Le TinyML va révolutionner l'apprentissage automatique sur les systèmes embarqués

L'apprentissage automatique (ML) et l'intelligence artificielle (IA) sont devenus essentiels dans divers domaines, poussés par le besoin d'informations précieuses issues des données des utilisateurs. Initialement limités aux serveurs web et aux infrastructures cloud, l'avènement des smartphones a permis le ML sur les appareils périphériques (edge). Le projet TensorFlow Lite (TF Lite) de Google a encore élargi le concept d'apprentissage automatique, donnant naissance au domaine du Tiny Machine Learning (TinyML).

Qu'est-ce que le TinyML ?

Le TinyML fait référence à l'application des modèles ML et d'apprentissage profond sur des systèmes embarqués avec des ressources de calcul limitées, telles que les microcontrôleurs et les processeurs de signaux numériques. Ces systèmes ont une consommation d'énergie ultra-faible, une mémoire RAM et flash limitées, et fonctionnent avec une latence élevée. TF Lite est actuellement le principal framework pour le TinyML, offrant un support pour les microcontrôleurs, l'embedded Linux, Android et les plateformes iOS. Les modèles TinyML sont de petite taille, généralement de quelques kilo-octets, et effectuent des tâches cognitives spécifiques au sein de l'appareil.

Comment fonctionne le TinyML

TF Lite, un framework d'apprentissage profond utilisant des réseaux neuronaux récurrents, capture les données des capteurs connectés aux microcontrôleurs. Ces données sont envoyées à une plateforme cloud pour l'entraînement du modèle. Après un entraînement par lots hors ligne, le modèle entraîné est reporté sur le système embarqué. Le modèle consomme ensuite des données en temps réel des capteurs et applique des techniques ML pour en déduire des inférences. Les modèles TinyML subissent une validation rigoureuse pour garantir leur pertinence à long terme sans besoin de réentraînement fréquent.

Avantages du TinyML

Le TinyML offre plusieurs avantages pour les appareils périphériques et les applications IoT :

1. Empreinte faible : Les modèles TinyML sont compacts, ce qui les rend facilement portables vers les microcontrôleurs et les appareils à faible consommation.

2. Faible consommation d'énergie : Les applications TinyML consomrent idéalement moins d'un milliwatt d'énergie, permettant un fonctionnement à long terme sans recharge ni remplacement de batterie.

3. Faible latence : Les inférences sont dérivées localement, éliminant le besoin de transfert de données vers le cloud. Cela réduit la latence du réseau et minimise la dépendance aux serveurs externes.

4. Faible bande passante : Les applications TinyML ne dépendent pas d'un échange de données continu avec un serveur ou un cloud, leur permettant de fonctionner même avec une connectivité internet limitée ou inexistante.

5. Confidentialité : Les applications TinyML exécutent les tâches ML localement, éliminant le besoin de transférer ou de stocker des données utilisateur sensibles à l'extérieur.

6. Coût faible : Le TinyML est conçu pour les microcontrôleurs 32 bits et les DSP, qui sont des solutions rentables pour exécuter des applications ML à grande échelle.

Pour commencer avec le TinyML

Pour commencer avec le TinyML en utilisant TF Lite, il faut une carte microcontrôleur prise en charge et un ordinateur ou un portable pour concevoir des modèles ML. TF Lite prend en charge diverses cartes telles que l'Arduino Nano 33 BLE Sense, le kit de découverte STM32F746 et l'Espressif ESP32-DevKitC. Les outils de programmation spécifiques à chaque plateforme matérielle, utilisant la bibliothèque TF Lite, facilitent la construction, l'entraînement et le report des modèles. La nature open-source de TF Lite permet la modification sans frais de licence.

TF Lite pour les microcontrôleurs prend en charge un sous-ensemble des opérations ML. La bibliothèque fournit des modèles d'exemple pour la classification d'images, la détection d'objets, la reconnaissance vocale, et plus encore. Ces modèles servent de points de départ pour apprendre et développer des applications TinyML.

Applications du TinyML

Bien qu'encore à ses débuts, le TinyML a trouvé des applications pratiques dans divers domaines :

1. Automatisation industrielle : Maintenance prédictive, optimisation des machines et détection des défauts dans la fabrication.

2. Agriculture : Détection des maladies et des ravageurs dans les plantes, automatisation dans l'agriculture.

3. Santé : Détection précoce des maladies, dispositifs de fitness et équipements de santé.

4. Commerce de détail : Gestion des stocks, analyse des préférences des clients.

5. Transport : Surveillance du trafic, détection des accidents.

6. Forces de l'ordre : Détection des activités illicites, sécurité des guichets automatiques.

7. Conservation de la vie océanique : Surveillance en temps réel pour protéger les baleines et la vie marine.

L'avenir du TinyML

Avec sa petite empreinte, sa faible consommation d'énergie et sa dépendance réduite au cloud, le TinyML a un potentiel énorme dans la mise en œuvre d'une IA étroite sur les appareils périphériques. À mesure que l'industrie IoT et les domaines spécifiques adoptent de plus en plus le ML, le TinyML jouera un rôle vital dans l'amélioration de la confidentialité et de la sécurité. Bien que d'autres frameworks comme uTensor et CMSIS-NN d'ARM soient en développement, TF Lite reste le choix principal. Le soutien de la communauté et la collaboration avec les concepteurs de puces aideront à faire entrer le TinyML dans le courant dominant.

Le TinyML représente la fusion des systèmes embarqués et du ML, offrant des solutions aux défis rencontrés par l'industrie IoT et les experts en ML. Avec sa petite taille, sa faible consommation d'énergie et sa latence réduite, le TinyML a le potentiel de transformer la conception des systèmes embarqués et des robots. À mesure que le support matériel et les outils de programmation s'étendent, le TinyML gagnera probablement en prominence dans le domaine de l'apprentissage automatique et de l'IA.