Comment l’IA embarquée transforme les industries et la vie quotidienne

Autrefois confinée dans l’enceinte de supercalculateurs massifs et de centres de données, l’intelligence artificielle (IA) a pris son essor, notamment grâce à l’émergence du Edge Computing. Désormais, elle est omniprésente. On la retrouve dans nos smartphones, dans les voitures autonomes et au cœur du concept même de maison intelligente.

Cette révolution technologique ouvre des perspectives inédites. Pour autant, elle suscite aussi des craintes. Domestiquer l’IA embarquée, la maîtriser de bout en bout pour en faire une alliée et exploiter son fabuleux potentiel, voici quels sont les défis auxquels nous sommes aujourd’hui confrontés.

Pour mieux cerner les enjeux, nous vous proposons dans cet article de partir à la découverte du nouveau monde de l’IA embarquée : de quoi s’agit-il et comment la technologie a-t-elle évolué ? Où est-elle actuellement utilisée et quel impact a-t-elle sur nos vies ? Nous plongerons au cœur de cette technologie qui redéfinit radicalement notre avenir économique et social, tout en nous penchant sur les défis qu’elle doit encore relever, en termes de performances, de confidentialité, de sécurité et d’éthique.

Evolution de l’IA embarquée : les facteurs clés

Pour que l’IA devienne embarquée, il a fallu développer des algorithmes sophistiqués et des processeurs graphiques performants à bas coût. Autre facteur clé : la capacité à gérer des bases de données volumineuses et détaillées, dont l’IA embarquée a besoin pour son apprentissage. Le développement de la technologie s’est appuyé sur un matériel informatique à faible consommation énergétique, différents systèmes de capteurs, des algorithmes optimisés¹.

Les smartphones constituent l’un des exemples les plus frappants de cette évolution. Les capteurs à faible consommation d’énergie ont été utilisés dans un premier temps pour libérer de la bande passante. Puis les smartphones ont été capables de reconnaître différentes expressions, comme “Dis Siri” ou “ok Google”, avec le développement d’assistants vocaux. En d’autres termes, les smartphones ont montré qu’il est possible de déployer des algorithmes d’apprentissage automatique pour les capteurs sur des plates-formes informatiques à très faible consommation d’énergie telles que les microcontrôleurs et les DSP.

Miniaturisation, systèmes à faible consommation énergétique et capteurs performants constituent en quelque sorte l’épine dorsale du développement de l’IA embarquée. Mais il convient aussi d’évoquer le rôle central du Edge Computing.

Essor de l’intelligence artificielle : l’importance du Edge Computing

Le Edge Computing a largement participé à l’essor de l’intelligence artificielle. Plutôt que de centraliser le traitement des données dans de grands data centers, le Edge Computing vise à déplacer le traitement des données vers la « périphérie » du réseau, c’est-à-dire vers les appareils locaux. Cette approche réduit la latence, économise la bande passante et améliore la confidentialité, ce qui est particulièrement important pour les applications d’IA qui nécessitent une prise de décision en temps réel et une analyse des données sur site².

Au cours des années 1990 et 2000, le edge computing a pu se développer grâce à des avancées majeures dans la miniaturisation des composants électroniques et l’augmentation de la puissance de calcul qui ont permis d’intégrer des algorithmes d’IA sophistiqués dans des appareils de dimensions réduites.

IA embarquée, Internet des objets et Machine Learning : perspectives

L’avènement de l’Internet des objets (IoT) a favorisé la connectivité des appareils, multipliant les échanges de flux de données et offrant un écosystème favorable à l’IA embarquée. L’essor du Machine Learning et du Deep Learning a permis de développer des algorithmes d’IA capables “d’apprendre” et de “s’adapter”, de manière automatique. Il s’agit là de capacités essentielles pour les systèmes embarqués³.

Aujourd’hui, avec l’IA embarquée, les appareils peuvent traiter et interpréter des données localement, prendre des décisions en temps réel et interagir avec le monde d’une manière plus intelligente et plus automatisée. Du smartphone à la voiture autonome, l’IA embarquée est en train de transformer fondamentalement une large gamme d’appareils et d’applications, tout en modifiant notre manière de les utiliser.

