L’IA en périphérie fait sortir l’apprentissage automatique des centres de données éloignés pour l’amener directement sur l’appareil que vous tenez entre vos mains. Au lieu d’envoyer les données vers le cloud, le modèle s’exécute là où les données apparaissent. Par conséquent, les réponses sont fournies plus rapidement et vos informations restent souvent confidentielles. Ce guide explique ce qu’est l’IA en périphérie, en quoi elle diffère de l’IA dans le cloud et dans quelles situations vous l’utilisez déjà au quotidien.
Que signifie réellement l’IA en périphérie ?
L’IA en périphérie désigne l’apprentissage automatique qui s’exécute directement sur un appareil local. Le terme « périphérie » (edge) désigne simplement l’extrémité d’un réseau, proche de l’utilisateur. Ainsi, un téléphone, un appareil photo ou une enceinte connectée peut « réfléchir » par lui-même sans passer par un serveur.
Pour ce faire, les ingénieurs réduisent un modèle entraîné jusqu’à ce qu’il tienne sur du petit matériel. Ils suppriment les connexions inutilisées et simplifient les calculs. Comme le modèle réside alors sur l’appareil, il peut répondre en quelques millisecondes. Si vous souhaitez rafraîchir vos connaissances sur le principe sous-jacent, notre guide explicatif sur les modèles d’IA en présente bien les bases.
De plus, l’exécution locale permet de conserver les données brutes sur l’appareil. Un bracelet connecté, par exemple, peut mesurer votre fréquence cardiaque sans la transmettre nulle part. L’IA en périphérie séduit donc particulièrement tous ceux qui accordent de l’importance à la confidentialité et à la rapidité. Elle réduit également le coût lié à l’envoi d’une quantité infinie de données sur un réseau. Pour les entreprises disposant de milliers d’appareils, ces économies s’accumulent rapidement.
En quoi l’IA en périphérie diffère-t-elle de l’IA dans le cloud ?
L’IA dans le cloud adopte l’approche inverse. Votre appareil envoie des données à un serveur puissant, celui-ci exécute un modèle volumineux, puis la réponse vous est renvoyée. Cela fonctionne bien pour les tâches lourdes, mais dépend d’une connexion stable. Vous pouvez avoir une vue d’ensemble dans notre guide sur l’intelligence artificielle dans le cloud.
L’informatique en périphérie change la donne. Comme le modèle réside sur l’appareil, il continue de fonctionner même en l’absence de signal. De plus, cela évite le délai lié au transit sur le réseau. Le compromis réside toutefois dans la puissance de calcul, car une puce locale ne peut rivaliser avec la puissance brute d’un centre de données.
Dans la pratique, de nombreux produits combinent ces deux approches. Un téléphone peut traiter les requêtes simples en périphérie et confier les plus complexes au cloud. C’est également là que l’inférence IA prend toute son importance, car l’appareil doit exécuter le modèle rapidement et efficacement.
Le matériel derrière l’IA en périphérie
Le matériel dédié à l’IA en périphérie est le moteur qui rend l’intelligence locale possible. Les processeurs classiques peuvent exécuter de petits modèles, mais les puces spécialisées s’en acquittent bien mieux. Les fabricants intègrent désormais une unité de traitement neuronal (ou NPU) à de nombreux téléphones et appareils photo. Ces puces effectuent les calculs d’IA tout en consommant très peu d’énergie.
L’efficacité est ici primordiale. Un téléphone ne peut pas compter sur un système de refroidissement gigantesque ; chaque opération doit donc rester allégée. Par conséquent, les concepteurs optimisent à la fois la puce et le modèle. Ils adaptent le logiciel au circuit intégré pour obtenir le meilleur rapport vitesse/watt.
Au-delà des téléphones, le matériel d’IA en périphérie est présent dans les voitures, les drones et les capteurs industriels. Chacun de ces appareils doit prendre des décisions rapides sans attendre une réponse du réseau. Les prix de ces puces ne cessent par ailleurs de baisser, ce qui permet d’intégrer l’intelligence locale dans des gadgets de plus en plus abordables. Ainsi, même les appareils domestiques les plus simples intègrent désormais de véritables capacités d’apprentissage automatique. Pour mieux comprendre comment les modèles apprennent avant d’être miniaturisés, consultez notre guide d’introduction à l’apprentissage automatique.
Exemples quotidiens d’IA en périphérie
Vous utilisez probablement des exemples d’IA en périphérie sans même vous en rendre compte. Le déverrouillage par reconnaissance faciale, par exemple, s’effectue entièrement sur votre téléphone. L’appareil analyse vos traits de manière locale et n’envoie jamais votre visage à un serveur. Cette conception garantit à la fois la rapidité et la confidentialité du processus.
Les caméras intelligentes constituent un autre exemple flagrant. Une sonnette peut distinguer une personne d’une voiture qui passe grâce à sa propre puce. De même, les écouteurs à réduction de bruit filtrent les sons en temps réel à l’aide d’un minuscule modèle intégré. Les assistants vocaux font de plus en plus de même pour les commandes simples.
C’est dans le secteur automobile que les enjeux sont les plus importants. Un système d’aide à la conduite doit réagir en un instant ; il ne peut donc pas attendre une réponse du cloud. C’est pourquoi les constructeurs automobiles délocalisent les traitements lourds vers la périphérie. Selon la synthèse d’IBM sur l’IA en périphérie, cette tendance s’étend désormais à de nombreux secteurs.
Les compromis et les limites de l’IA en périphérie
L’IA en périphérie est puissante, mais elle présente de réelles limites. Un petit modèle atteint rarement la précision d’un grand modèle dans le cloud. Les concepteurs étant contraints de le réduire pour l’adapter, certaines capacités sont perdues. Pour les tâches simples, cet écart est à peine perceptible, mais pour les tâches complexes, le cloud reste la solution privilégiée.
Les mises à jour constituent un deuxième défi. Lorsqu’un modèle est déployé sur des millions d’appareils, l’améliorer implique de déployer des mises à jour sur chacun d’entre eux. De plus, les appareils plus anciens peuvent ne pas disposer des puces nécessaires pour exécuter les modèles les plus récents. Les entreprises doivent donc planifier soigneusement la gestion d’un parc hétérogène de matériel. La sécurité ajoute une complication supplémentaire, car un modèle présent sur un appareil peut être étudié par toute personne qui en est propriétaire. Les entreprises protègent donc jalousement leurs meilleurs modèles.
Malgré ces obstacles, l’IA en périphérie continue de se développer rapidement. Elle offre une rapidité, une confidentialité et une fiabilité hors ligne que le cloud seul ne peut pas garantir. En conclusion, attendez-vous à ce que davantage de vos outils quotidiens « pensent par eux-mêmes », en exécutant discrètement l’IA en périphérie sur les appareils que vous possédez déjà.