L’intelligence artificielle en périphérie du réseau fait référence au déploiement d’algorithmes et de modèles IA directement sur des appareils périphériques locaux, tels que des dispositifs de l’Internet des objets (IoT), qui permettent de traiter et d’analyser des données en temps réel sans dépendre en permanence de l’infrastructure cloud.
En termes simples, l’IA en périphérie du réseau, ou « IA en périphérie » désigne la combinaison de l’edge computing et de l’intelligence artificielle pour exécuter des tâches de machine learning directement sur des appareils périphériques interconnectés. L’edge computing permet de stocker les données à proximité de l’emplacement de l’appareil et les algorithmes d’IA permettent de traiter les données directement à la périphérie du réseau, avec ou sans connexion Internet. Cela facilite le traitement des données en quelques millisecondes, avec un retour d’information en temps réel.
Les voitures autonomes, les appareils portables, les caméras de sécurité et les appareils électroménagers intelligents font partie des technologies qui exploitent les capacités de l’IA de pointe pour fournir rapidement aux utilisateurs des informations en temps réel lorsque cela est le plus important.
L’IA en périphérie du réseau gagne en popularité à mesure que les différents secteurs découvrent de nouvelles façons d’exploiter sa puissance pour optimiser les workflows, automatiser les processus métier et déverrouiller de nouvelles opportunités d’innovation, tout en répondant à des préoccupations telles que la latence, la sécurité et la réduction des coûts.
En savoir plus sur les solutions d’edge computing d’IBM .
Grâce à l’edge computing, la prise de décision localisée élimine la nécessité de transmettre en permanence des données à un emplacement central et d’attendre qu’elles soient fournies pour faciliter l’automatisation de nos opérations métier. Néanmoins, il reste nécessaire de transmettre des données vers le cloud dans le but de réentraîner ces pipelines d’IA et de les déployer. Le déploiement de ce modèle sur de nombreux emplacements et une large gamme d’applications présente des défis spécifiques tels que la gravité des données, l’hétérogénéité, l’échelle et les contraintes sur les ressources. L’IA distribuée peut relever les défis auxquels l’IA en périphérie est confrontée en intégrant la collecte intelligente de données, en automatisant les cycles de vie des données et de l’IA, en adaptant et en surveillant les spokes et en optimisant les pipelines de données et d’IA.
L’intelligence artificielle distribuée (DAI) est chargée de distribuer, de coordonner et de prévoir les performances des tâches, des objectifs ou des décisions dans un environnement multi-agents. La DAI adapte les applications à un grand nombre de spokes et permet aux algorithmes d’IA de traiter de manière autonome de multiples systèmes, domaines et appareils en périphérie.
Actuellement, le cloud computing et les API sont utilisés pour entraîner et déployer des modèles de machine learning. Dans un second temps, l’IA en périphérie du réseau effectue des tâches de machine learning telles que l’analyse prédictive, la reconnaissance vocale et la détection d’anomalies à proximité de l’utilisateur, se distinguant des services cloud courants de différentes manières. Au lieu de voir les applications être entièrement développées et exécutées dans le cloud, les systèmes d’IA en périphérie du réseau traitent et analysent les données plus près du point où elles ont été créées. Les algorithmes de machine learning peuvent s’exécuter en périphérie et les informations peuvent être traitées directement au niveau des dispositifs IoT, plutôt que dans un centre de données privé ou dans une installation de cloud computing.
L’IA en périphérie se présente comme une meilleure option lorsque la prédiction en temps réel et le traitement des données sont nécessaires. Considérez les avancées les plus récentes en matière de technologie de véhicules autonomes. Pour que ces voitures puissent naviguer en toute sécurité et éviter les dangers potentiels, elles doivent détecter et réagir rapidement à toute une série de facteurs tels que les feux de signalisation, les conducteurs erratiques, les changements de voie, les piétons, les bordures de trottoir et de nombreuses autres variables. La capacité de l’IA en périphérie du réseau à traiter localement ces informations dans le véhicule atténue le risque potentiel de problèmes de connectivité qui pourraient résulter de l’envoi de données à un serveur distant via une IA basée sur le cloud. Dans des scénarios de cette nature, où des réponses rapides aux données peuvent déterminer des questions de vie ou de mort, la capacité du véhicule à réagir rapidement est absolument cruciale.
