Qu’est-ce que l’IA en périphérie du réseau ?

En termes simples, l’IA en périphérie du réseau, ou « IA en périphérie » désigne la combinaison de l’edge computing et de l’intelligence artificielle pour exécuter des tâches de machine learning directement sur des appareils périphériques interconnectés. L’edge computing permet de stocker les données à proximité de l’emplacement des appareils et les algorithmes d’IA permettent de traiter les données directement à la périphérie du réseau, avec ou sans connexion Internet. Cela garantit un traitement des données en quelques millisecondes, avec un retour d’information en temps réel.

Les voitures autonomes, les appareils portables, les caméras de sécurité et les appareils électroménagers intelligents font partie des technologies qui utilisent les capacités de l’IA en périphérie afin de fournir rapidement aux utilisateurs des informations en temps réel lorsque cela est le plus important.

L’IA en périphérie gagne en popularité à mesure que les secteurs d’activité trouvent de nouvelles façons de l’exploiter en vue d’optimiser les workflows, d’automatiser les processus métier et de favoriser l’innovation. Dans le même temps, elle contribue à répondre à des préoccupations essentielles telles que la latence, la sécurité et la réduction des coûts.

En savoir plus sur les solutions d’edge computing d’IBM .

L’IA en périphérie permet de prendre des décisions sur place, ce qui élimine le besoin de transmettre en permanence des données à un emplacement central et d’attendre leur traitement, et rationalise ainsi l’automatisation des opérations. Néanmoins, les données doivent toujours être transmises au cloud dans le but de réentraîner les pipelines d’IA et de déployer des modèles à jour.

Le déploiement de ce schéma sur de nombreux emplacements et diverses applications présente certains défis, notamment la gravité, l’hétérogénéité et l’échelle des données, ainsi que les contraintes en matière de ressources. L’IA distribuée permet de surmonter ces obstacles en intégrant la collecte intelligente des données, en automatisant les cycles de vie des données et de l’IA, en adaptant et en surveillant les « rayons » (ou « spokes ») et en optimisant les pipelines de données et d’IA.

L’intelligence artificielle distribuée est chargée de distribuer, de coordonner et de prévoir les performances des tâches, des objectifs ou des décisions dans un environnement multi-agents. Elle adapte les applications à un grand nombre de rayons et permet aux algorithmes d’IA de traiter de manière autonome de multiples systèmes, domaines et appareils à la périphérie.

Actuellement, on utilise le cloud computing et les interfaces de programmation d’application (API) pour entraîner et déployer des modèles de machine learning. Dans un second temps, l’IA en périphérie effectue des tâches de machine learning telles que l’analyse prédictive, la reconnaissance vocale et la détection d’anomalies à proximité de l’utilisateur, se distinguant des services cloud courants de différentes manières. Au lieu de voir les applications être entièrement développées et exécutées dans le cloud, les systèmes d’IA en périphérie traitent et analysent les données plus près du point où elles ont été créées. 

Les algorithmes de machine learning peuvent s’exécuter à la périphérie et les informations peuvent être traitées directement au niveau des dispositifs IdO, plutôt que dans un centre de données privé ou dans une installation de cloud computing.

L’IA en périphérie se présente comme une meilleure option lorsque des prévisions et un traitement des données en temps réel sont nécessaires. Prenons l’exemple des dernières avancées en matière de technologie des véhicules autonomes. Pour que ces voitures puissent naviguer en toute sécurité et éviter les dangers potentiels, elles doivent détecter et réagir rapidement à toute une série de facteurs, notamment les feux de signalisation, les conducteurs imprévisibles ou encore les changements de voie. En outre, elles doivent tenir compte des piétons, des bordures de trottoir et de nombreuses autres variables.

La capacité de l’IA en périphérie à traiter localement ces informations dans le véhicule atténue le risque de problèmes de connectivité qui pourraient survenir lors de l’envoi de données à un serveur distant via une IA basée sur le cloud. Dans des scénarios de cette nature, où la rapidité des réponses aux données peut être une question de vie ou de mort, la capacité du véhicule à réagir rapidement est cruciale.

À l’inverse, l’IA basée sur le cloud fait référence au déploiement d’algorithmes et de modèles IA sur des serveurs cloud. Cette méthode offre des capacités accrues de stockage et de traitement des données, facilitant ainsi l’entraînement et le déploiement de modèles IA plus avancés.

