Principales tendances de l'IA Edge à surveiller en 2022

Depuis qu'il a été ajouté comme domaine d'études en 1956 dans les universités, Intelligence Artificielle a traversé des périodes d'optimisme et de pessimisme dans une égale mesure. Nul doute que nous assistons aujourd'hui à un grand optimisme.

Data Science est le troisième poste le plus recherché au monde. En fait, dans notre récente étude sur l'état de l'Edge Computing en Espagne, Data Scientist est le professionnel le plus recherché parmi les entreprises espagnoles sur un marché qui connaît une croissance exponentielle et qui devrait atteindre 190 milliards de dollars d'ici 2025.

L'importance de l'IA dans l'industrie du marché est telle qu'il n'est plus logique d'en parler comme d'une technologie unique, mais comme de plusieurs branches qui servent différentes utilisations à différentes industries.

Parmi les tendances identifiées comme les plus matures et les plus proches de l'étape de production figurent celles que nous pouvons identifier dans notre routine quotidienne. Par exemple, le traitement du langage simple que nous utilisons lorsque nous parlons avec des chatbots de plus en plus humains, l'imagerie automatique qui permet d'automatiser le traitement vidéo en temps réel et les recherches sémantiques, qui conduisent à de meilleurs résultats de recherche.

A l'autre extrême, il y en a des plus futuristes qui n'émergeront pas avant au moins 10 ans. Quelques exemples intéressants sont le AI TRISM (Trust, Risk and Security Management)  technologies, qui permettent de réguler les modèles d'IA en les rendant plus résistants aux attaques de sécurité et de confidentialité, et les transformateurs, qui permettent d'adapter les modèles d'IA au contexte et auront un grand impact sur l'amélioration des applications telles que les traducteurs, les documents automatiques création, ou l'analyse de séquences biologiques.

Entre les deux extrêmes se trouvent d'autres technologies habilitantes qui prendront de deux à cinq ans entre le déploiement et la maturité du marché, ce que l'on peut appeler le « futur proche de l'IA ». Parmi celles-ci figurent l'IA centrée sur l'humain, l'IA générative, l'orchestration et l'automatisation de l'IA et, en tête de tous les autres sur la courbe de maturité, l'IA on the Edge, également connue sous le nom d'"IA Edge". En 2021, Edge AI est devenue la technologie qui arrivera à maturité dans un avenir proche.

Edge AI et la révolution de l'intelligence distribuée dans le monde industriel

Edge AI ou IA en périphérie peut se résumer à la capacité d'exécuter des algorithmes d'intelligence artificielle sur des appareils (appareils IoT, appareils de périphérie) qui sont très proches de la source de données.

Cette technologie connaît une croissance exponentielle, étayée par une statistique décourageante :plus de 60 % des organisations industrielles ne disposent pas d'une infrastructure cloud qui les aide à innover efficacement.

Donc, si nous prenons une loupe pour les projets Edge AI, quelles sont les tendances les plus perturbatrices auxquelles nous assisterons en 2022 et 2023 ?

Vous trouverez ci-dessous un résumé de notre top 5 :

1. Les industries critiques seront les principaux moteurs :du SCADA à l'IA Edge

Chez Barbara IoT, nous constatons des schémas répétés dans les secteurs qui sont à la pointe de l'IA Edge : tous gèrent de nombreux actifs distribués critiques. En d'autres termes, ce sont des industries qui font face à de grands défis de fragmentation technologique, d'évolutivité et de cybersécurité. Ceux-ci peuvent être minimisés en exécutant des algorithmes d'IA à la périphérie. Nous pouvons prévoir que ces industries développeront des cas d'utilisation très ambitieux et transformateurs.

Les systèmes SCADA utilisés depuis les années 80 ont des finalités similaires en termes de saisie et de traitement des données. Cependant, les systèmes SCADA doivent être complétés par des technologies plus modernes afin de pouvoir répondre aux exigences de plus en plus exigeantes en matière d'interopérabilité, d'ouverture et de sécurité . C'est là que Edge AI peut aider :pour multiplier la valeur de ces systèmes.

