Quand on parle d’IA aujourd’hui, on pense généralement aux agents conversationnels et aux grands modèles de langage. Pourtant, une révolution plus discrète, et sans doute plus concrète, est en cours au cœur même des produits physiques : objets connectés portables, capteurs industriels et caméras intelligentes qui exécutent l’IA directement sur une puce.
Le 23 septembre, Jean-Samuel Chenard, fondateur et président de Motsai, s’est joint à Michel Dubois, scientifique en chef et directeur du laboratoire d’IA d’Innovobot Labs, pour expliquer ce qu’il faut réellement pour intégrer l’IA dans des systèmes électroniques et atteindre les performances dont un produit a besoin. Jean-Samuel conçoit depuis plus de 15 ans du matériel combinant télécommunications, alimentation par batterie et informatique embarquée. Il est titulaire d’un doctorat de l’Université McGill.
Voici les idées clés de la séance.
Trois produits, trois définitions de la performance
Jean-Samuel a construit sa présentation autour de trois produits réels, chacun illustrant une signification différente de la « performance de l’IA » :
- Un objet portable pour joueurs de soccer qui estime la distance parcourue et la charge d’entraînement à partir de données de mouvement, sur un processeur qui coûte environ deux dollars.
- Des capteurs industriels de maintenance prédictive qui surveillent les vibrations, la température et le son, conçus pour fonctionner pendant des années sur une petite batterie.
- Des systèmes de vision par ordinateur pour la logistique du transport qui classifient des événements, puis détectent et suivent des objets en temps réel.
Les mêmes principes s’appliquent aux trois. Ce qui change, c’est ce que « performance » veut dire.
Pourquoi intégrer l’IA dans un produit électronique?
Quand les données sont trop complexes pour être codées à la main. Le mouvement humain varie d’une personne à l’autre, ce qui met les algorithmes conventionnels en difficulté. Pour l’objet portable destiné au soccer, les modèles sont entraînés sur de puissantes machines à GPU, puis adaptés pour tenir sur une puce de quelques dollars, car le coût des composants se répercute de façon multipliée sur le prix final du produit.
Quand c’est le transfert des données qui coûte cher. La majeure partie de l’énergie d’un appareil sert à la radio pour les communications, et non au calcul. En analysant les données directement sur l’appareil, le capteur de maintenance prédictive réduit d’environ 200 fois la quantité d’information à transmettre. La périphérie ne remplace pas le nuage : elle l’alimente avec de meilleures données.
Quand les décisions doivent être prises en temps réel. Pour les systèmes de vision, une décision doit tomber en une fraction de seconde. Si le système perd des images, des algorithmes qui fonctionnaient en laboratoire commencent à faillir.
L’exactitude n’est pas le bon indicateur principal
L’un des messages forts de la séance : évaluez votre modèle selon des indicateurs d’affaires, et pas seulement selon la précision et le rappel.
Une fausse alerte et un problème non détecté n’ont pas du tout le même coût selon l’industrie. Trop de fausses alertes, et les utilisateurs cessent de faire confiance au système.
Michel a donné l’exemple d’un robot qui trie le métal des déchets : le matin, une demande de cuivre de haute pureté signifie qu’aucun faux positif n’est toléré. Plus tard dans la journée, la demande porte sur une pureté moindre, et le compromis change. Dans cet exemple, passer de 95 % à 96 % d’exactitude compte beaucoup moins que de comprendre ce que chaque erreur coûte à l’entreprise.
Les données d’entraînement ont aussi leurs limites : des systèmes de vision ont été déjoués par des personnes portant des t-shirts aux motifs que le modèle n’avait jamais vus. Des données d’entraînement riches, y compris des exemples conçus pour mettre le modèle en échec, sont essentielles.
Comment atteindre la performance, et la maintenir
« Assez bon » est souvent l’objectif. Un modèle exact à 95 % qui tient dans un produit vendable et rentable vaut mieux qu’un modèle parfait qui n’atteint jamais le marché.
L’inférence la moins coûteuse est celle qu’on n’exécute jamais. Un capteur de mouvement à faible consommation peut réveiller l’IA seulement lorsqu’il se passe quelque chose, ce qui économise beaucoup d’énergie.
Prouvez le gain tôt. Lors des premières séries de production, conservez les données brutes sur l’appareil en parallèle des prédictions de l’IA, afin de comparer les résultats et d’améliorer vos modèles au fil du temps.
Méfiez-vous du piège de la démo. Un modèle qui fonctionne sur un ordinateur portable ne peut pas forcément être déployé sur un parc d’appareils sur le terrain. Pour y arriver, il faut une capture de données cohérente, des mises à jour sécurisées du micrologiciel et des modèles, et une itération constante, car les capteurs, les fixations et les horloges dérivent tous avec le temps.
Trois points à retenir
- La performance est une propriété du système, pas seulement une mesure du modèle. C’est un enjeu d’affaires, et la définition de la performance pour votre produit peut être très différente de celle d’un autre.
- Maîtrisez l’IdO avant d’ajouter l’IA. Le prétraitement conventionnel et les heuristiques simples restent très pertinents. Si un produit n’a besoin que d’un mode marche/arrêt, comme un thermostat de base, il n’a peut-être pas besoin d’IA du tout.
- Couper les coins ronds n’élimine pas le travail. Cela change seulement qui paie, et quand. Bien planifier dès le départ évite des rappels coûteux, des mises à jour compliquées et le fardeau de soutenir d’anciennes versions.
Besoin d’aide pour intégrer l’IA dans votre produit?
Innovobot Labs aide les entreprises à transformer leurs idées d’IA embarquée en produits qui fonctionnent sur le terrain, des capteurs et du matériel à faible consommation jusqu’à la vision par ordinateur, au micrologiciel et à la connectivité infonuagique.
Parlons-en si vous :
- ajoutez de l’IA à un objet portable, un capteur, une caméra ou un autre appareil connecté;
- cherchez à faire tenir un modèle sur du matériel à faible coût ou alimenté par batterie;
- passez d’une démo fonctionnelle à un produit déployé à grande échelle;
- n’êtes pas certain que votre produit ait besoin d’IA.