La jeune société suédoise Embedl, fondée en 2018, basée à Göteborg et spécialiste en technologies d’inférence pour l’apprentissage automatique sur des systèmes embarqués, annonce avoir réussie une levée de fonds de 5,5 million d’euros. Une opération menée par les fonds d’investissements Fairpoint Capital, SEB Greentech VC et Spintop Ventures, avec le soutien des investisseurs existants, dont Chalmers Ventures, STOAF, ALMI Invest.

Ce financement permettra de déployer la plateforme d'optimisation des modèles d'IA d'Embedl à l'échelle mondiale en vue de mettre en oeuvre des applications d’intelligence artificielle (IA) économe en énergie, indépendante du matériel et prête pour l'edge computing dans les secteurs de l'automobile, de la robotique et de la défense.

L'entreprise prévoit aussi d’utiliser ce financement pour développer et commercialiser davantage sa plateforme utilisable en mode SaaS (Software as a Service) Embedl Hub qui a pour ambition d’aider les fabricants à déployer des modèles d'IA directement sur le matériel avec une consommation minimale de ressources.

La société s’attaque en fait aux problème du profil énergétique de l'apprentissage automatique. L'IA étant de plus en plus intégrée dans tous les domaines, de la mobilité aux infrastructures, le coût environnemental des calculs ne peut plus être ignoré, selon Embedl.

Les logiciels de la société sont conçus dans ce sens pour prendre en charge le traitement de l'IA en temps réel sur des équipements aux ressources limitées, sans dépendre d'une connectivité au cloud. Sa technologie, issue de la recherche universitaire en apprentissage automatique et en compression de modèles, est d'ores et déjà utilisée aussi bien par des start-ups que par de grandes entreprises industrielles. Et dans des domaines aussi variés que les véhicules autonomes, les drones et les machines industrielles.

Avec en arrière plan les objectifs de réduire la consommation excessive d'énergie, la lenteur de l'inférence, la forte demande de mémoire et les longs cycles de développement manuel.

Dans ce cadee, la technologie propriétaire d'Embedl permet notamment aux entreprises de transférer leurs modèles d'apprentissage profond, leurs réseaux de neurones convolutifs (CNN) et leurs modèles de transformateurs vers leurs périphériques. Avec à la clé, selon la société, une réduction de la consommation d'énergie pouvant aller jusqu'à 83 %, une réduction de la taille mémoire jusqu'à 95 %, une augmentation de la rapidité de calcul de l’inférence jusqu’à un facteur 18 et une réduction par deux des coût du matériel grâce à l’optimisation des modèles.

La plateforme logicielle d'Embedl comprend un SDK d'optimisation de modèles et une plateforme dans le cloud, intégrant des techniques telles que la recherche d'architecture neuronale (Neural Architecture Search), d’élagage (pruning) de quantification (quantization) et de distillation de savoir (knowledge distillation).

« Avoir la possibilité d'inspecter en profondeur les blocs cognitifs de modèles d'IA, d'effectuer des optimisations fondées sur le matériel, de comparer différentes couches et de déployer des modèles grâce à une abstraction matérielle transparente est une véritable révolution », estime à propos des technologies d'Embedl Shubham Shrivastava, responsable de l'apprentissage automatique chez Kodiak, société spécialisée dans la robotique.

Emanation de l’université de technologie Chalmers (située à Göteborg) avec les travaux du professeur Devdatt Dubashi, Embedl compte d’ores et déjà une équipe d’environ 25 ingénieurs.