En 2022, le marché mondial de l’IA en périphérie était évalué à 14 787,5 millions de dollars et devrait atteindre 66,47 millions de dollars d’ici 2023, selon un rapport réalisé par Grand View Research, Inc. La demande croissante de services edge basés sur l’IdO, associée aux avantages inhérents à l’IA en périphérie, stimule l’expansion rapide de l’edge computing. Voici les principaux avantages de l’IA en périphérie du réseau :

Grâce à un traitement complet sur l’appareil, les utilisateurs peuvent bénéficier d’intervalles de réponse rapides sans aucun délai lié à la contrainte de faire remonter les informations à partir d’un serveur distant.

En traitant les données au niveau local, l’IA en périphérie du réseau minimise la quantité de données transmises sur Internet, ce qui permet de préserver la bande passante Internet. Lorsque la bande passante utilisée est moindre, la connexion peut gérer un plus grand volume de transmission et de réception simultanées de données.

Les utilisateurs peuvent effectuer un traitement des données en temps réel sur des appareils sans avoir besoin de connectivité ni d’intégration au système, ce qui leur permet de gagner du temps en consolidant les données sans avoir à communiquer avec d’autres emplacements physiques. Cependant, l’IA en périphérie peut avoir des difficultés à traiter le volume et la diversité considérables des données requises par certaines applications d’IA. Pour surmonter ces limites, elle doit s’intégrer au cloud computing afin d’utiliser ses ressources et ses capacités.

La protection de la vie privée est renforcée, car les données ne sont pas transférées sur un autre réseau, où elles seraient vulnérables aux cyberattaques. En traitant les informations localement sur les appareils, l’IA en périphérie réduit le risque de mauvaise manipulation des données. Dans les secteurs soumis à des réglementations en matière de souveraineté des données, l’IA peut contribuer au maintien de la conformité en traitant et en stockant localement les données dans les juridictions désignées.

Néanmoins, toute base de données centralisée est susceptible de devenir une cible de choix pour les attaquants potentiels, ce qui signifie que l’IA en périphérie reste exposée à des risques de sécurité.

L’IA en périphérie étend les systèmes à l’aide de plateformes basées sur le cloud et de capacités edge inhérentes aux technologies des fabricants d’équipement d’origine (OEM), qui englobent à la fois les logiciels et le matériel. Ces entreprises OEM ont commencé à intégrer des capacités edge natives dans leurs équipements, simplifiant ainsi la mise à l’échelle du système. Cette extension permet également de maintenir le fonctionnement des réseaux locaux même dans les situations où les nœuds en amont ou en aval subissent des temps d’arrêt.

Les dépenses associées aux services d’IA hébergés dans le cloud peuvent être élevées. L’IA en périphérie offre la possibilité d’utiliser des ressources cloud coûteuses comme référentiel pour l’accumulation de données de post-traitement, destinées à une analyse ultérieure plutôt qu’à des opérations de terrain immédiates. Cela réduit les workloads des ordinateurs cloud et des réseaux.

L’utilisation du processeur, du GPU et de la mémoire est considérablement réduite, car leurs workloads sont répartis entre les appareils périphériques, ce qui fait de l’IA en périphérie l’option la plus rentable entre les deux.

Lorsque le cloud computing gère tous les calculs d’un service, l’emplacement centralisé supporte une charge de travail importante. Les réseaux subissent un trafic élevé pour transmettre les données à la source centrale. Au fur et à mesure que les machines exécutent des tâches, les réseaux redeviennent actifs et transmettent les données à l’utilisateur. Les appareils en périphérie éliminent ces transferts de données continus. Par conséquent, les réseaux et les machines subissent moins de stress sans ces contraintes.

De plus, les caractéristiques autonomes de l’IA en périphérie éliminent le besoin de supervision continue par les data scientists. Bien que l’interprétation humaine joue un rôle essentiel dans la détermination de la valeur ultime des données et des résultats générés, les plateformes d’IA en périphérie assument une partie de cette responsabilité. Ce changement se traduit par des économies pour les entreprises.

L’IA en périphérie utilise les réseaux de neurones et l’apprentissage profond pour entraîner des modèles à reconnaître, à classer et à décrire avec précision des objets dans les données fournies. Ce processus fait généralement appel à un centre de données centralisé ou à un cloud pour traiter le volume important de données nécessaire à l’entraînement des modèles.

Après le déploiement, les modèles d’IA en périphérie s’améliorent progressivement au fil du temps. Lorsque l’IA rencontre un problème, les données problématiques sont souvent transférées vers le cloud pour un entraînement supplémentaire du modèle d’IA initial, qui remplace finalement le moteur d’inférence à la périphérie. Cette boucle de rétroaction contribue de manière significative à l’amélioration de la performance des modèles.

