[EDITION ABONNES] Spécialiste des cœurs et des blocs d’IP pour DSP avec un focus sur les technologies de vision, de communication, de connectivité et audio, Ceva s’est engagé depuis 2016 dans une vaste stratégie visant à accélérer l’intégration des fonctions d’intelligence artificielle directement au sein des systèmes embarqués à basse consommation ...(ou dans des passerelles de bordure de réseau). Pour la société américaine, le recours à des logiciels d’intelligence artificielle dans le cloud pose en effet des problèmes de latence et de sécurité aux équipements alimentés sur piles ou batteries et exige une connexion Internet permanente et fiable.

Afin d’atteindre son objectif, Ceva vient de signer un partenariat avec Broadmann17 en vue de banaliser la vision artificielle avec apprentissage dans des applications de volume (smartphones, drones, automobiles, caméras de surveillance, etc.). Start-up israélienne créée en 2016, Broadmann17 a développé une technologie brevetée d’apprentissage profond pour la détection, la reconnaissance et la localisation d’objets qui, selon son concepteur, n’utilise que 5% des ressources (calcul, mémoire et données d’apprentissage) exigées par d’autres approches. En d’autres termes, l’architecture de deep learning de l’Israélien serait capable de générer des réseaux de neurones de plus petite taille qui s’avèrent à la fois plus rapides et plus précis que n’importe quel type de réseaux de neurones mis en œuvre aujourd’hui.

A travers leur collaboration, Ceva et Broadmann17 ont pour ambition d’améliorer d’un ordre de grandeur les performances et l’éco-efficacité de l’apprentissage profond dans les nœuds d’extrémité par rapport aux implémentations bâties sur des processeurs de traitement graphique (GPU). (On pensera ici très fort à Nvidia… lire aussi notre article Automobile : l’apprentissage automatique vient aux processeurs de vision artificielle embarqués.)

Dans le détail, les sociétés qui ont acquis une licence des plates-formes de type DSP Ceva-XM ainsi que leurs clients pourront utiliser la technologie de détection d’objets de Broadmann17 pour disposer d’une précision à l’état de l’art à une vitesse de 100 images/s. Selon Ceva, les résultats obtenus seraient de 170% meilleurs que ceux atteints avec le même logiciel s’exécutant sur le supercalculateur à intelligence artificielle Jetson TX2 de Nvidia. En termes d’images traitées par seconde, comparé à la combinaison aujourd’hui populaire de l’algorithme Faster-RCNN et du Jetson TX2, c’est une amélioration de 2 000% qui pourrait être atteinte avec l’association Ceva-Broadmann17.

« Pour maximiser réellement les performances et les capacités de l’intelligence artificielle dans les produits de masse, il ne suffit pas d’avoir sous la main une architecture matérielle spécifique comme nos plates-formes Ceva-XM, il faut aussi disposer de réseaux de neurones entraînés à s’exécuter de manière efficace sur des systèmes embarqués disséminés en bordure de réseau, souligne Ilan Yona, vice-président en charge de l’unité Vision chez Ceva. Le logiciel d’apprentissage profond de Broadmann17 permet justement de créer des réseaux de neurones extrêmement légers, précis et flexibles, pensés dès l’origine pour une utilisation dans l’embarqué. » Une démonstration du logiciel d’apprentissage profond de l’Israélien a été réalisée sur la plate-forme de vision et d’imagerie Ceva-XM4 à l’occasion des journées Ceva Technology qui ont tourné en Chine et à Taiwan du 23 au 27 octobre derniers.

On se souviendra que Ceva dispose depuis quelques mois d'une plate-forme intégrée et modulaire qui associe IP matérielles et logicielles autour d’un nouveau DSP (le Ceva-XM6) et dont l’objectif est de faciliter l’intégration de réseaux de neurones et d’algorithmes de vision artificielle au sein de produits divers et variés comme les smartphones, les véhicules autonomes, les systèmes de surveillance, les robots, les drones et autres dispositifs intelligents intégrant une caméra. Selon la société, la plate-forme à base du Ceva-XM6 se caractérise par une performance huit fois supérieure à celle assurée par la précédente génération de DSP Ceva-XM4 dans l’exécution de réseaux de neurones (lire notre article ici).