Libérer le monstre : implémenter facilement l'intelligence artificielle dans n'importe quel système industriel

Le déploiement d'applications d'intelligence artificielle (IA) et d'apprentissage automatique (ML) dans les environnements industriels suscite un intérêt croissant, car ces technologies permettent d'augmenter la productivité et le rendement tout en réalisant des économies sur les coûts d'exploitation. Cependant, tout ingénieur ou responsable d'ingénierie vous dira qu'il existe trois principaux problèmes qui doivent être résolus concernant l'ajout de « composants intelligents » à une base existante de machines « non intelligentes », des moteurs aux systèmes CVC.

Premièrement, il n'y a pas suffisamment d'experts en IA et en ML pour répondre à la demande, et ceux qui sont disponibles coûtent cher. Deuxièmement, les données qualifiées avec lesquelles former les systèmes d'IA et de ML sont rares, et celles qui sont disponibles sont jalousement gardées. Troisièmement, les systèmes d'IA et de ML nécessitent toujours des plateformes de traitement haut de gamme sur lesquelles s'exécuter.

Il faut donc un moyen permettant aux ingénieurs et aux développeurs existants qui ne disposent pas d'expérience en IA et en ML de créer rapidement des systèmes d'IA et de ML, et de les déployer sur des plateformes de microcontrôleurs efficaces et à coût réduit. Une start-up intéressante du nom de Cartesiam.AI résout tous ces problèmes grâce à sa solution NanoEdge AI Studio. Laissez-moi vous expliquer.

Quantification de l'essor de l'intelligence artificielle et de l'apprentissage automatique

D'ici à mi-2020, et selon la source à l'origine de l'information, le nombre de périphériques dans le monde devrait atteindre 20 à 30 milliards^1,2, le terme « périphérique » faisant référence aux dispositifs et aux capteurs connectés en périphérie d'Internet, où ils communiquent avec le monde réel. Environ 0,3 % de ces dispositifs seulement seront dotés de capacités d'IA et de ML. Il devrait y avoir entre 40 et 75 milliards de ces dispositifs d'ici 2025^3,4, date à laquelle au moins 25 % d'entre eux devront être dotés de capacités d'IA et de ML.

Un facteur important concernant les déploiements industriels consiste à transformer les machines « non intelligentes » existantes en machines « intelligentes » en y ajoutant des capacités d'IA et de ML. Il est difficile d'imaginer l'ampleur du potentiel. Par exemple, d'après les estimations, il y a 6800 milliards de dollars de machines et d'infrastructures non intelligentes existantes (anciennes) rien qu'aux États-Unis⁵.

Comment appliquer plus efficacement l'IA et le ML en périphérie

L'Internet des objets (IoT) et l'Internet industriel des objets (IIoT) sont déjà omniprésents et les objets sont de plus en plus connectés : le prochain défi consiste à rendre ces objets intelligents.

La méthode traditionnelle pour créer une application IA/ML consiste à définir une architecture de réseau neuronal, avec plusieurs couches neuronales, plusieurs neurones par couche et les méthodes selon lesquelles les divers neurones et couches sont connectés entre eux. L'étape suivante consiste à accéder à un ensemble de données qualifiées (dont la création a peut-être déjà nécessité beaucoup de temps et de ressources). L'ensemble de données est utilisé pour former le réseau dans le cloud (c'est-à-dire en utilisant un grand nombre de serveurs haut de gamme avec d'énormes capacités de calcul). Enfin, le réseau formé est traduit sous une forme adaptée au déploiement dans le périphérique.

Selon le rapport Quant Crunch d'IBM⁶, la science des données et l'analyse (DSA) ne sont plus seulement des mots à la mode. Au contraire, ce sont des outils professionnels essentiels. Cependant, une inquiétude grandit quant au fait que le nombre de personnes disposant de compétences DSA est dangereusement en retard par rapport à la demande. Il manque actuellement 130 000 experts en science des données rien qu'aux États-Unis.

Malheureusement, le manque d'accès à ces experts et aux ensembles de données qualifiées constitue un obstacle à la création rapide et abordable d'objets intelligents compatibles IA/ML. Selon Cisco⁷, le taux d'échec des projets IoT en général est d'environ 74 %, et il augmente en ce qui concerne les projets compatibles IA/ML.

Selon l'IDC⁸, il y a environ 22 millions de développeurs de logiciels dans le monde. Parmi ces développeurs, le nombre de ceux qui se concentrent sur les systèmes embarqués est d'environ 1,2 million, parmi lesquels environ 0,2 % seulement ont des compétences minimales en IA/ML.