Mais l’histoire de l’IA embarquée ne fait que commencer. Avec le développement de la technologie et l’augmentation de la puissance de calcul, nous pouvons nous attendre à voir l’IA embarquée gagner en sophistication et devenir omniprésente dans les années à venir. Ainsi, parmi les développements actuels des plus impressionnants figure le nouveau pansement cutané ultra fin de l’université de Monarch. Ce pansement est doté de nanocapteurs et d’IA embarquée. Il permet de surveiller 11 signaux liés à la santé humaine⁴.

Spécificités de l’IA embarquée

Comme nous l’avons vu, l’IA embarquée est à l’œuvre à la « périphérie » du réseau. Elle traite les données à la source, c’est-à-dire sur l’appareil même, plutôt que de les envoyer à un serveur distant. Cette transformation radicale bouscule les pratiques industrielles. La prise de décision est rapide et adaptée, ce qui contribue à augmenter la productivité et l’efficience, par exemple dans les processus industriels.

Le succès actuel de l’IA embarquée s’explique par différents facteurs. Si elle s’impose aujourd’hui dans des secteurs aussi divers que l’automobile, l’électronique grand public, l’industrie ou la santé, c’est que l’IA embarquée répond à nombres de problématiques actuelles.

Mais surtout, l’IA embarquée répond à de nouveaux besoins. Son essor s’appuie sur la demande croissante d’appareils automatisés et réactifs, ainsi que sur les préoccupations accrues en matière de confidentialité des données. Il faut encore citer notre volonté d’économiser les ressources. Tous ces facteurs convergent pour propulser l’IA embarquée sur le devant de la scène.

Différence entre l’IA embarquée et l’IA intégrée

On confond souvent les deux. Si certains utilisent ces expressions de manière interchangeable, IA embarquée et IA intégrée peuvent avoir des significations différentes selon le contexte.

IA embarquée (Embedded AI ou IAE)

L’IA embarquée fait référence à l’intégration de capacités d’intelligence artificielle dans des appareils physiques ou des systèmes automatiques. Elle implique l’inclusion de composants matériels et logiciels spécifiques pour exécuter des tâches d’IA directement sur l’appareil, sans nécessiter de connexion à des ressources externes. Ainsi, les voitures autonomes sont équipées d’IA embarquée pour prendre des décisions en temps réel, les appareils de reconnaissance vocale utilisent l’IA embarquée pour traiter les commandes localement, etc.

IA intégrée (Integrated AI)

L’IA intégrée renvoie à l’intégration d’algorithmes ou de fonctionnalités d’IA dans des applications, des logiciels ou des systèmes. L’IA intégrée peut fonctionner localement, mais elle peut également être connectée à des ressources externes. Contrairement à une IA embarquée, un système avec une IA intégrée peut effectuer des appels pour faire réaliser des calculs supplémentaires externes à l’appareil. En termes mathématiques, l’IA embarquée est strictement incluse dans l’IA intégrée. Par exemple, de nombreuses applications mobiles utilisent l’IA intégrée pour fournir des recommandations personnalisées. On trouve aussi des filtres de photos s’appuyant sur l’IA intégrée. C’est le cas, par exemple, de Firefly, l’IA intégrée d’Adobe⁵.

En somme, l’IA embarquée intègre l’intelligence artificielle dans des appareils physiques autonomes tandis que l’IA intégrée se concentre sur l’intégration d’algorithmes d’IA dans des logiciels ou des systèmes, qu’ils soient utilisés localement ou en se connectant à des ressources externes.

Gros plan sur le Edge computing

L’Edge computing⁶ fait en quelque sorte la transition entre l’IA embarquée et l’IA intégrée. En effet, il s’agit d’une architecture informatique dans laquelle les données sont traitées à la périphérie du réseau, aussi près que possible de la source d’origine. C’est donc un moyen par lequel l’IA peut passer pour réaliser des traitements de données sans transférer des informations sur de grandes distances.

Le Edge computing permet de répondre aux défis actuels en termes de gestion des bases de données volumineuses. Il permet de dépasser le concept informatique traditionnel, qui s’appuie sur un centre de données de taille croissante et de dépasser les limitations de la bande passante, les problèmes de latence et les perturbations imprévisibles du réseau qui peuvent poser problème, face à la croissance exponentielle des données à traiter. L’architecture périphérique du Edge computing permet de répondre à ce défi, en ce sens qu’elle déplace une partie des ressources de stockage et de calcul à l’extérieur du data center pour les rapprocher de la source des données et limiter les échanges.

Le edge computing est ce qui permet de dépasser l’IA intégrée et d’apporter l’IA embarquée.

