Accueil   >   Blog   >   TinyML : tour d’horizon

TinyML : tour d’horizon

Concepts clés

L’Intelligence Artificielle et le machine learning font aujourd’hui partie intégrante de notre quotidien. Pour s’en convaincre, il n’y a qu’à observer l’emballement (ou la panique) actuel autour des prouesses de ChatGPT. Quel que soit votre métier, vous interagissez forcément avec un modèle d’apprentissage automatique, que cela soit sur vos réseaux sociaux, via l’assistance virtuelle de votre banque en ligne ou bien lorsque votre boite mail filtre vos spams… Pourtant, on ne peut pas vraiment dire que le machine learning soit devenu mainstream 

Le principal responsable de cette démocratisation tardive ? Les ressources nécessaires pour fonctionner de manière optimale. Les modèles de machine learning coûtent en effet cher et nécessitent une infrastructure informatique considérable… 

Enfin ça… C’était avant. Le TinyML (littéralement, la version de poche du machine learning) opère actuellement une véritable révolution et devrait faire entrer l’intelligence artificielle dans un nouveau cycle d’adoption massive. Zoom sur une lame de fond en cours ! 

Tiny-machine-learning

Qu’est-ce que le TinyML ? 

Commençons par le commencement. Le TinyML est un sous-domaine de l’apprentissage automatique, qui explore tous les modèles de machine learning exploitables sur de petits appareils à faible puissance (comme les micro-contrôleurs, par exemple). Il permet donc d’exploiter le principe d’apprentissage automatique à faible latence, faible puissance et faible bande passante.  

Alors qu’un processeur standard consomme entre 65 watts et 85 watts, la consommation d’un microcontrôleur se mesure en milliwatts, voire en microwatts, ce qui représente près de mille fois moins d’énergie ! Cette faible consommation permet aux appareils de TinyML de fonctionner même débranchs pendantplusieurs semaines, mois, ou dans certains cas, pendant plusieurs années… Une performance non négligeable, alors que l’énergie coute de plus en plus cher. 

La croissance du TinyML ces dernières années est globalement due au développement des écosystèmes matériels et logiciels qui le soutiennent. Elle a permis, grâce à son fonctionnement peu énergivore, de faire fonctionner les applications d’apprentissage automatique de manière beaucoup plus réactive. Mais derrière le TinyML se cache surtout l’idée de permettre à ses acteurs d’en faire plus – avec moins. 

Quels sont les avantages du TinyML ? 

Petit par la taille, mais grand par les avantages, le TinyML offre de plusieurs bénéfices :   

  • Faible latence : les données n’ont plus besoin d’être transférées sur un serveur pour l’inférence. Le modèle TinyML fonctionne en effet sur des périphériques Edge. Or, les transferts de données sont généralement chronophages, ce qui provoque un léger retard. La suppression de cette exigence diminue la latence des applications de machine learning ; 
  • Faible consommation d’énergie. Comme on l’a déjà indiqué, les microcontrôleurs sur lesquels fonctionnent le TinyML consomment très peu d’énergie. C’est ce qui leur permet de continuer de fonctionner sans avoir à être rechargés pendant de très longues périodes. Puisqu’une infrastructure de serveur approfondie n’est pas requise pour réaliser le transfert de données, les ressources en énergie sont encore plus faibles. Et les coûts, nettement plus bas ; 
  • Faible bande passante : comme les données n’ont pas besoin d’être constamment envoyées au serveur, les applications de TInyML utilisent logiquement moins de bande passante ; 
  • Confidentialité : étant donné que le modèle s’exécute sur Edge, vos données ne sont stockées dans aucun serveur. Elles ne risquent donc pas d’être hackées.  

Principaux cas d’utilisation de la technologie 

Profitant de la percée réalisée par le machine learning classique avant lui, le TInyML a rapidement inondé tous les secteurs d’activité. Et plus particulièrement, ceux qui dépendent des réseaux et des données de l’Internet des objets (IoT).  

