Libérer le potentiel des systèmes IoT : le rôle du Deep Learning et de l’IA

L'Internet des objets (IoT), un réseau d'appareils interconnectés équipés de capteurs et de logiciels, a révolutionné la façon dont nous interagissons avec le monde qui nous entoure, nous permettant de collecter et d'analyser des données comme jamais auparavant.

À mesure que la technologie progresse et devient plus accessible, de plus en plus d’objets sont équipés de capacités de connectivité et de capteurs, ce qui les intègre à l’écosystème IoT. Le nombre de systèmes IoT actifs devrait atteindre 29,7 milliards d’ici 2027, soit une augmentation significative par rapport aux 3,6 milliards d’appareils enregistrés en 2015. Cette croissance exponentielle nécessite une énorme demande de solutions pour atténuer les défis de sécurité et de calcul des applications IoT. En particulier, l'IoT industriel, l'automobile et les maisons intelligentes sont trois domaines principaux avec des exigences spécifiques, mais ils partagent un besoin commun de systèmes IoT efficaces pour permettre une fonctionnalité et des performances optimales.

Augmenter l'efficacité des systèmes IoT et libérer leur potentiel peut être réalisé grâce à l'intelligence artificielle (IA), en créant des architectures AIoT. En utilisant des algorithmes sophistiqués et des techniques d'apprentissage automatique, l'IA permet aux systèmes IoT de prendre des décisions intelligentes, de traiter de grandes quantités de données et d'extraire des informations précieuses. Par exemple, cette intégration favorise l’optimisation opérationnelle dans l’IoT industriel, facilite les véhicules autonomes avancés et offre une gestion intelligente de l’énergie et des expériences personnalisées dans les maisons intelligentes.

Parmi les différents algorithmes d’IA, le Deep Learning qui exploite les réseaux de neurones artificiels est très approprié pour les systèmes IoT pour plusieurs raisons. L’une des principales raisons est sa capacité à apprendre et à extraire automatiquement des fonctionnalités à partir des données brutes des capteurs. Ceci est particulièrement utile dans les applications IoT où les données peuvent être non structurées, bruitées ou avoir des relations complexes. De plus, le Deep Learning permet aux applications IoT de gérer efficacement les données en temps réel et en streaming. Cette capacité permet une analyse et une prise de décision continues, ce qui est crucial dans les applications urgentes telles que la surveillance en temps réel, la maintenance prédictive ou les systèmes de contrôle autonomes.

Malgré les nombreux avantages du Deep Learning pour les systèmes IoT, sa mise en œuvre comporte des défis inhérents, tels que l'efficacité et la sécurité, qui doivent être relevés pour exploiter pleinement son potentiel. LeVtrèsEfficientDprofondLgagner enIdO(VEDLIoT) vise à résoudre ces défis.

Un aperçu de haut niveau des différents composants de VEDLIoT est donné dans la figure 1. L'IoT est intégré au Deep Learning par le projet VEDLIoT pour accélérer les applications et optimiser l'efficacité énergétique de l'IoT. VEDLIoT atteint ces objectifs grâce à l'utilisation de plusieurs composants clés :

VEDLIoT se concentre sur certains cas d'utilisation, tels que les méthodes d'interaction orientées vers la demande dans les maisons intelligentes (voir Fig. 2), les applications IoT industrielles telles que la classification de l'état des moteurs et la détection d'arc, et le système de freinage d'urgence automatique pour piétons (PAEB) dans le secteur automobile ( voir fig. 3). VEDLIoT optimise systématiquement ces cas d'utilisation grâce à une approche ascendante en employant des techniques d'ingénierie et de vérification des exigences, comme le montre la figure 1. Le projet combine des connaissances de niveau expert dans divers domaines pour créer un middleware robuste qui facilite le développement grâce à des tests, des analyses comparatives, et des cadres de déploiement, garantissant à terme l'optimisation et l'efficacité des algorithmes de Deep Learning au sein des systèmes IoT. Dans les sections suivantes, nous présentons brièvement chaque composante du projet VEDLIoT.

Divers accélérateurs sont disponibles pour un large éventail d'applications, depuis les petits systèmes embarqués avec des budgets de puissance de l'ordre du milliwatt jusqu'aux plates-formes cloud haute puissance. Ces accélérateurs sont classés en trois groupes principaux en fonction de leurs valeurs de performances maximales, comme le montre la figure 4.

Le premier groupe est la catégorie à très faible consommation (< 3 W), composée de cœurs de type microcontrôleur économes en énergie combinés à des accélérateurs compacts pour des fonctions spécifiques de Deep Learning. Ces accélérateurs sont conçus pour les applications IoT et offrent des interfaces simples pour une intégration facile. Certains accélérateurs de cette catégorie fournissent des interfaces caméra ou audio, permettant des tâches efficaces de traitement de la vision ou du son. Ils peuvent offrir une interface USB générique, leur permettant de fonctionner comme des dispositifs accélérateurs connectés à un processeur hôte. Ces accélérateurs à très faible consommation sont idéaux pour les applications IoT où l'efficacité énergétique et la compacité sont des considérations clés, offrant des performances optimisées pour les tâches de Deep Learning sans consommation excessive.