Rechercher

Edge AI : la confluence entre l’Edge Computing et l’Intelligence Artificielle

En 2020, la quantité de données échangées et sauvegardées sera de 47 milliards de téraoctets. Des experts estiment qu’en 2025, cette quantité aura quadruplé et sera 50 fois plus importante en 2035.

Avec une estimation de 5 milliards d’IoT (Internet des Objets) qui seront connectés en 2025, il devient urgent de réduire drastiquement la quantité de données que ces appareils vont créer.

Au cours des dernières années, la mise en œuvre de l’intelligence artificielle dans diverses entreprises a bouleversé le monde entier. Le Cloud Computing est devenu une composante essentielle de l’évolution de l’IA. Comme les utilisateurs passent de plus en plus de temps sur leurs appareils, les entreprises réalisent la nécessité d’apporter de la puissance de calcul directement au creux de la main.

Selon Gartner, 91 % des données actuelles sont traitées dans des centres de données centralisés en 2020. Mais d’ici 2022, environ 74 % de toutes les données devront être analysées et traitées directement sur les appareils pour réduire la bande passante mondiale.


D’où vient le terme Edge ?

À l’origine de l’Edge AI, vous avez l’Edge Computing. N’hésitez pas à écouter le podcast et à lire l’article de la semaine dernière sur le sujet.

L’Edge Computing est une division de l’informatique distribuée, qui rapproche la puissance de calcul et le stockage des données au plus près de l’appareil qui a servi à collecter les données.
Par opposition à une dépendance à un système central comme celui du cloud, qui oblige à établir des liaisons bidirectionnelles, coûteuses en temps et en traitement.
L’Edge Computing permet de réaliser des traitements informatiques en temps réel, tout en réduisant les problèmes de bande passante et de latence.
Ce qui permet d’obtenir de meilleures performances et des coûts réduits pour l’exploitation des applications demandant des traitements informatiques lourds.


[Edge Computing] + [AI] = [Edge AI]

L’Edge AI est donc la combinaison entre l’Edge Computing et l’Intelligence Artificielle.
Pour simplifier, l’Edge AI va permettre d’exécuter des algorithmes de traitement à base d’intelligence artificielle au cœur même des appareils qui font partie du réseau Edge Computing, en ayant recours à une connexion internet de manière raisonnable.
Tout se passe dans l’appareil : collecte, stockage et traitements informatiques à base d’intelligence artificielle.
Ce qui se traduit par des temps de réponse extrêmement courts, de l’ordre de quelques millisecondes.
L’information arrive en temps réel avec une précision inégalée, puisque les algorithmes auront affiné les données brutes.
Encore aujourd’hui, la majorité des traitements informatiques lourds sont effectués dans le cloud et demande de grandes capacités de calcul.
L’Edge AI va déplacer une partie du flux de traitements informatiques directement dans les appareils, pour réduire l’usage au cloud de manière significative.
Avec ce type de dispositif, toutes les données peuvent être conservées avant d’être envoyées vers un site distant pour une analyse approfondie, si besoin.
Ces dispositifs intelligents, grâce à la disponibilité de données des capteurs sur le terrain, peuvent interagir de manière autonome sans interaction avec le site central.

Ce qui présente de nombreux avantages en cas de coupure de réseaux ou de bande passante saturée par d’autres services internet.

Dans l’exemple suivant, nous pouvons observer à quoi ressemble un réseau d’IoT (Internet des Objets) constitué de capteurs.

Nous avons d’un côté les capteurs reliés à internet, un serveur central et un stockage dans le cloud. Le tout fonctionnant ensemble, mais demandant des échanges réguliers pour interagir les uns avec les autres avec des temps de réaction de l’ordre de la seconde.

Dans le schéma suivant, nous pouvons observer que l’ensemble des capteurs sont préalablement reliés à un dispositif équipé d’intelligence artificielle qui exécute des algorithmes de Machine Learning.

On comprend très vite que ce prétraitement informatique de haut niveau, réalisé au niveau local, va libérer le serveur central et réduire les échanges de données.


Quels sont les avantages de l’Edge AI ?

Après vous avoir brièvement expliqué ce qu’est l’Edge AI, vous avez probablement déjà une petite idée des avantages que l’on peut tirer de cette technologie.

Réductions des coûts

Avec l’Edge AI, les coûts de communication de données et de bande passante seront réduits, car la quantité de données transmises est limitée au strict minimum.
Aujourd’hui, les traitements informatiques, utilisant l’intelligence artificielle et les algorithmes de machine learning effectués dans le cloud, sont encore très coûteux.

