[EDITION ABONNES] Créée en 2018 et connue d’abord sous le nom de ONE Tech (lire notre article ici), la société texane MicroAI annonce l’intégration de sa technologie MicroAI AtomML aux microcontrôleurs à cœur Arm Cortex-M de la famille RA de Renesas. ...La collaboration des deux entreprises vise à apporter l’apprentissage automatique (ML) au monde des microcontrôleurs et à offrir la possibilité d’entraîner les modèles ML directement dans l’environnement embarqué (et non dans le cloud comme c’est généralement le cas).

On se souviendra qu’à l’instar d’autres entreprises comme Cartesiam (récemment racheté par STMicroelectronics) ou Qeexo, MicroAI est lancé dans la course visant à apporter des capacités d’intelligence artificielle (IA) à des microcontrôleurs standard dans le cadre de la mouvance TinyML (Tiny Machine Learning).

Selon la société américaine, les propriétaires d'actifs et les fabricants de systèmes et équipements industriels, professionnels ou grand public sont désormais en mesure d'intégrer rapidement dans leurs machines l’approche Edge AI (IA en périphérie de réseau) en utilisant les microcontrôleurs dotés de la technologie MicroAI. Une approche qui permet d'une part d’apporter l'intelligence au plus près des sources des données, réduction des coûts de connectivité et d'exploitation à la clé, et d'autre part de diminuer les temps d'arrêt inattendus associés aux problèmes de maintenance et aux cyberattaques, précise MicroAI.

Micro AI AtomML est décrit par son concepteur comme un moteur d'apprentissage auto-correcteur et semi-supervisé qui agrège les données des capteurs internes d’un appareil, pour créer de manière optimale un profil comportemental de l'actif, de manière à détecter un comportement anormal et de réagir en conséquence. Avec cette capacité à effectuer l’apprentissage en local, des flux massifs de données peuvent être récupérés et analysés sans qu’elles aient à être transférées via des protocoles de communication réseau ou stockées dans le cloud. Ce qui, assure MicroAI, réduit considérablement le coût associé à la transmission de données, tout en réduisant, voire éliminant, le coût de stockage et de traitement des données brutes, puisque seules les informations importantes et réellement exploitables sont envoyées vers le cloud.

« Partout dans le monde, des entreprises veulent disposer d’informations prédictives sur la façon dont leurs actifs fonctionnent, se comportent et sont utilisés afin d’augmenter la productivité des équipements déployés, indique Yasser Khan, CEO de MicroAI. En travaillant avec Renesas, MicroAI fournit cette capacité et apporte l'apprentissage automatique sur les microcontrôleurs, avec la possibilité d’entraîner des modèles directement dans l'environnement embarqué. » La capacité à effectuer l’apprentissage sur le microcontrôleur lui-même permet une adaptation aux conditions environnementales qui peuvent différer d’un lieu à l’autre, une fois l’actif sur le terrain. Ce qui n’est pas le cas lorsque les modèles IA sont entraînés dans le cloud puis « poussés » vers la périphérie de réseau, précise encore MicroAI.

A noter que la jeune société américaine entretient également des relations avec d’autres fournisseurs de microcontrôleurs à cœur Arm Cortex-M à l’instar de Silicon Labs.

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

Vous pouvez aussi suivre nos actualités sur la vitrine LinkedIN de L'Embarqué consacrée aux microcontrôleurs : Embedded-MCU