[EDITION ABONNES] Le mot TinyML (pour Tiny Machine Learning, apprentissage automatique « restreint ») risque fort de se banaliser au cours de la prochaine décennie. Ce sont en effet 2,5 milliards de produits équipés d’une puce TinyML qui seront commercialisés en 2030, ...estime ABI Research, conséquence de plusieurs phénomènes concomitants comme les exigences de faible latence pour les applications d’intelligence artificielle et la disponibilité généralisée de puces IA à faible coût et particulièrement éco-efficaces.

Au sein de la mouvance TinyML, également dénommée Very Edge AI ou Embedded AI (intelligence artificielle en extrême périphérie de réseau ou intelligence artificielle enfouie), ces circuits intégrés peuvent exécuter pratiquement intégralement l’inférence IA à bord, la phase d’apprentissage continuant de s’effectuer sur des ressources externes, telles que des passerelles, des serveurs sur site ou le cloud. « Alors que les entreprises déploient l'IA pour pouvoir prendre des décisions critiques en temps réel dans des domaines comme l'inspection de la qualité, la surveillance et la gestion des alarmes, toute latence peut entraîner un arrêt ou un ralentissement des processus et causer une perte de productivité voire de graves dommages, rappelle Lian Jye Su, analyste chez ABI Research. La migration de l'IA vers la périphérie de réseau atténue les vulnérabilités et les risques potentiels associées à une connectivité peu fiable et des temps de réponse trop longs. »

Dans ce cadre, la mouvance TinyML réfléchit aux meilleures façons de mettre en œuvre des algorithmes d'apprentissage automatique dans des systèmes compacts à très faible consommation tels que ceux architecturés sur des microcontrôleurs (lire notre article ici). En s’appuyant sur des modèles IA quantifiés (sans baisse significative de la précision), les puces TinyML permettent d'effectuer de l’analyse de données sur des ressources matérielles et des logiciels traditionnellement utilisés dans des systèmes à basse consommation, généralement de l'ordre du milliwatt, à l'aide d'algorithmes, de réseaux de neurones et de modèles pesant moins de 100 Ko, précise ABI Research.

Arm et Ceva ont ainsi tous deux lancé des blocs d’IP pour processeurs aptes à réaliser de l'inférence IA à faible consommation avec des bibliothèques de logiciels, des chaînes d'outils et des modèles ad hoc. Par ailleurs plusieurs fournisseurs de semi-conducteurs commercialisent depuis l’année dernière des puces IA embarquées à l’instar de GreenWaves Technologies, Lattice Semiconductor, Rockchip, Syntiant et Xmos, précise encore la société d’études. Certains fabricants d’imageurs Cmos ont aussi compris tout le potentiel de la technologie TinyML dans le domaine de la vision industrielle. Sony et Himax ont ainsi intégré cette technologie dans leurs capteurs. « On peut donc s’attendre à voir bientôt sur le marché plusieurs puces IA intégrées dans un seul produit, voire dans un même capteur », prédit Lian Jye Su.

Plus important encore, souligne ABI Research, ce ne sont pas seulement les développements matériels qui accélèrent la démocratisation de la technologie TinyML. Un environnement open source comme TensorFlow Lite for Microcontrollers de Google et des solutions propriétaires telles que celle proposée par SensiML (QuickLogic) offrent des outils et des bibliothèques conviviaux qui permettent à un plus grand nombre de développeurs de créer des modèles IA pouvant prendre en charge des applications en extrême périphérie de réseau.

Disposer d’une puce IA efficace qui se distingue de la concurrence ne suffit donc pas, assure ABI Research. Les fabricants de circuits TinyML doivent en conséquence se focaliser sur le développement de leur écosystème de développeurs IA ou s’inscrire dans des écosystèmes existants, adopter l'open source et se concentrer sur l'articulation de leurs arguments de vente. Sans cela, ils auront du mal à passer à la vitesse supérieure sur un marché qui s’annonce très concurrentiel.

« Pour le moment, la plupart de ces solutions n’en sont encore qu’aux premiers stades de déploiement commercial dans des domaines comme les villes intelligentes et la fabrication intelligente, où elles sont principalement utilisées pour le suivi d’actifs et la détection d'anomalies, note toutefois Lian Jye Su. Bien que les capteurs TinyML puissent offrir de meilleures capacités de traitement, ils sont souvent beaucoup plus chers. Les utilisateurs finaux vont devoir aussi concevoir et mettre en œuvre des procédures et des protocoles inédits pour tirer parti de façon efficace des informations et des renseignements issus de ces capteurs. »

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