Les principales applications de l’IA embarquée

L’IA embarquée est aujourd’hui omniprésente. Elle influence une grande variété de processus industriels, mais a aussi un impact majeur sur de nombreux aspects de notre vie quotidienne. Voici quelques domaines d’application de l’IA embarquée.

Les automobiles autonomes

L’IA embarquée joue un rôle essentiel dans le développement des voitures autonomes. Les systèmes de conduite automatique utilisent une combinaison de capteurs (comme des caméras, des lidars et des radars) pour recueillir des données sur l’environnement. Ces données sont ensuite traitées par un système d’IA embarquée et les résultats serviront à orienter la conduite à adopter pour la voiture. L’IA peut identifier les autres véhicules, les piétons, les panneaux de signalisation et les marqueurs de voie, et utiliser ces informations pour aider à prendre des décisions de conduite sûres et efficaces.

Comme nous venons de le voir, les systèmes d’IA embarquée des véhicules autonomes traitent diverses données en parallèle et en temps réel : ils prennent en compte le tracé de la route, les panneaux de signalisation et les feux de signalisation, les mouvements des autres usagers de la route et bien plus encore. Pour y parvenir, le système d’IA embarquée doit apprendre à interpréter correctement ces données le plus rapidement possible. Les développeurs utilisent des ensembles de données complexes pour entraîner l’IA et tester ses décisions. Au fur et à mesure des tests, l’IA développe la capacité à naviguer en toute sécurité au fil du trafic routier. Le système apprend à réagir rapidement en cas d’événements imprévus, comme le freinage brusque d’une autre voiture.

La robotique domestique

Dans le cas de la robotique domestique, l’IA embarquée permet à des appareils comme les aspirateurs de détecter les différents types de sol et de s’y adapter⁷. Ces aspirateurs de dernière génération sont également capables de naviguer de manière automatique dans nos maisons⁸.

Les robots de cuisine intelligents (aussi appelés les “Robot chefs”) constituent un autre exemple d’application domestique de l’IA embarquée. Ces appareils utilisent l’IA pour automatiser et optimiser diverses tâches de préparation des aliments. Par exemple, le robot de cuisine peut utiliser une caméra pour identifier les ingrédients, un bras robotisé pour mélanger et cuire les aliments, et un système d’IA embarquée pour suivre les recettes et ajuster le processus de cuisson en fonction des mesures sensorielles⁹.

Les montres intelligentes et les bracelets de fitness

Les montres intelligentes et les bracelets de fitness sont de plus en plus souvent dotés de systèmes d’IA embarquée. Ces appareils peuvent suivre les signes vitaux, comme la fréquence cardiaque et le taux d’oxygène dans le sang. Ils utilisent ces données pour fournir des conseils sur l’activité physique, le sommeil et d’autres aspects liés à la santé au quotidien¹⁰. L’IA peut également détecter des anomalies dans les signes vitaux et alerter l’utilisateur ou son médecin¹¹.

La santé intelligente

L’IA embarquée révolutionne aussi le secteur de la santé. Certains vont jusqu’à parler de santé intelligente. Les prothèses intelligentes, en particulier, utilisent l’IA embarquée pour améliorer la fonctionnalité et l’adaptabilité. Ainsi, une prothèse de main peut utiliser l’IA pour apprendre à reconnaître les schémas de mouvement de l’utilisateur. C’est ce qui lui permet de mieux s’adapter à différents objets et différentes tâches¹². On peut citer aussi les robots de soin, qui peuvent assister les personnes âgées ou handicapées dans leurs tâches quotidiennes¹³.

L’industrie aérospatiale

Dans l’industrie aérospatiale, l’IA embarquée est utilisée pour automatiser diverses tâches. L’IA embarquée permet l’exploration spatiale automatisée : les robots spatiaux peuvent prendre des décisions indépendamment, basées sur leur environnement¹⁴. Mais elle devient aussi incontournable pour gérer les satellites et exploiter les données récoltées par leurs capteurs¹⁵.

De plus en plus de satellites se trouvent en orbite. La tendance actuelle est aux constellations satellitaires, plutôt qu’aux satellites individuels, qui appartiennent au passé. Ces constellations¹⁶ se composent de centaines, voire de milliers de petits satellites, ce qui pose un défi aux exploitants : ils doivent veiller à éviter les collisions.

