant, et finalement prédire en projetant l’existant pour déterminer le futur.

Destiné aux entreprises qui ne disposent pas de ressources expertes en apprentissage automatique ou qui souhaitent apporter à leurs spécialistes de la donnée (Data Scientists) un outil complémentaire aux environnements de développement IA traditionnels  (TensorFlow, Keras, Caffe, etc..), l’outil permet ainsi de répondre avant tout aux problématiques d’IA embarquée. Il pourra par exemple convenir à un climatiseur capable de détecter seul et automatiquement que son filtre est obstrué et doit être changé, ou à un escalator capable d’apprendre localement un comportement de fonctionnement normal et d’alerter en cas de dérive sans avoir besoin d’apprentissage préalable. Dans le domaine automobile, où les microcontrôleurs se comptent par centaines dans chaque véhicule, NanoEdge AI Studio pourrait permettre à terme de déporter directement dans chaque composant du véhicule des capacités d’apprentissage et d’analyse plutôt que de s’appuyer sur un calculateur central. En matière de sécurité, l’apprentissage d’un état initial en local pourrait aussi permettre de prévenir contre des risques de falsification ou d'intrusion.

« Le champ des possibles est immense, à la mesure de la taille du parc actuel de machines intégrant des microcontrôleurs, commente Joël Rubino, CEO et cofondateur de Cartesiam. La créativité et l’innovation des utilisateurs sont les seules limites aux développements de solutions innovantes potentielles reposant sur NanoEdge AI Studio. »

Depuis sa création, Cartesiam a su rassembler une équipe de mathématiciens qui a réécrit un certain nombre d’algorithmes d’apprentissage automatique en les adaptant aux contraintes des microcontrôleurs (taille mémoire, vitesse d’éxécution…). Cœur de l’innovation de la société, la start-up a également développé un algorithme de recherche de la meilleure combinaison optimisée de ces bibliothèques vis-à-vis d’un cas précis.

La société a su aussi capitaliser sur des retours d’expérience de terrain, avec des objets industriels opérationnels, en particulier l’assistant de maintenance Bob développé en collaboration avec Eolane, société de services industriels en électronique et solutions connectées. Cette solution, qui intègre les technologies de Cartesiam, assure la maintenance prédictive en milieu industriel de tout type d’équipements sensibles grâce à la mesure des vibrations des machines. Concrètement, dans l’atelier ou l’usine, l’assistant est en permanence à l’écoute des machines présentes et s'avère capable d’alerter par anticipation les services de maintenance, via l’analyse de tout comportement anormal, avant même qu’un problème n’impacte la ligne de production.

D’autres industriels sont d’ores et déjà intéressés par l’approche de Cartesiam comme Lacroix Elecronics, Schneider Electric, STMicroelectronics… « L'innovation est au cœur de la stratégie de Schneider Electric qui souhaite accélérer la transformation "digitale" dans un monde toujours plus électrique, et l'intégration de l'intelligence artificielle dans nos équipements, directement là où un signal devient une donnée, nous permet d'assurer une meilleure connaissance du fonctionnement de nos équipements tout au long de leur durée de vie et donc de fournir une meilleure qualité de service aux utilisateurs, explique Venanzio Ferraro, Senior Principal Architect, Schneider Electric. Nous avons utilisé les bibliothèques de machine learning développées par Cartesiam et avons pu anticiper, grâce à cette IA embarquée, des comportements jusque-là difficiles à détecter. »

« Les microcontrôleurs STM32 sont capables d’exécuter des techniques d’apprentissage automatique à différents niveaux, par exemple la détection d’un simple tapotement ou la surveillance de vibrations à ultrabasse consommation, jusqu’à la classification simultanée d’images et de sons, explique Ricardo De Sa Earp, directeur général de la division Microcontrôleurs de STMicroelectronics. Les techniques non supervisées mises en œuvre par Cartesiam sont complémentaires à l’offre de ST car elles sont adaptées à la détection d’anomalies. Dans ce type d’applications, les utilisateurs surveillent des événements qui sont difficilement prévisibles ou n’ont pas encore été observés, ce qui rend la solution adaptée à de réels cas d’usage. »

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée à l’intelligence artificielle dans l’embarqué : Embedded-IA

 

Sur le même sujet