Edge Computing : accélérer le déploiement de l'IA en périphérie du réseau

L'intérêt pour l'edge computing grandit, pourtant beaucoup peinent encore à en comprendre l'architecture. La même ambiguïté entoure l'intelligence artificielle, et l'idée de migrer l'IA vers l'edge peut sembler encore plus déroutante.

Martin Davis, managing partner chez DUNELM Associates, note que l'edge AI est souvent rejetée comme « juste de la théorie citée dans des articles ».

Néanmoins, les leaders industriels et d'entreprise ne peuvent plus ignorer l'edge AI. Traditionnellement, les tâches compute-intensives comme le deep learning et la computer vision résidaient dans des datacenters centralisés. Cependant, la prolifération du networking haute performance et du hardware on-premise permet désormais un passage d'un modèle purement cloud-centrique vers l'edge, explique le consultant Chaitan Sharma. « Cela ne se fera pas du jour au lendemain, mais c'est inévitable », ajoute-t-il. Gartner prévoit que d'ici 2025, 75 % des données d'entreprise seront traitées à l'edge, tandis que Grand View Research projette un taux de croissance annuel de 54 % pour le marché de l'edge computing jusqu'en 2025.

Au cœur de l'industrie

Définir la localisation précise de l'edge computing peut être ambigu. L'Open Glossary of Edge Computing le décrit comme la mise à disposition de ressources de calcul aux extrémités logiques d'un réseau. Situé au-delà des datacenters conventionnels et du cloud, l'edge se concentre sur le « dernier kilomètre » du réseau, rapprochant physiquement le calcul des appareils et individus générant les données.

[IoT World est le plus grand événement IoT d'Amérique du Nord, où stratèges, technologues et implémenteurs connectent pour amener l'IA, la 5G et l'edge dans l'industrie. Réservez votre billet maintenant.]

Les environnements industriels, comme les usines et les mines, font face à des défis en s'appuyant uniquement sur le cloud computing. Une usine typique exige une fiabilité réseau quasi parfaite — 99,9999 % de disponibilité — et une latence au milliseconde, tout en restreignant souvent la transmission de données au-delà de ses locaux. Historiquement, ces installations ont reposé sur du câblage extensif et des protocoles filaires propriétaires, menant à des écosystèmes technologiques fragmentés. L'edge computing offre une voie pour unifier ces composants disparates, comme le souligne le Market Radar d'Ovum : CSPs' Industrial IoT Strategies and Propositions.

Les déploiements edge opérant indépendamment du cloud diffèrent des modèles purement on-device où chaque paquet de données est traité localement. Si le calcul embarqué peut permettre une prise de décision critique instantanée, Harald Remmert, senior director of research and innovation chez Digi International, note que le hardware requis est coûteux et souvent insuffisant pour exécuter des charges de travail machine learning complexes.

En revanche, une solution edge enrichie d'IA dans une usine peut agréger et contextualiser les données de nombreuses machines, identifiant et prévenant les problèmes qui causeraient sinon des arrêts. Gal Ben-Haim, head of architecture chez Augury — firme spécialisée dans le machine learning pour l'industrie de process — souligne que l'inférence edge débloque des applications à grande échelle, même quand l'ultra-faible latence n'est pas obligatoire.

Cependant, déployer le machine learning à l'edge n'est pas trivial ; il demande des modèles matures et de nouvelles stratégies de gestion du déploiement, explique Ben-Haim.

Du Cloud à l'Edge et retour

Bien que certains cas d'usage edge opèrent entièrement indépendants de l'infrastructure cloud centrale, la plupart des analystes voient l'edge computing comme faisant partie d'un continuum distribué-centralisé. Plutôt que de s'éloigner des datacenters traditionnels, il offre une « trêve », observe l'analyste Gartner Bob Gill lors d'un webinaire 2018.

Bill Malik, vice-président infrastructure strategies chez Trend Micro, met en garde : l'edge computing ne supplantera pas le cloud.

Daniel Newman, principal analyst chez Futurum Research, acquiesce : seuls quelques scénarios justifient un edge totalement autonome.

Typiquement, les données circulent bidirectionnellement entre l'edge et le cloud. Le cloud excelle à capter les macro-tendances — comme les évolutions de consommation d'énergie ou de qualité de l'air — tandis que l'edge computing délivre des insights immédiats et contextuels, note Malik.

Accenture considère l'edge computing comme une extension naturelle du cloud. « L'edge est employé par de nombreux clients aux côtés de l'analytique cloud et du machine learning pour débloquer des services business innovants », dit Charles Nebolsky, managing director et network practice lead chez Accenture Technology. Un exemple est le programme Connected Mine d'Accenture, qui optimise les opérations en carrière pour des firmes minières. Nebolsky explique qu'ils ont intégré l'edge computing dans le workflow d'un client minier, utilisant de la vidéo haute résolution depuis des foreuses pour évaluer la densité de roche en temps réel. Cette donnée permet à la foreuse d'auto-ajuster angle et vitesse, tout en facilitant la maintenance prédictive. « La bande passante nécessaire pour les flux vidéo haute densité ne peut être transmise au cloud au frame rate requis sans coûts prohibitifs », ajoute Nebolsky.

Volvo Trucks illustre ce modèle bidirectionnel via sa télématique et diagnostics à distance sur les modèles récents. L'ordinateur de bord signale les paramètres anormaux et génère des codes de panne, que le système télématique streame vers le Uptime Center de Volvo. Le centre coordonne les réponses entre ateliers, concessionnaires et équipes service client. Si le diagnostic embarqué aide au troubleshooting temps réel, le composant cloud centralisé permet aux parties prenantes externes de préparer les visites de maintenance.

Bill Roberts, IoT director chez SAS, observe que Volvo évolue vers un modèle de maturité prévalent intégrant analytique edge, IA et machine learning. « La prochaine étape logique est de doter l'edge sur les camions pour filtrer les données de panne actionnables », suggère Roberts. « Cela libérerait de la bande passante, permettant de collecter plus de télématique pour une analytique cloud plus riche. Ces insights peuvent alors être déployés soit à l'edge, soit dans le cloud, selon le scénario. »

Le test bed Distributed Energy Resources Integration exemplifie le computing hybride distribué-cloud. Il offre une alternative aux réseaux AC centralisés conventionnels qui peinent à exploiter optimalement des sources DC distribuées comme le solaire ou l'éolien. Le test bed déploie de l'analytique edge temps réel sur du hardware stratégiquement placé, unifiant équipement legacy et supervision centralisée tout en permettant des opérations autonomes et réactives. « La plateforme supporte l'opération autonome et l'analytique edge tout en alimentant données et signaux de contrôle vers un ou plusieurs centres de contrôle », expliquent Erik Felt, market development director of future grid chez RTI, et Neil Puthuff, software integration engineer chez RTI.

L'avènement de la 5G aさらに stimulé l'intérêt pour des architectures edge opérant au-delà des datacenters conventionnels. Bien que peu d'entreprises aient piloté des projets edge 5G, ce paysage est appelé à évoluer à mesure que le réseau mûrit. Harald Remmert souligne que les bénéfices miroir ceux du cloud computing — juste avec une latence réduite — et que l'architecture est de plus en plus favorisée pour les charges de travail machine learning.