L’IA embarquée permet de calculer avec précision les orbites et les trajectoires des satellites actifs ou passifs, ainsi que des débris spatiaux. Elle aide à déterminer les trajectoires des manœuvres d’évitement et les automatise.

Ces exemples ne constituent que quelques-unes des nombreuses applications de l’IA embarquée. À mesure que la technologie évolue, nous pouvons nous attendre à voir l’IA embarquée être intégrée dans davantage d’appareils et de systèmes, transformant ainsi notre façon de vivre et de travailler.

Impact économique et social de l’IA embarquée

Il ressort de tout ce que nous venons de voir que l’IA embarquée a un impact significatif, tant sur l’économie que sur la société. Voici une analyse plus approfondie de certains de ces impacts.

Impact économique

L’IA embarquée a le potentiel de générer d’importantes retombées économiques. Selon certaines estimations, l’IA pourrait contribuer à hauteur de 15,7 milliards de dollars à l’économie mondiale d’ici 2030. Ce chiffre englobe les gains de productivité découlant de l’automatisation des processus, les nouvelles opportunités commerciales créées par les technologies d’IA et l’amélioration de la qualité des produits et services grâce à l’IA.

La Direction Générale des Entreprises (DGE) estime que le développement du Edge computing, ou Intelligence Artificielle Embarquée, représente une valeur potentielle de 175 à 215 milliards de dollars, à échéance de 2025¹⁷. Cette estimation porte sur la seule composante hardware. Le potentiel économique de l’IA embarquée s’étend au marché de l’emploi, avec la création de 5 000 emplois directs et plus de 10 000 postes dans les filières applicatives.

Alors que de nombreuses personnes s’inquiètent d’un impact négatif de l’IA sur l’emploi, il n’en est rien. Cette technologie contribuerait à l’inverse à la création de nouvelles potentialités. Bien sûr, l’IA embarquée risque de remplacer à terme nombre d’emplois classiques. Elle va inévitablement transformer le marché du travail.

L’IA embarquée est destinée à assumer des tâches de routine, aux processus prévisibles. L’automatisation croissante conduira à la suppression de certains emplois, mais d’autres seront créés. En effet, le développement et la généralisation de l’IA embarquée entraînent de nouvelles demandes : les entreprises auront besoin de spécialistes de l’intelligence artificielle, ce qui va ouvrir un tout nouveau marché de l’emploi¹⁸.

Impact social

Au-delà de son impact économique, l’IA embarquée a également des implications sociales profondes. Comme nous l’avons vu ci-dessus, les technologies d’intelligence artificielle pourraient permettre aux personnes âgées ou handicapées de vivre de manière plus autonome, en améliorant l’accès aux soins de santé à domicile et en facilitant les tâches quotidiennes.

Cependant, l’IA pose également des défis sociaux. Les questions de confidentialité et de sécurité sont particulièrement préoccupantes et l’Union Européenne cherche d’ores et déjà à les mitiger, comme souligné dans le rapport Européen “Ethics Guidelines for Trustworthy AI”¹⁹. Alors que l’IA embarquée devient omniprésente, les risques de violations de la confidentialité et de la sécurité des données augmentent également. L’Union européenne entend ainsi développer des normes qui visent à encadrer l’IA, avec pour objectif d’offrir des garanties de confiance et de fiabilité (AI ACT²⁰). Il s’agit là, évidemment, d’enjeux stratégiques majeurs. En France, la Stratégie nationale pour l’IA (SNIA) a été définie en 2018 et comprend différents axes stratégiques de recherche et de développement²¹.

Mais d’autres défis sociaux doivent également être relevés. Ainsi, l’IA pourrait exacerber les inégalités sociales si les bénéfices de cette technologie ne sont pas répartis de manière équitable. Les emplois automatisés par l’IA et destinés à disparaître sont principalement des emplois à faible salaire, ce qui pourrait augmenter l’écart de revenus et accroître la précarité²².

Pour gérer ces défis, il est essentiel d’adopter des politiques appropriées, notamment en matière d’éducation et de formation, de protection de la confidentialité et de la sécurité, et de réglementation de l’IA.
L’IA embarquée a le potentiel d’avoir un impact significatif, à la fois économique et social. Comme pour toute nouvelle technologie, il est crucial d’équilibrer les avantages, les défis et les préoccupations associées.