La sécurité et confidentialité

Lorsque l’on utilise les traitements informatiques à base d’intelligence artificielle, pour les caméras de sécurité, les voitures autonomes ou les drones, il est nécessaire d’envoyer un flux de continu de données vidéo vers un site central pour être analysé également en continu.
Ce qui pose un problème de fond sur la confidentialité des données et notamment, rend chacun de nous vulnérable du point de vue de la vie privée, car de nombreuses données circulent en clair et peuvent être interceptées par un individu mal attentionné.

L’Edge AI, qui équiperait une caméra thermique dans un aéroport, permettrait d’identifier et de signaler immédiatement des personnes ayant une température supérieure à 38°C, sans transmettre de données autres que la localisation de la personne dans l’aéroport.

Temps de réponse rapide

Comme vous l’avez compris, les dispositifs dopés à intelligence artificielle (Edge AI) sont capables de traiter des données bien plus rapidement que les IoT dit « centralisés ».
Ils permettent la réalisation d’opérations en temps réel, comme l’acquisition de données, la prise de décision et le passage à l’action, car les informations sont traités directement dans le matériel de manière autonome, avec des temps de réponse où chaque milliseconde compte, comme dans les voitures autonomes.

Facilité de gestion

Avec des dispositifs complexes, tels que les IoT boostés à l’intelligence artificielle, il vient à l’esprit que l’administration de ces appareils est tout aussi complexe.
C’est tout l’inverse, car ces appareils sont totalement autonomes et n’ont pas besoin d’être maintenus par des scientifiques spécialisés en intelligence artificielle.
En se connectant à la plate-forme open source TensorFlow, les développeurs peuvent créer et déployer facilement des applications qui exploitent la puissance de l’Edge AI et du Machine Learning.
Les interfaces de programmation et les tableaux de bord sont tous graphiques à base de composants et d’objets manipulables.


Quels sont les usages de l’Edge AI ?

Maintenant que vous en savez plus sur l’Edge Ai et ses avantages, nous allons voir à quoi et à qui cela peut réellement servir ?
Voici quelques applications concrètes de l’Edge AI que vous allez bientôt pouvoir expérimenter.

Surveillance vidéo

Avant l’existence de l’Edge AI, où il n’y avait pas d’intelligence artificielle, les caméras de sécurité émettaient un simple signal vidéo en continu à destination d’un serveur dans le cloud. Ce qui entraînait un transfert important de données et une charge importante sur les serveurs. À Paris, on estime le nombre à plus de 30 000 caméras de surveillance réparties dans les moyens de transport, sur les routes et dans tous les endroits sensibles.

Avec les nouvelles caméras intelligentes, boostées à l’Edge AI et grâce au machine learning (apprentissage automatisé), les caméras peuvent désormais traiter localement les vidéos et identifier et suivre des objets ou des personnes en mouvement.
Elles enverront des données au serveur dans le cloud, uniquement lorsqu’une activité suspecte sera détectée ou qu’une activité spécifique sera reconnue, comme le passage d’une voiture officielle par l’analyse des plaques d’immatriculation.

Certains citoyens sont plus collaboratifs que d’autres…

Les voitures autonomes

La puissance de calcul phénoménale embarquée dans les nouveaux véhicules autonomes permet de réagir immédiatement aux situations les plus complexes, car tout est traité en temps réel, directement dans le véhicule.
L’Edge AI apporte la reconnaissance des véhicules, des panneaux de signalisation, des piétons, de l’état de la route. Tout est contrôlé sans connexion aux serveurs cloud.

Pas de voiture, pas de McDo ! Cette famille Belge a trouvé la solution…

Les enceintes connectées

Google Home, Alexa et Apple Homepod, vous connaissez ?

Tous ces produits utilisent l’Edge AI. Les phrases de réveil « dit Siri » « Alexa » ou « OK Google » ont toutes été conçues avec un modèle basé sur l’apprentissage machine, stocké sur le haut-parleur. À chaque fois qu’il entend l’un de ces mots, il commence à écouter vos demandes et transmet les informations au serveur distant pour traiter l’intégralité de votre demande. Progressivement, ces appareils vont être en mesure de réaliser plus de tâches sans avoir recours à un serveur. Comme des calculs mathématiques simples, des conversions de monnaies ou même la traduction d’appels vocaux en simultané.