À l’inverse, l’IA basée sur le cloud fait référence au déploiement d’algorithmes et de modèles IA sur des serveurs cloud. Cette méthode offre des capacités accrues de stockage et de traitement des données, facilitant ainsi l’entraînement et le déploiement de modèles IA plus avancés.
Découvrez comment exploiter les bases de données adéquates pour les applications, les analyses et l’IA générative.
Obtenir le guide sur les modèles de fondation
L’IA basée sur le cloud peut offrir des capacités de calcul et une capacité de stockage supérieures à celles de l’IA en périphérie, facilitant ainsi l’entraînement et le déploiement de modèles IA plus complexes et plus avancés. L’IA en périphérie a une limite sur la capacité de traitement en raison de la taille limitée du dispositif.
La latence affecte directement la productivité, la collaboration, les performances des applications et l’expérience utilisateur. Plus la latence est élevée (et donc plus les temps de réponse sont longs), plus ces domaines rencontrent de difficultés. L’IA en périphérie du réseau permet de réduire le temps de latence en traitant les données directement sur l’appareil, alors que l’IA basée sur le cloud implique l’envoi de données à des serveurs distants, ce qui augmente le temps de latence.
La bande passante se réfère au transfert de données publiques du trafic réseau entrant et sortant à travers le globe. L’IA en périphérie du réseau nécessite une bande passante inférieure en raison du traitement local des données sur l’appareil. À l’inverse, celle du cloud implique la transmission de données vers des serveurs distants, exigeant une bande passante réseau plus élevée.
L’architecture en périphérie offre une confidentialité accrue en traitant les données sensibles directement sur l’appareil, tandis que l’IA basée sur le cloud implique la transmission de données vers des serveurs externes, exposant potentiellement des informations sensibles à des serveurs tiers.
En 2022, le marché mondial de l’IA en périphérie était évalué à 14 787,5 millions de dollars et devrait atteindre 66,47 millions de dollars d’ici 2023, selon un rapport réalisé par Grand View Research, Inc (lien externe à ibm.com). Cette expansion rapide du edge computing est due à l’augmentation de la demande de services dans le domaine du edge computing basés sur l’IoT, ainsi qu’aux autres avantages inhérents à l’IA en périphérie du réseau. Voici les principaux avantages de l’IA en périphérie du réseau :
Grâce à un traitement complet sur l’appareil, les utilisateurs peuvent bénéficier d’intervalles de réponse rapides sans aucun délai lié à la contrainte de faire remonter les informations à partir d’un serveur distant.
En traitant les données au niveau local, l’IA en périphérie du réseau minimise la quantité de données transmises sur Internet, ce qui permet de préserver la bande passante Internet. Lorsque la bande passante utilisée est moindre, la connexion peut gérer un plus grand volume de transmission et de réception simultanées de données.
Les utilisateurs peuvent effectuer un traitement de données en temps réel sur des appareils sans avoir besoin de connectivité et d’intégration du système, ce qui leur permet de gagner du temps en consolidant les données sans avoir besoin de communiquer avec d’autres emplacements physiques. Cependant, l’IA en périphérie peut rencontrer des limites dans la gestion du volume et de la diversité des données demandées par certaines applications d’IA et peut avoir besoin d’être intégrée au cloud computing pour exploiter ses ressources et ses capacités.
La protection de la vie privée est renforcée car les données ne sont pas transférées sur un autre réseau, où elles pourraient être vulnérables à des cyberattaques. En traitant les informations localement sur l’appareil, l’IA en périphérie réduit le risque de mauvaise manipulation des données. Dans les secteurs soumis à des réglementations en matière de souveraineté des données, l’IA peut contribuer au maintien de la conformité en traitant et en stockant localement les données dans les juridictions désignées. D’autre part, toute base de données centralisée est susceptible de devenir une cible de choix pour les attaquants potentiels, ce qui signifie que l’IA en périphérie n’est pas totalement à l’abri des risques d’attaque.
