Rendre le Machine Learning accessible en edge : combler le fossé

L'intelligence en edge est maintenant à portée des concepteurs sans formation formelle en data science, grâce aux plateformes matérielles émergentes.

Les dispositifs connectés et l'Internet des Objets (IoT) se sont tissés dans le tissu de nos vies quotidiennes — que ce soit dans les foyers, véhicules ou lieux de travail. Alors que la plupart de ces dispositifs s'appuient sur les services cloud pour le gros œuvre, un nouveau paradigme, « l'intelligence en edge », redéfinit comment nous construisons des systèmes intelligents.

Dans cet article, nous comparons l'intelligence cloud vs edge, illustrons des cas d'usage réels, et montrons comment le matériel NXP et l'écosystème logiciel eIQ permettent aux concepteurs de tous niveaux de déployer le machine learning (ML) en edge.

Figure 1. Passer du cloud computing à l'edge computing débloque des milliards de dispositifs ML-activés. Image courtoisie NXP.

Termes clés Machine Learning

Cloud Computing

Le cloud computing délivre des ressources de calcul distantes à la demande. Les fournisseurs maintiennent le matériel et garantissent la disponibilité, permettant aux clients de payer seulement ce qu'ils utilisent. Pour la plupart des entreprises, les services cloud restent la solution de choix pour l'analytique et l'entraînement à grande échelle.

Edge Computing

L'edge computing place le traitement plus près de la source de données — entre l'utilisateur final et le cloud. Les nœuds edge gèrent filtrage, buffering et tâches d'amélioration de la vie privée, réduisant latence et usage bande passante tout en coupant les coûts. Les dispositifs edge modernes intègrent maintenant des accélérateurs IA qui décident quelles données valent d'être envoyées en amont pour analyse approfondie.

Machine Learning (ML)

Au cœur, le ML entraîne des algorithmes à reconnaître des motifs. Les réseaux de neurones — surtout architectures convolutionnelles comme MobileNet — ont démocratisé le ML en tournant efficacement sur dispositifs à ressources limitées. Résultat : classification d'images haute précision, reconnaissance vocale, et plus, tout en edge.

ML au-delà du royaume Data Science

Historiquement, construire des systèmes ML requérait une expertise profonde en data science. Aujourd'hui, le paysage a radicalement changé. Les prévisions projettent qu'en 2025, 98 % des dispositifs edge embarqueront du ML, traduisant à environ 18-25 milliards de dispositifs intelligents mondiaux. Cette explosion ouvre possibilités à travers vision par ordinateur, analyse vocale, traitement vidéo et analyse de séquences.

Exemples concrets incluent serrures intelligentes utilisant flux caméra pour reconnaître utilisateurs autorisés, ou tableaux de bord gestion flotte détectant distraction conducteur en temps réel. La clé est que ces capacités ne sont plus limitées aux spécialistes ; elles peuvent être assemblées par concepteurs avec connaissances ML modestes.

Plateformes matérielles rendant le Edge ML pratique

Algorithmes réseaux de neurones optimisés, combinés avec microcontrôleurs puissants, permettent charges de travail ML sophistiquées en edge. Le i.MX RT1170, par instance, offre une architecture dual-core — 1 GHz Arm Cortex-M7 plus 400 MHz Cortex-M4 — permettant inférence temps réel et exécution modèle concurrente. Ses moteurs crypto intégrés, graphiques et support multimédia le rendent idéal pour détection distraction conducteur, éclairage intelligent, serrures intelligentes et systèmes gestion flotte.

Figure 2. Diagramme de blocs du MCU crossover i.MX RT1170. Image courtoisie NXP.

Le i.MX 8M Plus cible applications plus haute performance comme vision par ordinateur et automatisation industrielle. Avec NPU dédié délivrant jusqu'à 2,3 TOPS, quatre cœurs Arm Cortex-A53, et support caméra 4K ou dual-HD optionnel, il peut gérer reconnaissance faciale, détection d'objets et tâches multimédia avancées. Un cœur Cortex-M7 basse consommation additionnel gère fonctions temps réel réseau, incluant CAN FD et Ethernet Gigabit TSN-capable.

Figure 3. Diagramme de blocs du i.MX 8M Plus. Image courtoisie NXP.

L'ensemble d'outils eIQ : du modèle au déploiement

L'écosystème ML eIQ de NXP transforme ces dispositifs puissants en plateformes conviviales. La suite inclut moteurs d'inférence, compilateurs réseaux de neurones, et bibliothèques optimisées qui s'intègrent avec l'IDE MCUXpresso et Yocto BSP. Les versions à venir ajoutent un eIQ Toolkit graphique et eIQ Portal, supportant workflows « bring your own model » (BYOM) et « bring your own data » (BYOD).

Figure 4. eIQ Toolkit et eIQ Portal avec workflows BYOD/BYOM et moteurs d'inférence sélectionnables. Image courtoisie NXP.

Avec BYOM, les développeurs peuvent entraîner modèles dans le cloud et les importer dans l'environnement eIQ, puis choisir le moteur d'inférence optimal. Avec BYOD, les mêmes outils curatent datasets, entraînent modèles, et les packagent — tout dans la même interface graphique.

Edge ML : Accessible, Sécurisé et Scalable

L'edge computing garde les données sensibles locales, réduit coûts bande passante et coupe latence — bénéfices amplifiés quand combinés avec ML. Que ce soit alertes distraction conducteur temps réel ou contrôle d'accès automatisé, le ML en edge redéfinit comment les dispositifs interagissent avec le monde.

En associant le matériel rentable de NXP avec une pile logicielle developer-friendly, les concepteurs à tous niveaux d'expérience peuvent créer des solutions ML robustes, future-proof. Que vous construisiez un prototype unique ou déployiez une flotte de milliards de dispositifs, les outils et plateformes sont maintenant à portée.

Les Articles Industriels permettent aux partenaires de partager actualités, messages et technologies avec les lecteurs d'All About Circuits d'une façon que le contenu éditorial ne permet pas. Tous les Articles Industriels sont soumis à des directives éditoriales strictes dans l'intention d'offrir aux lecteurs actualités utiles, expertise technique ou histoires. Les opinions exprimées sont celles du partenaire et pas nécessairement celles d'All About Circuits ou ses rédacteurs.