Certains systèmes d'IA et de ML, comme la vision artificielle permettant de détecter et d'identifier des objets, exigent l'utilisation de dispositifs informatiques haut de gamme spéciaux, notamment des processeurs graphiques (GPU) et/ou des FPGA (réseaux de portes programmables par l'utilisateur). Cependant, les nouveaux développements dans les technologies IA/ML signifient que la grande majorité des applications IA/ML non liées à la vision peuvent être déployées sur les microcontrôleurs relativement bas de gamme qui sont prédominants dans les systèmes embarqués.

En 2020, selon Statista⁹, les livraisons à l'échelle mondiale de microcontrôleurs devraient atteindre environ 28 milliards d'unités (soit environ 885 unités par seconde), faisant ainsi des plateformes basées sur des microcontrôleurs l'outil matériel le plus répandu sur le marché. Grâce à leur coût réduit et à leur basse consommation, les microcontrôleurs constituent la plateforme idéale pour implémenter l'intelligence en périphérie.

Il est difficile de développer des compétences exceptionnelles en IA et en ML, même pour les grandes entreprises qui ont accès à des experts en science des données et à des ensembles de données, et qui ont en principe des budgets illimités. Pour les entreprises plus petites, cela peut même s'avérer impossible. Si la situation n'évolue pas, il n'y aura aucun moyen de faire en sorte que 25 % des périphériques soient dotés de capacités IA/ML d'ici 2025. Si seulement les développeurs existants de systèmes embarqués basés sur des microcontrôleurs étaient équipés pour développer des applications IA/ML…

Un moyen simple, rapide et abordable de développer des objets intelligents compatibles IA/ML

Le microcontrôleur constitue la plateforme informatique omniprésente pour les applications embarquées dans les environnements industriels, et les microcontrôleurs de la gamme Cortex-M d'Arm, en particulier les modèles M0, M0+, M3, M4 et M7, sont sans conteste les plus répandus.

Figure 1 : Le dispositif V2M-MPS2-0318C est une puissante plateforme de développement pour les applications basées sur Arm Cortex-M, avec de nombreuses E/S et un écran LCD. (Source de l'image : Arm)

Il y a bien une ressource à laquelle les entreprises ont accès : les développeurs de systèmes embarqués traditionnels. Il faut donc un moyen de transformer ces développeurs en experts en IA/ML sans avoir à les former. La solution idéale serait de donner aux développeurs de systèmes embarqués traditionnels la capacité de créer facilement et rapidement des machines autonomes capables d'étudier et de comprendre automatiquement leur environnement, d'identifier des schémas et de détecter les anomalies, de prévoir les problèmes et les résultats, et d'effectuer toutes ces opérations sur des plateformes abordables basées sur des microcontrôleurs, en périphérie, là où les données sont générées et capturées.

La solution, brièvement mentionnée plus haut, est NanoEdge AI Studio de Cartesiam.AI. Grâce à cet environnement de développement intégré (IDE), qui s'exécute sur Windows 10 ou Linux Ubuntu, le développeur de systèmes embarqués sélectionne d'abord le microcontrôleur cible, s'étendant d'Arm Cortex-M0 à M7. Le développeur ou concepteur spécifie également la quantité maximale de mémoire RAM à allouer à la solution. Si vous avez perdu la main ou si vous êtes novice dans ce domaine, la plateforme V2M-MPS2-0318C Arm Cortex-M Prototyping System+ (Figure 1) est un bon point de départ ou de reprise.

La plateforme V2M-MPS2-0318C fait partie de la gamme de cartes de développement Versatile Express d'Arm. Elle est fournie avec un FPGA relativement grand pour le prototypage de conceptions basées sur Cortex-M. Pour ce faire, elle est fournie avec des implémentations FPGA cryptées fixes de tous les processeurs Cortex-M. En outre, elle est dotée de quelques périphériques utiles : PSRAM, Ethernet, écran tactile, audio, LCD VGA, SPI et GPIO, entre autres.

Le développeur doit ensuite sélectionner le nombre et les types de capteurs à utiliser. Ce qui fait la beauté de l'approche de Cartesiam.AI, c'est qu'il n'existe aucune limitation stricte quant aux capteurs qui peuvent être utilisés. Par exemple, ils peuvent inclure les éléments suivants :

• Accéléromètres à un, deux et trois axes (n'importe quelle fréquence pour l'analyse des vibrations)
• Capteurs magnétiques
• Capteurs de température
• Microphones (pour la reconnaissance des sons)
• Capteurs à effet Hall pour la commande moteur
• Capteurs de contrôle du courant

Il est important de noter que le développeur n'est pas obligé de définir des références spécifiques, mais simplement les types de capteur généraux.