L’IA en périphérie du réseau étend les systèmes à l’aide de plateformes basées sur le cloud et de capacités edge inhérentes aux technologies des fabricants d’équipement d’origine (OEM), qui englobent à la fois les logiciels et le matériel. Ces entreprises OEM ont commencé à intégrer des capacités Edge natives dans leurs équipements, simplifiant ainsi le processus de mise à l’échelle du système. Cette extension permet également aux réseaux locaux de maintenir leur fonctionnalité même dans les situations où les nœuds en amont ou en aval subissent des temps d’arrêt.
Les dépenses associées aux services d’IA hébergés sur le cloud peuvent être élevées. L’IA en périphérie du réseau offre la possibilité d’utiliser des ressources cloud coûteuses comme référentiel pour l’accumulation de données de post-traitement, destinées à une analyse ultérieure plutôt qu’à des opérations de terrain immédiates. Cela réduit les charges de travail des ordinateurs cloud et des réseaux. L’utilisation du processeur, du GPU et de la mémoire connaît une réduction importante, car les workloads sont distribuées sur des dispositifs edge, ce qui distingue l’IA d’edge computing comme l’option la plus rentable entre les deux.
Lorsque le cloud computing gère tous les calculs d’un service, l’emplacement centralisé supporte une charge de travail importante. Les réseaux subissent un trafic élevé pour transmettre les données à la source centrale. Au fur et à mesure que les machines exécutent des tâches, les réseaux redeviennent actifs et transmettent les données à l’utilisateur. Les appareils en périphérie éliminent ces transferts de données continus. Par conséquent, les réseaux et les machines subissent moins de stress sans ces contraintes.
De plus, les caractéristiques autonomes de l’IA en périphérie du réseau éliminent le besoin de supervision continue par les data scientists. Bien que l’interprétation humaine joue constamment un rôle essentiel dans la détermination de la valeur ultime des données et des résultats qu’elle génère, les plateformes d’IA en périphérie assument une partie de cette responsabilité, ce qui se traduit par des économies de coûts.
L’IA en périphérie du réseau utilise les réseaux neuronaux et l’apprentissage en profondeur pour entraîner des modèles à reconnaître, à classer et à décrire avec précision des objets dans les données fournies. Ce processus de formation fait généralement appel à un centre de données centralisé ou à un cloud pour traiter le volume important de données nécessaire à l’entraînement du modèle.
Après le déploiement, les modèles IA en périphérie du réseau s’améliorent progressivement au fil du temps. Si l’IA rencontre un problème, les données problématiques sont souvent transférées vers le cloud pour un entraînement supplémentaire du modèle IA initial, qui remplace finalement le moteur d’inférence à la périphérie. Cette boucle de rétroaction contribue de manière significative à l’amélioration de la performance du modèle.
Actuellement, des exemples courants d’IA en périphérie comprennent les smartphones, les accessoires portables de surveillance de la santé (par exemple, les montres intelligentes), les mises à jour du trafic en temps réel sur les véhicules autonomes, les appareils connectés et les appareils intelligents. Divers secteurs implantent également de plus en plus d’applications d’IA en périphérie du réseau afin de réduire les coûts, d’automatiser les processus, d’améliorer la prise de décision et d’optimiser les opérations.
Les professionnels de santé connaissent une transformation substantielle grâce à la mise en œuvre pratique de l’IA en périphérie du réseau et à l’introduction d’appareils de pointe. Associée à d’autres avancées de pointe, cette technologie est sur le point de créer des systèmes de santé plus intelligents, tout en préservant la confidentialité des patients et en réduisant les délais de réponse.
Grâce à des modèles IA intégrés localement, les moniteurs de santé portables évaluent des indicateurs tels que la fréquence cardiaque, la pression artérielle, la glycémie et la respiration. Les dispositifs d’IA en périphérie portables peuvent également détecter une chute soudaine d’un patient et alerter les soignants, une fonction déjà incluse dans les montres intelligentes courantes sur le marché.
En équipant les véhicules d’urgence de capacités de traitement rapide des données, les ambulanciers peuvent extraire des informations des appareils de surveillance de la santé et consulter les médecins pour déterminer des stratégies efficaces de stabilisation des patients. En même temps, le personnel des salles d’urgence peut se préparer à répondre aux besoins uniques des patients en matière de soins. L’intégration de l’IA en périphérie dans de telles circonstances facilitera l’échange en temps réel d’informations essentielles sur la santé.
