Maîtriser l'IA embarquée

L'intérêt de mettre l'IA dans des applications embarquées est évident, par exemple en utilisant face-id pour autoriser l'accès aux commandes des machines dans une usine. Reconnaissance faciale, commande vocale, détection d'anomalies, avec l'IA il y a tellement de possibilités. Je vais utiliser face-id comme exemple dans ce blog. Tellement plus facile à utiliser, plus intelligent et plus robuste que les interfaces homme-machine et les mots de passe traditionnels. Sans compter que tout le monde le fait. Le fonctionnement de l'IA peut sembler magique, mais ce qu'elle peut faire devient rapidement une attente minimale. Personne ne veut évaluer les produits de manière transparente sur la base de la technologie d'hier.

(Source :CEVA)

Le défi

Il y a un problème pour un constructeur de produits. Le développement basé sur l'IA est assez différent du développement embarqué standard. Vous n'écrivez pas de logiciel, du moins pour la fonction principale. Vous devez entraîner un réseau neuronal à reconnaître des motifs (comme des images), tout comme vous entraîneriez un enfant à l'école. Ensuite, vous devez optimiser ce réseau en fonction de l'encombrement limité de votre appareil embarqué, pour atteindre les objectifs de taille et de puissance. Les réseaux de neurones ne sont peut-être pas du code conventionnel, mais le réseau et ses calculs consomment toujours de la mémoire et consomment de l'énergie. En tant que développeur embarqué, vous savez à quel point il est important de réduire autant que possible ces métriques. J'y reviendrai dans mon prochain blog. Pour l'instant, comprenons au moins une partie du fonctionnement de ces réseaux de neurones.

Les bases

Je ne veux pas vous expliquer une longue explication des réseaux neuronaux ; exactement ce que vous allez devoir faire pour que votre application fonctionne. Un réseau neuronal est conceptuellement une série de couches de « neurones ». Chaque neurone lit deux (ou plus) entrées d'une couche précédente ou des données d'entrée, applique un calcul à l'aide de poids entraînés et transmet un résultat. Sur la base de ces poids, une couche détecte des caractéristiques, de plus en plus complexes au fur et à mesure que vous vous déplacez dans les couches, reconnaissant éventuellement une image complexe à la sortie.

La première partie intelligente consiste alors à concevoir le réseau - le nombre de couches, les connexions entre les couches, etc. - l'algorithme de base du réseau neuronal. La deuxième partie intelligente est dans la formation. Il s'agit d'un processus dans lequel de nombreuses images sont diffusées sur le net, avec un étiquetage pour identifier ce qui doit être reconnu. Ces courses construisent les valeurs de poids nécessaires à la reconnaissance.

Si vous vous sentez ambitieux, vous pouvez créer votre propre réseau de neurones à partir de zéro pour l'un des réseaux standard tels que TensorFlow. Vous pouvez également commencer à partir d'une option open source telle que celle-ci pour face-id. Vous pouvez intégrer tout cela dans une application qui peut fonctionner sur un ordinateur portable, ce qui sera pratique pour les clients qui souhaitent enregistrer de nouveaux visages approuvés. Vous pouvez maintenant commencer à entraîner votre réseau avec un ensemble de tests de visages approuvés dans plusieurs poses.

Pourquoi ne pas le faire simplement dans le cloud ?

Il existe des services qui font la reconnaissance faciale en ligne - pas besoin d'entrer dans l'IA désordonnée sur votre appareil. Prenez simplement la photo, téléchargez-la dans le cloud, l'application renvoie un OK et votre produit approuve l'étape suivante.

Mais - tous vos employés approuvés doivent avoir leurs photos et autres informations d'identification dans le cloud. Peut-être pas une si bonne idée pour la sécurité et la confidentialité. Vous dépenserez beaucoup d'énergie en communiquant l'image au cloud chaque fois qu'un travailleur souhaite accéder à une machine. Et si votre connexion Internet est en panne, personne ne peut être approuvé jusqu'à ce qu'elle soit rétablie. L'authentification directement sur l'appareil préserve la confidentialité et la sécurité, réduit la demande d'alimentation et continue de fonctionner même lorsque la connexion réseau est en panne.

À suivre – Intégrer votre réseau formé

Maintenant que vous avez terminé la partie difficile de l'IA, vous devez la télécharger sur votre appareil. C'est une étape intéressante en soi, où vous aurez certainement besoin de l'aide de votre plate-forme d'IA. J'en parlerai plus dans mon prochain blog. En attendant, pour plus d'informations, consultez « Deep learning pour le monde embarqué en temps réel ».

---

Ariel Hershkovitz est le directeur principal des solutions client pour les outils de développement logiciel de CEVA. Ariel apporte plus de 14 ans d'expérience multidisciplinaire, couvrant le développement de logiciels, la vérification, l'intégration et le déploiement de livraisons de logiciels, dans des rôles techniques et de gestion. Il est passionné par les expériences utilisateur, la facilité d'utilisation et les technologies innovantes. Très compétent dans l'analyse de problèmes complexes et leur simplification pour une résolution rapide. Ariel est titulaire d'un B.Sc. en informatique de l'Université Ben Gourion et un MBA de l'Université Bar-Ilan.

---

Contenus associés :

• Application de l'apprentissage automatique dans les systèmes embarqués
• Les défis et les opportunités de l'apprentissage automatique dans l'IoT
• S'attaquer aux biais de formation dans l'apprentissage automatique
• Tirer parti des FPGA pour l'apprentissage en profondeur
• Les scores de référence mettent en évidence un large éventail de performances d'inférence d'apprentissage automatique
• Apprentissage par transfert pour l'IoT
• Algorithmes d'intelligence artificielle et défis pour les véhicules autonomes

Pour plus d'informations sur Embedded, abonnez-vous à la newsletter hebdomadaire d'Embedded.