L'étape suivante consiste à charger les données contextuelles des capteurs, c'est-à-dire les données génériques associées à chaque capteur pour donner au système une idée de ce qu'il va devoir traiter.

NanoEdge AI Studio inclut une suite étendue de « blocs fonctionnels » IA/ML qui peuvent être utilisés pour créer des solutions pour 90 % ou plus des tâches IA/ML industrielles. Une fois qu'il a été informé du microcontrôleur cible, du nombre et des types de capteurs, et du type de données génériques de capteurs auxquels il doit s'attendre, il génère la meilleure solution de bibliothèque IA/ML à partir de 500 millions de combinaisons possibles.

Si le développeur le souhaite, il peut tester cette solution sur le même ordinateur que celui qui exécute cet IDE NanoEdge AI Studio, grâce à un émulateur inclus. Il peut ensuite l'intégrer au programme principal du microcontrôleur, la compiler et la télécharger dans le système basé sur un microcontrôleur qui doit être associé à la machine cible.

À titre d'exemple, imaginons que nous avons deux machines non intelligentes que nous souhaitons transformer en machines intelligentes. Disons que l'une de ces machines est une pompe et que l'autre est un générateur. Pour cet exemple, supposons également que nous créons une seule solution à l'aide d'un capteur de température et d'un accéléromètre à 3 axes, et que cette même solution sera déployée sur les deux machines (Figure 2).

Figure 2 : Après avoir utilisé l'IDE NanoEdge AI Studio pour créer et tester (en option) une bibliothèque IA/ML, cette bibliothèque est intégrée au programme principal, compilée et téléchargée dans le système basé sur un microcontrôleur qui doit être associé aux machines cibles. Après une phase d'apprentissage (typiquement une semaine avec un fonctionnement 24 h/24), le moteur d'inférence peut être utilisé pour détecter et signaler les anomalies, et pour prédire les résultats futurs. (Source de l'image : Max Maxfield)

Ces deux machines présentent évidemment des caractéristiques complètement différentes. En réalité, deux machines identiques peuvent présenter des caractéristiques très différentes en fonction de leur emplacement et de leur environnement. Par exemple, deux pompes identiques situées à 20 mètres d'écart l'une de l'autre dans la même pièce dans la même usine peuvent présenter des profils de vibrations différents selon l'endroit où elles sont montées (l'une sur du béton, l'autre sur un plancher en bois) et la longueur (ainsi que la forme et le matériau) des tuyaux auxquels elles sont raccordées.

La clé de l'ensemble du processus réside dans le fait que les solutions IA/ML sont formées individuellement sur des machines adaptées connues, sur lesquelles cette formation prend typiquement une semaine sans interruption, 24 heures sur 24, ce qui permet au système de tirer des enseignements des fluctuations de températures et des schémas de vibrations. Des séances de formation supplémentaires peuvent évidemment être menées ultérieurement afin d'ajuster les modèles pour prendre en compte les variations environnementales associées aux différentes saisons (pour les applications en extérieur) et à d'autres variables attendues.

Une fois que les solutions ont été formées, elles peuvent commencer à effectuer des déductions à partir des nouvelles données qui se présentent, pour ainsi identifier des schémas et détecter les anomalies, prédire les problèmes et les résultats, et présenter leurs conclusions sur un tableau de bord en vue d'une analyse technique et managériale, au besoin.

Conclusion

Pour moi, NanoEdge AI Studio est une solution qui va changer la donne. Elle est intuitive et permet aux concepteurs de systèmes embarqués utilisant des microcontrôleurs Arm Cortex-M basse consommation économiques — présents dans des milliards de dispositifs dans le monde — d'intégrer rapidement, facilement et à moindre coût l'intelligence artificielle et l'apprentissage automatique à leurs systèmes industriels, pour transformer des machines non intelligentes en machines intelligentes. Ainsi, il est possible d'augmenter la productivité et le rendement tout en réalisant des économies tant espérées sur les coûts d'exploitation.

Références

1. https://www.vxchnge.com/blog/iot-statistics

2. https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

3. https://www.helpnetsecurity.com/2019/06/21/connected-iot-devices-forecast/

4. https://securitytoday.com/articles/2020/01/13/the-iot-rundown-for-2020.aspx

5. https://www.kleinerperkins.com/perspectives/the-industrial-awakening-the-internet-of-heavier-things/

6. https://www.ibm.com/downloads/cas/3RL3VXGA

7. https://newsroom.cisco.com/press-release-content?articleId=1847422

8. https://www.idc.com/getdoc.jsp?containerId=US44363318

9. https://www.statista.com/statistics/935382/worldwide-microcontroller-unit-shipments/