Les fabricants du monde entier ont lancé l’intégration de la technologie d’IA en périphérie pour révolutionner leurs opérations de fabrication, améliorant ainsi l’efficacité et la productivité du processus.
Les données des capteurs peuvent être exploitées pour identifier de manière proactive les anomalies et les défaillances des machines, ce qui est également connu sous le nom de maintenance prédictive. Les capteurs détectent les imperfections et informent rapidement la direction des réparations cruciales, ce qui permet une résolution rapide et évite les temps d’arrêt opérationnels.
L’IA en périphérie du réseau peut également être appliqué à d’autres domaines nécessaires dans ce secteur, tels que le contrôle qualité, la sécurité des employés, l’optimisation des rendements, l’analyse de la chaîne d’approvisionnement et l’optimisation des espaces de travail.
Ce n’est un secret pour personne : les entreprises ont franchi un seuil majeur avec la popularité croissante du e-commerce et des achats en ligne. Les magasins physiques de vente au détail ont été obligés d’innover afin de créer une expérience d’achat fluide et de susciter l’intérêt des clients. Avec ce changement, de nouvelles technologies sont apparues, telles que les commandes en ligne avec un retrait en magasin, les paniers d’achat intelligents dotés de capteurs et les caisses de paiement intelligentes. Ces solutions utilisent la technologie d’IA en périphérie du réseau pour améliorer et accélérer l’expérience client conventionnelle en magasin.
Le paysage contemporain est saturé d’appareils « intelligents » tels que les sonnettes, les thermostats, les réfrigérateurs, les systèmes de divertissement et les ampoules connectées. Ces maisons intelligentes contiennent des écosystèmes d’appareils qui utilisent l’IA en périphérie pour améliorer la qualité de vie des résidents. Qu’un résident ait besoin d’identifier une personne à sa porte ou de contrôler la température de sa maison via son appareil, la technologie IA en périphérie du réseau peut traiter rapidement les données sur site sans avoir à transmettre les informations à un serveur distant centralisé. Cela permet de préserver la vie privée du résident et de réduire le risque d’accès non autorisé aux données personnelles.
La rapidité est de la plus haute importance pour l’analyse des vidéos de sécurité. De nombreux systèmes de vision par ordinateur n’ont pas la vitesse appropriée pour une analyse en temps réel, et au lieu de traiter localement les images ou les vidéos capturées par les caméras de sécurité, ils les transmettent à une machine basée sur le cloud dotée de capacités de traitement haute performance. Sans traiter les données localement, ces systèmes basés sur le cloud se heurtent à des obstacles liés à des problèmes de latence, qui se caractérisent par des retards dans le téléchargement et le traitement des données.
Les applications de vision par ordinateur et de détection d’objets de l’IA en périphérie du réseau sur les dispositifs de sécurité intelligents identifient les activités suspectes, avertissent les utilisateurs et déclenchent des alarmes. Ces fonctionnalités renforcent le sentiment de sécurité et la tranquillité d’esprit des résidents.
Décuplez la puissance de l’IA avec notre plateforme d’IA et de données nouvelle génération.
IBM propose une offre de gestion autonome qui répond à l’échelle, à la variabilité et au rythme des changements des environnements en périphérie, ainsi que des solutions pour aider les entreprises à moderniser leurs réseaux et à délivrer des services en périphérie.
Les solutions IBM Power Systems et IBM Storage permettent aux modèles d’IA de travailler en périphérie. Exploitez des analyses à partir de données visuelles générées en direct en périphérie.
Tirez parti de l’edge computing pour réduire l’encombrement du réseau causé par les technologies émergentes.
Écoutez Nirmit Desai d’IBM Research expliquer l’IA distribuée et ses capacités.
Envisagez de migrer votre application d’entreprise pour être plus proche de vos sources de données réelles.
Découvrez comment l’edge computing d’IBM permet la convergence des technologies 5G et en périphérie.
Développez des solutions pour la gestion des appareils en périphérie et l’analytique sur appareil au niveau de la source de données.
Découvrez les avantages, les défis et les architectures des implémentations edge computing spécifiques à chaque secteur.