Désormais, les utilisateurs de téléphones portables ou même de montres de poignet ne s’étonnent pas de pouvoir y accomplir des tâches d’Intelligence Artificielle (IA ou AI) qui il y a quelques années encore nécessitaient l’usage d’un ordinateur connecté au réseau internet. La seul précaution qu’ils doivent prendre est de changer régulièrement la pile alimentant leurs appareils.
Ceci est permis par l’usage de plus en plus répandu de ce que l’on nomme le tiny machine learning (TinyML). Le bas prix et la petite taille de tels assistants permet de les utiliser partout, notamment dans l’Internet des objets IoT qui coopéreront en permanence entre eux et entre les humains dans la vie professionnelle comme dans la vie domestique.
Ainsi lorsque un buffet de cuisine constatera que le nombre de vos bouteilles de lait en réserve diminue dangereusement, non seulement il vous en avertira mais il pourra passer commande de nouvelles bouteilles à un épicier connecté qui vous les fera livrer automatiquement.
Les TinyML utilisent les simples microcontrôleurs que l’on trouve désormais dans tous les composants électroniques. Voir http://lense.institutoptique.fr/mine/microcontroleurs-quest-ce-quun-microcontroleur/ On estime que ceux-ci se comptent dans le monde au nombre de 250 milliards . Par ailleurs plusieurs types de logiciels de développement sont vendus dans divers pays. On citera Arduino et Seeed Studio,
Pour en savoir plus
Avantages
- Faible latence : les données n’ont plus besoin d’être transférées sur un serveur pour l’inférence. Le modèle TinyML fonctionne en effet sur des périphériques Edge. Or, les transferts de données sont généralement chronophages, ce qui provoque un léger retard. La suppression de cette exigence diminue la latence des applications de machine learning ;
- Faible consommation d’énergie. Comme on l’a déjà indiqué, les microcontrôleurs sur lesquels fonctionnent le TinyML consomment très peu d’énergie. C’est ce qui leur permet de continuer de fonctionner sans avoir à être rechargés pendant de très longues périodes. Puisqu’une infrastructure de serveur approfondie n’est pas requise pour réaliser le transfert de données, les ressources en énergie sont encore plus faibles. Et les coûts, nettement plus bas ;
- Faible bande passante : comme les données n’ont pas besoin d’être constamment envoyées au serveur, les applications de TInyML utilisent logiquement moins de bande passante ;
- Confidentialité : étant donné que le modèle s’exécute sur Edge, vos données ne sont stockées dans aucun serveur. Elles ne risquent donc pas d’être hackées.
- Principaux cas d’utilisation de la technologie
Profitant de la percée réalisée par le machine learning classique avant lui, le TInyML a rapidement inondé tous les secteurs d’activité. Et plus particulièrement, ceux qui dépendent des réseaux et des données de l’Internet des objets (IoT).
La vision assistée par ordinateur, la maintenance prédictive et la reconnaissance des gestes sont autant de cas d’utilisation du TinyML. On le retrouve ainsi dans :
- L’agriculture : les données peuvent être collectées et analysées en temps réel à l’aide d’applications de TinyML. La startup suédoise Imagimob a même créé une plateforme de développement ouverte à cinquante-cinq organisations dans toute l’Union européenne, pour améliorer la gestion des cultures et du bétail grâce au machine learning de poche ;
- La santé : le projet Solar Scare Mosquito utilise le TinyML pour freiner la propagation des maladies comme la dengue, le paludisme, le virus Zika, le chikungunya, etc. Il détecte les conditions de reproduction des moustiques et pulvérise de l’eau pour empêcher leur reproduction. En plus de reposer sur la technologie peu énergivore du TinyML, ce projet fonctionne également à l’énergie solaire ;
- L’expérience client : la personnalisation est un levier marketing ultra puissant pour les marques. Ce sont en effet les entreprises qui comprennent le mieux leurs clients et les ciblent avec des annonces et des messages qui résonnent avec leur comportement qui gagnent en général le plus de parts de marché. Le déploiement d’applications Edge TinyML leur permet de mieux comprendre le comportement et le parcours de leur prospect, puis d’adapter leur expérience en ligne à leurs exigences ;
- Industrie : les machines industrielles sont sujettes aux pannes. En utilisant le TinyML sur des appareils à faible alimentation, il est possible de surveiller sa chaîne de production et de prédire les problèmes techniques à l’avance. Ce maintien prédictif a pour principal avantage de permettre d’énormes économies et d’augmenter la sécurité dans les usines.
Références
Fondation https://www.tinyml.org/
Europe Solidaire 