Actuellement, les exemples courants d’IA en périphérie comprennent les smartphones, les accessoires portables de surveillance de la santé (par exemple les montres intelligentes), les mises à jour du trafic en temps réel sur les véhicules autonomes, les appareils connectés et les appareils intelligents. Divers secteurs mettent également en place de plus en plus d’applications d’IA en périphérie afin de réduire les coûts, d’automatiser les processus, d’améliorer la prise de décision et d’optimiser les opérations.

Les professionnels de santé connaissent une transformation substantielle grâce à la mise en œuvre pratique de l’IA en périphérie du réseau et à l’introduction d’appareils de pointe. Associée à d’autres avancées de pointe, cette technologie est sur le point de créer des systèmes de santé plus intelligents, tout en préservant la confidentialité des patients et en réduisant les délais de réponse.

Grâce à des modèles d’IA intégrés localement, les moniteurs de santé portables évaluent des indicateurs tels que la fréquence cardiaque, la pression artérielle, la glycémie et la respiration. Les appareils portables d’IA en périphérie peuvent également détecter une chute soudaine d’un patient et alerter les soignants, une fonction déjà incluse dans les montres intelligentes courantes sur le marché.

En équipant les véhicules d’urgence de capacités de traitement rapide des données, les ambulanciers peuvent extraire des informations des appareils de surveillance de la santé et consulter les médecins pour déterminer des stratégies efficaces de stabilisation des patients. En même temps, le personnel des salles d’urgence peut se préparer à répondre aux besoins uniques des patients en matière de soins. L’intégration de l’IA en périphérie dans de telles circonstances facilite l’échange en temps réel d’informations essentielles sur la santé.

Les fabricants du monde entier ont commencé à intégrer la technologie d’IA en périphérie afin de révolutionner leurs opérations de fabrication, ce qui a permis d’accroître l’efficacité et la productivité du processus.

Les données des capteurs peuvent être exploitées pour identifier de manière proactive les anomalies et les défaillances des machines, ce qui est également connu sous le nom de maintenance prédictive. Les capteurs détectent les imperfections et informent rapidement la direction des réparations cruciales à effectuer, ce qui permet de résoudre les problèmes à temps et d’éviter les temps d’arrêt opérationnels.

L’IA en périphérie du réseau peut également être appliqué à d’autres domaines nécessaires dans ce secteur, tels que le contrôle qualité, la sécurité des employés, l’optimisation des rendements, l’analyse de la chaîne d’approvisionnement et l’optimisation des espaces de travail.

Il ne vous aura pas échappé que les entreprises ont franchi un seuil majeur avec la popularité croissante du e-commerce et des achats en ligne. Les magasins physiques de vente au détail ont été obligés d’innover afin de créer une expérience d’achat fluide et de susciter l’intérêt des clients. Avec ce changement, de nouvelles technologies sont apparues, telles que les commandes en ligne avec retrait en magasin, les paniers d’achat intelligents dotés de capteurs et les caisses de paiement intelligentes. Ces solutions utilisent la technologie d’IA en périphérie du réseau pour améliorer et accélérer l’expérience client conventionnelle en magasin.

Le paysage contemporain est saturé d’appareils « intelligents » tels que les sonnettes, les thermostats, les réfrigérateurs, les systèmes de divertissement et les ampoules connectées. Ces maisons intelligentes contiennent des écosystèmes d’appareils qui utilisent l’IA en périphérie pour améliorer la qualité de vie des résidents.

Qu’un résident ait besoin d’identifier une personne à sa porte ou de contrôler la température de sa maison via son appareil, la technologie d’IA en périphérie peut traiter rapidement les données sur site. Cela élimine la nécessité de transmettre des informations à un serveur distant centralisé, préserve la vie privée des résidents et réduit le risque d’accès non autorisé aux données personnelles.

La rapidité est de la plus haute importance pour l’analyse des vidéos de sécurité. De nombreux systèmes de vision par ordinateur ne disposent pas de la vitesse nécessaire pour effectuer des analyses en temps réel. Au lieu de traiter localement les images ou les vidéos capturées par les caméras de sécurité, ces systèmes les transmettent à une machine basée sur le cloud et dotée de capacités de traitement haute performance. Sans traiter les données localement, ces systèmes basés sur le cloud rencontrent des obstacles dus à des problèmes de latence, qui se caractérisent par des retards dans le téléchargement et le traitement des données.

Les applications de vision par ordinateur et de détection d’objets de l’IA en périphérie sur les dispositifs de sécurité intelligents identifient les activités suspectes, avertissent les utilisateurs et déclenchent des alarmes. Ces fonctionnalités renforcent le sentiment de sécurité et la tranquillité d’esprit des résidents.