Les concepteurs de technologies IoT doivent être bien informés sur l'IA et l'informatique en périphérie

La communauté de l'Internet des objets (IoT) vante depuis longtemps les avantages de l'informatique en nuage (Cloud). Sa capacité à traiter, stocker et transmettre de grandes quantités de données est inégalée. Cependant, l'informatique en nuage souffre d'une limitation importante qui bloque le flux toujours croissant de bits et d'octets dans le monde : la latence élevée créée par les bandes passantes de chargement et de téléchargement.

Prenons l'exemple d'un ingénieur qui met au point des systèmes industriels automatisés ou un véhicule autonome. Ces systèmes IoT industriels (IIoT) génèrent une grande quantité de données, tandis que les environnements dans lesquels ils sont utilisés exigent une communication transparente et des temps de réaction rapides. Ces produits ne peuvent pas attendre des centaines de millisecondes pour que les données soient envoyées dans le Cloud, traitées, calculées, interprétées, puis renvoyées. Tout retard pourrait entraîner des conséquences désastreuses.

Toutefois, si la plupart des données pouvaient être traitées par le biais de l'informatique en périphérie (Edge Computing), à proximité du dispositif ou sur ce dernier, elles pourraient être interprétées dix fois plus rapidement. Ce problème de faible latence explique en partie pourquoi Dimension Market Research estime que le marché de l'informatique en périphérie devrait atteindre 702,8 milliards de dollars d'ici 2033.

Le marché de l'informatique en périphérie devrait atteindre 702,8 milliards de dollars d'ici 2033, avec un taux de croissance annuel moyen de 40,0 %. (Source de l'image : Dimension Market Research)

Bien que l'électronique grand public soit confrontée à des environnements de travail aux enjeux moindres, les ingénieurs peuvent s'attendre à ce que les demandes des consommateurs pour ces dispositifs évoluent dans le même sens.

En bref, à mesure que l'intelligence artificielle (IA), l'apprentissage automatique (ML), la réalité augmentée (RA) et la réalité virtuelle (RV) gagnent en popularité auprès des consommateurs et de l'industrie, de moins en moins de données sont envoyées vers le Cloud depuis chaque dispositif et davantage de traitement est effectué à la périphérie.

Ce dont les ingénieurs ont besoin pour anticiper les tendances de l'informatique en périphérie

Il est clair que les ingénieurs qui conçoivent des dispositifs IoT ne peuvent plus ignorer l'importance de l'informatique en périphérie. Même si l'envoi de toutes les données de certains dispositifs vers le Cloud reste l'approche optimale, l'informatique en périphérie devient une nécessité, ou du moins une éventualité, pour la plupart des conceptions de produits.

L'EdgeBox-RPI-200 de Seeed Technology est un ordinateur monocarte doté d'un processeur quadricœur de 1,5 GHz et de 4 Go de RAM. Il est basé sur le Raspberry Pi CM4 ARM Cortex-A72. (Source de l'image : Seeed Technology.)

Les ingénieurs doivent donc se tourner vers des fournisseurs tels que Seeed Technology, qui propose l'EdgeBox-RPI-200. Selon la fiche technique du dispositif, cet ordinateur monocarte est optimisé pour les applications cloud et IoT au sein d'environnements industriels difficiles. Il est basé sur le Raspberry Pi CM4 ARM Cortex et offre un processeur quadricœur de 1,5 GHz et 4 Go de mémoire RAM.

Ce dispositif est donc en mesure d'analyser les chiffres à la périphérie, de prendre ses propres décisions sur la base de ces données, puis d'informer le Cloud de la situation.

Comment les ingénieurs conçoivent-ils l'avenir de l'IA, de l'IoT et de l'informatique en périphérie ?

Tout cela nous amène à nous poser la question suivante : À quoi pourrait ressembler un système IIoT intelligent, doté d'IA et de capacités de calcul en périphérie ? Il pourrait être comparable à notre propre cerveau lorsque nous rencontrons une araignée.

L'informatique en périphérie peut agir comme les zones internes du cerveau : quand elle reçoit des informations, elle réagit immédiatement, sans que le reste du cerveau n'ait à réfléchir à l'araignée dans les moindres détails. La personne pousse un cri, son cœur s'accélère et tous ses sens sont en alerte. Sur le dispositif IoT, cela équivaut à un algorithme d'IA ou de ML qui répond aux données en temps réel. S'il constate qu'une pièce de l'atelier de production n'est pas conforme aux spécifications, il informe l'équipement pour qu'il la retire de la chaîne. Un opérateur humain peut alors inspecter la pièce pour voir si elle présente les défauts annoncés par l'algorithme.

Reprenons maintenant l'exemple du cerveau. Après la frayeur et la réaction initiales, les zones de réflexion extérieures du cerveau commencent bientôt à réagir. Elles évaluent ce qui s'est passé, ainsi que la réaction observée, puis ordonnent au cerveau interne de se calmer, s'il ne s'agit que d'une araignée inoffensive, ou au contraire de continuer à rester en alerte si elle a l'air venimeuse. Pour le dispositif IoT, cela pourrait ressembler aux données traitées qui sont envoyées dans le Cloud. Le Cloud pourrait alors utiliser la réponse calculée par l'algorithme, le résultat éventuel de l'inspection de la pièce retirée de la chaîne (défectueuse ou non), et utiliser ces informations pour affiner l'algorithme d'IA.

Désormais, les données envoyées au Cloud sont limitées au minimum nécessaire pour mettre à jour le modèle d'IA. Dans le même temps, il suffit au Cloud de renvoyer au dispositif le nouvel algorithme optimisé. Cette configuration permet donc d'optimiser la bande passante limitée dont disposent les ingénieurs IoT.