Les IoT dans l’industrie

L’Edge AI est déjà très présente dans l’industrie pour permettre aux robots une plus grande autonomie d’actions, pour concevoir des doubles numériques et gérer à distance des appareils sur le terrain, pour la prise de décision en temps réel pour agir immédiatement en cas d’incidents et finalement pour donner de l’intelligence à tous les dispositifs actifs du site.
L’analyse des données critiques étant réalisée sur l’appareil lui-même, les actions humaines sont réduites et les risques sont maîtrisés. Les dispositifs dopés à l’Edge AI font preuve d’inférence : un mélange d’analyse, de déduction, de méthode, de synthèse, d’abstraction, de logique, de raisonnement et même de réflexion.


Comment déployer des solutions basées sur l’Edge AI ?

Nous avons piqué votre curiosité avec l’Edge AI, et vous vous demandez par quoi commencer ? Quelles sont les étapes à franchir de la création d’un modèle analytique à la mise en application du modèle en production, en passant par la phase de déploiement ?

En plus de ces étapes, vous allez devoir identifier les données à collecter, préparer les données, sélectionner les algorithmes, entraîner les algorithmes en continu sur les données et déployer/redeployer les modèles. Il y a en effet beaucoup à faire !


Quelques exemples d’appareils qui utilisent cette technologie

Il existe de nombreux tutoriels et kits proposés par les constructeurs pour apprendre les rudiments du machine learning.

Voici une petite sélection de kits pour vous initier :


Quelles sont les perspectives de l’Edge AI ?

Selon Gartner, en 2018, environ 10 % des données générées par l’entreprise sont créées et traitées en dehors d’un centre de données centralisé traditionnel ou du cloud.
D’ici 2025, Gartner prévoit que ce chiffre atteindra 75 %.
Avec le déploiement rapide de ces technologies, les risques vont également augmenter.
Plus le nombre d’appareils faisant partie d’un même réseau est important, plus la surface d’attaque est importante. Le tout, couplé avec une grande diversité de fabricants de matériels et des niveaux d’attaques toujours plus sophistiqués.


Quels sont les grands acteurs de l’Edge AI ?

IBM, Microsoft, Intel, Google, TIBCO, Cloudera, Nutanix, Foghorn Systems, SWIM.AI, Anagog, Tact.ai, Bragi, XNOR.Ai, Octonion, Veea Inc, Imagimob


Conclusion

Pendant plusieurs décennies, nous avons dit aux ordinateurs ce qu’ils devaient faire, maintenant on leur demande d’apprendre à apprendre.
À mesure que l’intelligence artificielle et que l’apprentissage machine se développent et se perfectionnent, les limites sont repoussées et les possibilités deviennent infinies.
On verra bientôt apparaître des solutions clés en main pour répondre à des usages plus proches de notre quotidien.

Le mot de la fin par Jonathan Ballon, Vice President and General Manager, Internet of Things Group, Intel.

Alors que le Cloud Computing offre des économies d’échelle incontestables, une architecture d’informatique distribuée basée sur l’Edge AI est déterminée par la nature des données elles-mêmes.

Plus le volume de données augmentera, plus leur acheminement sera difficile et coûteux en raison du coût de la bande passante ou de la disponibilité. La vitesse de la circulation des données va devenir un enjeu majeur pour faire cohabiter un grand nombre d’applications en temps réel, qui ne pourront pas être limitées par la latence du réseau.

Et des arbitrages seront nécessaires pour répondre aux contraintes réglementaires, de confidentialité et de sécurité.


Sources :

Olivier Petit

@olivpetit

 Creative Digital Strategist ? Personal Branding ? Leadership Presence ? Influence ? Social Media ? Startup Mentor

Linkedin.com/in/olivierpetit75

Proposé par
Olivier Petit

#Digital Strategist for game changers

Organisateur d'événements. Animateur de conférences, keynotes et tables rondes. Coach/formateur leadership digital sur Linkedin et Twitter.

Tombé dans la marmite du numérique en 1985 avec le plan informatique pour tous. Toujours les mains dans le moteur du web (WordPress/Drupal) et intégration web (Photoshop,CSS,JS)

Mes 2 citations préférées :
"La folie, c'est de faire toujours la même chose et de s'attendre à un résultat différent." - Albert Einstein
« Je ne perds jamais, soit je gagne, soit j’apprends. » - Nelson Mandela

#innovation #sérendipité #humain

Joindre la discussion

A lire dans cette thématique

La Playlist du DJ

La newsletter