NXP accélère l'IA en périphérie avec la boîte à outils eIQ

Le pionnier d'Internet Robert Metcalfe est renommé pour avoir co-inventé l'Ethernet, fondé 3Com, et formulé la Loi de Metcalfe, qui postule que la valeur d'un réseau évolue avec le carré de ses appareils connectés. Si les critiques ont averti que cette loi a aidé à gonfler la bulle dot-com de la fin des années 1990, elle reste un cadre utile pour évaluer la valeur de l'IoT, des médias sociaux, et des réseaux de cryptomonnaie. Metcalfe lui-même a noté la difficulté de quantifier la « connectivité » et le potentiel de déséconomies une fois qu'un réseau dépasse une masse critique.

Alors que le marché IoT s'étend, débloquer la valeur repose sur un partage de données optimal tout en atténuant l' « épuisement numérique ». Le VP senior de NXP, Geoff Lees, souligne que la vraie valeur économique d'un réseau ne se matérialise que quand chaque appareil peut échanger des données de façon sécurisée. Le traitement centré cloud, bien que commode, n'est pas toujours faisable — surtout pour les applications industrielles et automobiles exigeant faible latence et haute fiabilité.

Edge Intelligence Environment (eIQ)

Pour y répondre, NXP a introduit son Edge Intelligence Environment (eIQ), une boîte à outils d'apprentissage automatique supportant TensorFlow Lite, Caffe2, et autres frameworks de réseaux neuronaux. eIQ permet l'inférence sur appareil pour des cas d'usage comme la reconnaissance vocale, la vision par ordinateur, et la détection d'anomalies, agrégeant efficacement la connaissance du réseau en périphérie.

« En installant les modèles d'inférence localement, nous préservons la valeur des données du réseau et réduisons la latence », explique Lees. NXP prévoit d'augmenter continuellement la puissance de traitement en périphérie à chaque génération de semiconducteurs tout en insistant sur la sécurité, le traitement de données, et le stockage local. La devise de l'entreprise — « sécurisé, conscient, et connecté » — reflète cette évolution.

Applications pratiques

Applications pratiques d'eIQ incluent des systèmes de vision par ordinateur qui détectent si les travailleurs industriels portent des casques, identifient des opérations de machinerie dangereuses, ou signalent d'autres problèmes de sécurité. Dans les scénarios critiques pour la sécurité, la latence d'envoi de données vers le cloud est inacceptable.

Markus Levy, Head of AI chez NXP, insiste que fournir des capacités edge-computing et machine-learning devrait être aussi simple que brancher un composant. NXP livre aussi du matériel et logiciel qui rendent la sécurité plug-and-play, et développe des « cookbooks » guidant les clients dans le déploiement de TensorFlow et autres frameworks ML.

Le coût reste une barrière. Gowri Chindalore, stratège lead embedded-solutions chez NXP, note que beaucoup de clients peinent à calculer le coût système nécessaire pour atteindre une expérience utilisateur désirée. eIQ offre un parcours rentable en permettant aux clients de spécifier des cibles de performance — comme la latence d'inférence — et de recevoir des conseils sur le processeur optimal.

NXP s'associe à des firmes d'analytique de données pour rénover des environnements industriels existants, citant plates-formes pétrolières et mines comme exemples où le traitement en périphérie est essentiel pour surveiller les gaz dangereux et assurer la sécurité des mineurs.

Enfin, Lees souligne que centraliser des données précieuses dans le cloud étend la surface d'attaque. Des stockages de données distribués avec contrôles d'accès granulaires réduisent davantage le risque, renforçant l'argument pour maintenir les données localement quand possible.

[IoT World est l'événement qui fait passer l'IIoT de l'inspiration à l'implémentation, boostant business et opérations. Prenez votre billet maintenant.]