[EDITION ABONNES] Spécialiste des outils qui facilitent l’intégration de l’intelligence artificielle (IA) dans les nœuds d’extrémité IoT, SensiML, filiale de l’américain QuickLogic, s’est associé à la société onsemi pour fournir une solution d’apprentissage automatique tout-en-un permettant le traitement autonome de données issues de capteurs et une modélisation prédictive. ...Les deux compères ont collaboré afin d’associer la suite d’outils SensiML Analytics Toolkit et le kit de développement RSL10 Sensor d’onsemi pour créer une plate-forme adaptée aux besoins des applications de détection en périphérie de réseau (edge), comme la commande et la surveillance de processus industriels.

Couplée aux capteurs et à la connectivité Bluetooth Low Energy fournis par la plate-forme RSL10 Sensor, la capacité des outils SensiML à faciliter l’intégration de fonctions IA dans une empreinte mémoire réduite permet une détection intelligente et sophistiquée en local sans qu’il soit nécessaire de recourir à une analyse de données brutes dans le cloud.

Pour rappel, le kit RSL10 Sensor d’onsemi associe le boîtier-système SiP RSL10 compatible Bluetooth 5 et particulièrement sobre en énergie, annoncé en septembre 2018, à un aréopage de capteurs de mouvements et de conditions environnementales basse consommation de Bosch Sensortec.

Avec les outils SensiML, les développeurs peuvent donc mettre aisément en œuvre sur la plate-forme RSL10 Sensor des algorithmes IA prédictifs s’exécutant en local avec une faible latence pour des applications diverses et variées (dispositifs électroniques portés sur soi, robotique, contrôle de processus, maintenance prédictive…). Et ce quelles que soient leurs compétences dans les domaine de l’IA et de la science des données, assure SensiML.

Le code généré automatiquement permet de créer des nœuds de détection intelligents qui transforment les données brutes issues des capteurs en informations critiques, à l'endroit même où elles sont générées, et qui peuvent prendre les mesures appropriées en temps réel. En outre, le trafic réseau s’en trouve drastiquement diminué puisque seules les données les plus utiles sont transférées vers un smartphone, une tablette ou le cloud. Sachant que l’analyse dans le nuage s’avère souvent trop lente, trop éloignée et trop peu fiable pour les processus industriels les plus complexes et les plus dynamiques.

« Les solutions d’apprentissage automatique AutoML pour la périphérie de réseau s'appuient généralement sur des modèles rudimentaires de classification à base de réseaux de neurones, qui produisent un code sous-optimal pour une application donnée, précise Chris Rogers, le CEO de SensiML. Notre outil de recherche de modèles AutoML, quant à lui, comprend non seulement des réseaux de neurones, mais aussi un éventail d'algorithmes classiques d'apprentissage automatique, ainsi que des segmenteurs, des extracteurs de caractéristiques et des transformées de conditionnement de signal numérique, afin de proposer le modèle le plus compact pour répondre aux besoins de l’application. »

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