La première leçon apprise par les développeurs d’IA est que la qualité d’un système IA repose sur son ensemble de données d’entraînement.
Une grande part des efforts de développement des systèmes IA en périphérie est donc consacrée à l’élaboration d’un ensemble de données d’entraînement suffisamment approfondi pour permettre un apprentissage efficace pour l’usage prévu, sans pour autant créer un modèle tellement volumineux qu’aucun appareil en périphérie viable ne pourrait l’exécuter.
Actuellement, cet ensemble de données d’entraînement est généraliste : Un modèle de reconnaissance visuelle des chats est entraîné sur des images de chats provenant des archives Internet mondiales. Un fabricant d’appareils ne va pas se rendre sur les lieux où son appareil de reconnaissance de chats va être déployé pour prendre des millions d’images des chats dans les conditions d’éclairage locales.
Cette approche d’entraînement est le meilleur effort du développeur pour préparer l’appareil à comprendre son environnement opérationnel. Elle convient pour la reconnaissance des chats. Cependant, dans de nombreuses applications IA en périphérie, ce type d’ensemble de données d’entraînement universel ne permet pas à l’appareil d’acquérir les connaissances dont il a besoin pour répondre aux conditions locales spécifiques.
Prenons l’exemple d’un robot de désherbage autonome pour les exploitations agricoles. La caméra du robot est programmée pour reconnaître les images de feuilles, distinguer les plantes cultivées des mauvaises herbes et traiter ces dernières de manière appropriée. Pour minimiser la taille du modèle de reconnaissance des mauvaises herbes, le développeur l’entraîne sur les images des mauvaises herbes les plus couramment rencontrées par les agriculteurs, plutôt que sur une base de données de toutes les plantes du monde. Ce modèle limité est ensuite programmé dans tous les robots de désherbage expédiés aux agriculteurs.
Cette méthode fonctionne jusqu’à ce qu’une mauvaise herbe inconnue apparaisse, comme une espèce invasive importée d’outre-mer. Ou que se passerait-il si un groupe local d’agriculteurs sélectionnait une nouvelle variété hybride dont l’aspect est subtilement différent de celui des plantes cultivées sur lesquelles le modèle a été entraîné ? Dans ce cas, le robot pourrait laisser prospérer une mauvaise herbe tout en tuant les nouvelles pousses de la plante cultivée.
Il en va de même dans d’autres domaines. Dans le domaine de la médecine, les modèles de suivi de santé personnelle peuvent être entraînés sur des données provenant de personnes recrutées pour des tests, des personnes aux revenus modestes et ayant du temps : des étudiants, par exemple. Les patients qui bénéficieront le plus de l’utilisation d’un dispositif de santé doté de l’IA seraient cependant une génération plus âgée. Dans ce cas, les schémas de données physiologiques suivis par l’appareil peuvent ne pas correspondre au profil de l’utilisateur type.
Alors comment résoudre le problème de l'ensemble des données d’entraînement ?
La réponse pourrait résider dans la création d’une boucle de rétroaction continue entre l’ensemble des données d’entraînement, le système de développement de modèle sur le cloud et les données capturées localement par la base d’appareils installés sur le terrain (voir Figure 1). Cette nouvelle approche en cours de développement par les spécialistes des logiciels embarqués Foundries.io et Edge Impulse est inspirée par le modèle d’intégration et de développement continus (CI/CD) pour le déploiement de logiciels.
Dans cette approche, les données (exemple de l’agriculture intelligente, des données physiologiques pour un produit de suivi de santé) capturées localement par le dispositif en périphérie sont utilisées non seulement pour alimenter le moteur d’inférence, mais également collectées par un processus d’acquisition de données et renvoyées à l’ensemble de données d’entraînement dans le cloud. Le modèle est entraîné sur l’ensemble de données nouvellement augmenté ou affiné, un nouvel algorithme d’inférence est généré et déployé sur les appareils de terrain, refermant ainsi la boucle de rétroaction.
En utilisant des données tirées de l’environnement individuel d’un appareil, le développeur peut améliorer les performances et la précision du modèle, le rendant plus à même de répondre aux phénomènes particuliers observés localement.
Comment déployer des mises à jour régulières des modèles pour les appareils sur le terrain ?
La mise en œuvre pratique d’une telle boucle de rétroaction continue dépend d’un grand nombre d’automatisation logicielles. Les systèmes Edge Impulse et Foundries.io sont parfaitement adaptés à ce type de fonction : Edge Impulse propose des outils pour implémenter des frameworks IA standard sur les appareils en périphérie ; la plateforme FoundriesFactory, un système DevOps pour appareils embarqués, inclut une chaîne d’outils pour appliquer les fonctions de sécurité, délivrant et déployant des mises à jour logicielles sur les appareils de terrain.
La mise à jour des logiciels par liaison radio (OTA) est presque exclusivement considérée aujourd’hui comme une méthode permettant de fournir des correctifs de sécurité ou des mises à jour de fonctionnalités à un parc d’appareils sur le terrain. À mesure que l’IA se développe dans le monde des appareils embarqués, cette fonction de mise à jour OTA devrait être élargie. À l’avenir, le processus OTA devrait prendre en charge une boucle de rétroaction continue permettant de compléter les ensembles de données d’entraînement des appareils en périphérie par des données tirées de l’environnement réel dans lequel les appareils fonctionnent.
Biographie de l'auteur : Tyler Baker, vice-président de l'ingénierie chez Qualcomm Innovation Center, Inc., membre de l'équipe Foundries.io. Il est titulaire d'une licence en informatique de l'université Western Washington. Avant de rejoindre Linaro, où il a occupé le poste de directeur de l'ingénierie pour l'automatisation et l'intégration continue pendant quatre ans, il a travaillé pendant trois ans chez Intermec, où il était chargé de logiciels de test de systèmes embarqués et du développement du noyau Linux. Il est également l'un des fondateurs de kernelci.org. Il possède une expertise dans les domaines des micrologiciels, des noyaux de systèmes d'exploitation, de la blockchain, de la cryptographie, des tests, de l'automatisation et de l'intégration continue.
La mission de PEI est de fournir à ses lecteurs des informations sur les nouveaux produits et services liés au secteur de l'industrie et qui sont disponibles sur le marché français. 