2. Le bord fin complètera le bord épais

Il existe différentes interprétations de la signification de ce qu'est "edge" lorsque nous nous référons à Edge AI. Traditionnellement, la périphérie a été identifiée comme l'infrastructure de l'opérateur de réseau la plus proche de l'utilisateur. Par exemple, quand on parle de réseaux 5G, on fait référence aux opérateurs qui déploient une multitude de nœuds appelés « Multiaccess Edge Computing » qui sont utilisés pour le traitement de données de près. Ces nœuds sont installés sur des serveurs très similaires à ceux que l'on peut trouver dans un centre de données conçu pour héberger des services cloud, et ils ont un potentiel et une capacité élevés pour traiter des algorithmes d'IA complexes. C'est ce que certains analystes appellent le "Thick" Edge.

Cependant, récemment nœuds périphériques d'un autre type commencent à être développés :ceux directement connectés à des capteurs et des commutateurs, qui, lorsqu'ils sont installés sur des appareils à faible consommation tels que des passerelles ou des concentrateurs, servent à exécuter des algorithmes d'IA plus simples avec des temps de réponse plus courts et plus proches du temps réel. Ce nouveau type d'Edge, appelé "Thin" Edge, permettra de s'attaquer rapidement et avec souplesse à des projets à plus grande échelle qui incluent des sites distants ou des exigences de haute sécurité et d'isolement des données.

3. Edge Mesh comme nouveau paradigme pour activer l'intelligence artificielle distribuée

Edge AI est traditionnellement basé sur des modèles de décision formés à l'aide de données volumineuses. Le modèle, composé d'une série de formules mathématiques, est installé sur les nœuds périphériques. À partir de là, chaque nœud est capable de prendre ses propres décisions en fonction des données qu'il reçoit et du modèle qui a été installé.

Le nouveau paradigme, connu sous le nom de Edge Mesh, permet à la décision d'un nœud d'être conditionnée par la décision d'un autre nœud comme s'il s'agissait d'un réseau en treillis. Un bon exemple pour comprendre la puissance de cette nouvelle architecture est un système de trafic intelligent.

Un nœud Edge peut prendre des décisions sur l'heure d'un feu de circulation à l'aide d'algorithmes d'IA qui prennent en compte le nombre de voitures et de personnes détectées par les capteurs. Cependant, cette décision pourrait être parfaitement complétée par les décisions prises par d'autres nœuds dans les rues voisines.

L'objectif d'Edge Mesh est de répartir l'intelligence entre différents nœuds afin d'offrir de meilleures performances, temps de réponse et tolérance aux pannes qu'avec des architectures plus traditionnelles.

4. La gestion du cycle de vie à l'aide de MLOps est de plus en plus importante 

Alors que l'industrie s'oriente vers le déploiement d'Edge AI avec davantage de nœuds distribués et des algorithmes de formation plus complexes, la capacité à maintenir le cycle de vie de ces modèles formés et des appareils qui les exécutent sera la clé de l'avenir de cette technologie.

En ce sens, les projets et les entreprises qui appliquent la philosophie DevOps pour le développement, le déploiement et la maintenance des algorithmes d'IA seront renforcés.

Cette façon de travailler s'appelle MLOps, une combinaison de Machine Learning et de DevOps.

mais qu'est ce que c'est exactement? Fondamentalement, il vise à réduire les délais de développement, de test et de mise en œuvre des modèles AI on the Edge grâce à l'intégration continue des équipements et des environnements de développement, des tests et des opérations.

 5. Edge AI permet l'échange de données souveraines

Il ne fait aucun doute que le partage de données sera primordial pour améliorer les processus dans les secteurs industriels avec de nombreuses parties prenantes au sein de la chaîne de valeur.

Examinons le modèle de réseau électrique du futur proche :un Smart Grid. Pour pouvoir recevoir ou offrir un meilleur service, il est essentiel que les fournisseurs soient en mesure d'analyser et de traiter les informations provenant d'un certain nombre de parties prenantes telles que les prosommateurs, les opérateurs, les distributeurs et les agrégateurs. Sans un échange de données transparent et agile, il sera impossible d'atteindre l'optimisation de réseau requise d'ici 2050.

Avec Edge AI, un traitement des données centralisé par ON est possible, ce qui aidera à surmonter certains des obstacles auxquels l'industrie est actuellement confrontée, tels que la sécurité des données, la confidentialité et la souveraineté.