La vision assistée par ordinateur, la maintenance prédictive et la reconnaissance des gestes sont autant de cas d’utilisation du TinyML. On le retrouve ainsi dans :  

  • L’agriculture : les données peuvent être collectées et analysées en temps réel à l’aide d’applications de TinyML. La startup suédoise Imagimob a même créé une plateforme de développement ouverte à cinquante-cinq organisations dans toute l’Union européenne, pour améliorer la gestion des cultures et du bétail grâce au machine learning de poche ; 
  • La santé : le projet Solar Scare Mosquito utilise le TinyML pour freiner la propagation des maladies comme la dengue, le paludisme, le virus Zika, le chikungunya, etc. Il détecte les conditions de reproduction des moustiques et pulvérise de l’eau pour empêcher leur reproduction. En plus de reposer sur la technologie peu énergivore du TinyML, ce projet fonctionne également à l’énergie solaire ; 
  • L’expérience client : la personnalisation est un levier marketing ultra puissant pour les marques. Ce sont en effet les entreprises qui comprennent le mieux leurs clients et les ciblent avec des annonces et des messages qui résonnent avec leur comportement qui gagnent en général le plus de parts de marché. Le déploiement d’applications Edge TinyML leur permet de mieux comprendre le comportement et le parcours de leur prospect, puis d’adapter leur expérience en ligne à leurs exigences ; 
  • Industrie : les machines industrielles sont sujettes aux pannes. En utilisant le TinyML sur des appareils à faible alimentation, il est possible de surveiller sa chaîne de production et de prédire les problèmes techniques à l’avance. Ce maintien prédictif a pour principal avantage de permettre d’énormes économies et d’augmenter la sécurité dans les usines.  

Pour aller plus loin : 

TinyML : par où commencer ? 

Vous souhaitez vous mettre au TinyML et développer votre propre application ? Pour ce faire, vous aurez besoin de plusieurs choses essentielles :  

  • Le bon matériel : le Arduino Nano 33 BLE Sense est le matériel suggéré pour déployer des modèles d’apprentissage automatique sur Edge. Il comprend un microcontrôleur ARM Cortex-M4F 32 bits fonctionnant à 64 MHz avec 1 Mo de mémoire et 256 Ko RAM. Soit pile poil ce qu’il vous faut pour exécuter des modèles TinyML ; 
  • Des frameworks adaptés : il existe encore très peu de frameworks qui répondent aux exigences de TinyML. On peut cependant citer Tensorflow Lite, qui est le plus populaire et a fédéré la plus grande communauté de développeurs ; 
  • Des ressources d’apprentissage : étant donné que le TinyML est un domaine émergent, on trouve aussi peu de documentation pour se former. Vous pouvez néanmoins faire confiance au livre de Pete Warden et Daniel Situnayake, «TinyML: Machine Learning with Tensorflow Lite sur Arduino et Ultra-Low-Power». Ou suivre le cours de la Harvard University sur le TinyML, conçu par Vijay Janapa Reddi.  

Le TinyML ouvre considérablement le champ des possibles de l’apprentissage automatique. Bientôt, les voitures, les machines à café ou même les montres offriront des fonctionnalités intelligentes que l’on pense aujourd’hui restreintes aux ordinateurs et smartphones. Avec une valeur marchande projetée dépassant les 70 milliards de dollars dans seulement cinq ans, autant ne pas manquer le train alors qu’il quitte à peine la gare ! 

 

Vous souhaitez développer vos compétences dans le domaine l’IA ? Découvrez nos formations de quelques heures sur les outils indispensables du marché : 

 

Découvrir toutes les formations en IA et Big Data .

Ceci devrait vous intéresser

Connect

Pour recevoir nos derniers articles sur la Data et l'Intelligence Artificielle, abonnez vous à Connect, l’email qui fait du bien à vos données.

Le Pont Learning