Tendances clés de l'Edge AI en 2022

Depuis son ajout comme domaine d'étude en 1956 dans les universités, l'Intelligence Artificielle a traversé des périodes d'optimisme et de pessimisme en mesure égale. Il n'y a aucun doute qu'aujourd'hui nous vivons une période de grand optimisme.

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

Telle est la prédominance de l'IA sur le marché qu'il n'a plus de sens de en parler comme une technologie unique mais comme de nombreuses branches servant différents usages à différentes industries.

Parmi les tendances identifiées comme les plus matures et proches du stade de production sont celles qu'on identifie dans notre routine quotidienne. Par exemple, le traitement du langage naturel qu'on utilise quand on parle avec des chatbots de plus en plus humains, l'imagerie machine qui permet d'automatiser le traitement vidéo temps réel, et les recherches sémantiques, qui mènent à de meilleurs résultats de recherche.

À l'autre extrême, il y a des tendances plus futuristes qui n'émergeront pas avant au moins 10 ans. Exemples intéressants : les technologies AI TRISM (Trust, Risk and Security Management), qui permettent de réguler les modèles IA les rendant plus résilients aux attaques sécurité et vie privée, et les transformers, qui permettent d'adapter les modèles IA au contexte et auront grand impact sur l'amélioration d'applications comme traducteurs, création automatique de documents, ou analyse de séquences biologiques.

Entre les deux extrêmes sont d'autres technologies habilitantes qui prendront deux à cinq ans du déploiement à la maturité marché, qu'on peut appeler le « Futur Proche de l'IA ». Parmi celles-ci : IA centrée humaine, IA générative, orchestration et automatisation de l'IA, et, en tête sur la courbe de maturité, l'IA sur le Edge, aussi connue sous le nom d'« Edge AI ». En 2021, l'Edge AI est devenue la technologie qui mûrira dans le futur proche.

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

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

Cette technologie croît exponentiellement, soutenue par une statistique frappante : plus de 60 % des organisations industrielles n'ont pas d'infrastructure Cloud en place pour les aider à innover efficacement.

Alors, si on passe au microscope les projets Edge AI, quelles sont les tendances les plus disruptives qu'on verra en 2022 et 2023 ?

Voici un résumé de notre top 5 :

1. Les industries critiques seront les principaux moteurs : de SCADA à Edge AI

Chez Barbara IoT, nous trouvons des motifs répétés dans les industries à l'avant-garde de l'Edge AI : toutes gèrent de nombreux actifs distribués critiques. Autrement dit, ce sont des industries face à de grands défis de fragmentation technologique, scalabilité et cybersécurité. Ceux-ci peuvent être minimisés en exécutant algorithmes IA au edge. Nous prédisons que ces industries développeront des cas d'usage très ambitieux et transformateurs.

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

2. Le Thin Edge complétera le Thick Edge

Il y a différentes interprétations sur ce que « edge » signifie quand on parle d'Edge AI. Traditionnellement, le edge a été identifié comme l'infrastructure d'opérateur réseau la plus proche de l'utilisateur. Par exemple, pour les réseaux 5G, on réfère aux opérateurs déployant une multitude de nœuds appelés « Multiaccess Edge Computing » pour traitement données de proximité. Ces nœuds sont installés sur serveurs très similaires à ceux dans un data center conçu pour héberger services cloud, et ont haut potentiel et capacité pour traiter algorithmes IA complexes. C'est ce que certains analystes nomment le « Thick » Edge.

Cependant, récemment des nœuds Edge d'un autre type commencent à être développés : connectés directement aux capteurs et commutateurs, installés sur dispositifs basse consommation comme passerelles ou concentrateurs, ils servent à exécuter algorithmes IA plus simples avec temps de réponse plus courts, plus proches du temps réel. Ce nouveau type d'Edge, appelé « Thin » Edge, permettra de traiter rapidement et flexiblement des projets plus larges incluant lieux distants ou exigences de haute sécurité et isolation des données.

3. Edge Mesh comme nouveau paradigme pour activer l'Intelligence Artificielle Distribuée

L'Edge AI est traditionnellement basé sur modèles de décision entraînés avec de grosses données. Le modèle, consistant en séries de formules mathématiques, est installé sur Nœuds Edge. De là, chaque nœud peut prendre ses propres décisions selon les données reçues et le modèle installé.

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

Un nœud Edge peut décider du timing d'un feu tricolore avec algorithmes IA prenant en compte le nombre de voitures et piétons détectés par capteurs. Cependant, cette décision pourrait être parfaitement complétée par les décisions d'autres nœuds dans rues voisines.

Le but de l'Edge Mesh est de distribuer l'intelligence entre divers nœuds pour offrir meilleure performance, temps de réponse et tolérance aux pannes qu'avec architectures traditionnelles.

4. La gestion du cycle de vie avec MLOps devient de plus en plus importante

Alors que l'industrie passe au déploiement d'Edge AI avec nœuds distribués plus nombreux et algorithmes d'entraînement plus complexes, la capacité de maintenir le cycle de vie de ces modèles entraînés, et des appareils qui les exécutent, sera clé pour l'avenir de cette technologie.

En ce sens, les projets et entreprises appliquant la philosophie DevOps pour développement, déploiement et maintenance d'algorithmes IA seront avantagés.

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

Mais qu'est-ce exactement ? Fondamentalement, cela vise à réduire les temps de développement, test et implémentation des modèles IA sur le Edge par l'intégration continue d'équipements et environnements de développement, tests, et opérations.

5. L'Edge AI permet l'échange de données souverain

Il n'y a aucun doute que le partage de données sera primordial pour améliorer processus dans secteurs industriels avec nombreux acteurs dans la chaîne de valeur.

Regardons le modèle futur de réseau électrique : un Smart Grid. Pour pouvoir recevoir ou offrir meilleur service, il est essentiel pour fournisseurs de pouvoir analyser et traiter informations de plusieurs acteurs comme prosumers, opérateurs, distributeurs, agrégateurs. Sans échange de données transparent, agile, il sera impossible d'atteindre l'optimisation de réseau requise d'ici 2050.

Avec l'Edge AI, un traitement de données décentralisé est possible, ce qui aidera à surmonter certains obstacles que l'industrie affronte actuellement comme sécurité des données, vie privée et souveraineté.