Les défis et l’avenir de l’IA embarquée

Défis techniques

Des obstacles techniques persistent à ce jour. Il conviendra de les surmonter pour améliorer les performances et l’efficacité de l’IA embarquée. Par exemple, l’IA embarquée doit souvent fonctionner avec des ressources limitées en termes de puissance de calcul, de mémoire et d’énergie. Les progrès dans la conception des puces et des algorithmes sont nécessaires pour faire face à ces contraintes. L’objectif est de diminuer la taille des algorithmes et la consommation d’énergie, grâce à l’efficience du matériel et à l’utilisation de composants FGPA ou MCU. L’IA embarquée peut être couplée à différents modes d’économie d’énergie. Le mode “Deep sleep” permet par exemple de n’activer les systèmes qu’à certains intervalles, puis de revenir à l’état de veille. L’idée est de limiter la durée pendant laquelle un système consomme le maximum d’énergie. Cet objectif fait également écho au développement durable et à la recherche de la limitation de l’empreinte carbone de l’IA, qui reste un gros sujet pour le domaine.

Parmi les défis techniques, comment la caméra d’une IA embarquée différencie-t-elle une voiture d’un chat ou d’un chien ? Les architectures d’apprentissage automatique, telles que les réseaux neuronaux convolutionnels (CNN), effectuent des millions, voire des milliards de calculs pour y parvenir. D’où un second objectif, celui de la frugalité, avec des algorithmes plus légers.
Les ingénieurs doivent gérer des contraintes de latence, de performance, de taille ou de coût. Si l’accent doit être mis sur la rapidité d’exécution, il est envisageable d’utiliser un GPU, un FPGA ou des processeurs multicœurs très sophistiqués. Mais toutes ces solutions sont généralement encombrantes et coûteuses. Elles nécessitent aussi beaucoup d’énergie et il faut s’assurer du maintien de la robustesse des algorithmes car leur taille devra certainement être revue pour une utilisation sur des systèmes à la puissance réduite.
Si un processus d’IA embarquée doit à l’inverse être exécuté en économisant de l’énergie, il est envisageable de se tourner vers le choix d’un microcontrôleur²³. Mais celui-ci aura besoin de beaucoup de temps pour effectuer des opérations complexes de type CNN. Sur des appareils de petite taille, une consommation d’énergie élevée à court terme peut parfois être acceptable, mais elle ne l’est pas sur le long terme.

Pour résoudre ce problème et relever les défis de l’IA embarquée, les chercheurs peuvent étudier des solutions comme TinyMl. Il s’agit d’une technique d’apprentissage automatique applicable sur des microcontrôleurs aux ressources limitées. Les algorithmes utilisés fonctionnent avec une faible consommation d’énergie et se contentent de peu de mémoire et de puissance de calcul. L’apprentissage automatique peut être exécuté sur des systèmes embarqués et permet de multiples applications dans les environnements IoT et Edge Computing.

Other challenges related to embedded AI

Privacy and security issues

With the proliferation of devices equipped with embedded AI, the privacy and security of data are becoming increasingly concerning. How can we ensure that the data collected by these devices are processed safely and with respect for privacy? New approaches, such as federated learning and homomorphic encryption, could play a significant role in addressing these challenges.

As we mentioned above, France and the European Union have established a framework to meet these challenges. It remains to assess the relevance and effectiveness of the device in light of technological developments and their speed.

Ethical questions

Embedded AI also raises ethical questions. How can we ensure that AI is used fairly and does not perpetuate existing biases? Efforts are needed to develop ethical principles for AI and ensure that these principles are respected in practice, by setting up validation mechanisms.

Despite these challenges, the future of embedded AI seems promising. With the advances in technology, we can expect to see an ever-broadening range of applications of embedded AI, from smart home devices to smart cities and personalized healthcare. However, to fully realize this potential, it will be essential to address technical challenges, as well as challenges related to privacy, security, and ethics.

The essential in brief

Embedded AI is a transformative technology with the potential to profoundly reshape our world while opening new perspectives. Its history denotes rapid and ongoing evolution, propelled by advances in computer technology and AI. Today, embedded AI is ubiquitous, affecting a variety of industries and aspects of our daily life, from automotive to health, through cooking and fitness.

Despite its potential, embedded AI poses significant challenges, including in terms of technology, privacy, security, and ethics. It’s crucial that these challenges are recognized and proactively addressed to ensure a future where embedded AI can develop its full potential safely and fairly, with respect for everyone.

The future of embedded AI is incredibly exciting, and undoubtedly, we are only glimpsing today what is possible.