TinyML est une approche de l’apprentissage automatique encore appelée machine learning (ML) qui est une sous-catégorie de l’intelligence artificielle (IA). L’approche TinyML a pour objectif l’adaptation des modèles de machines learning aux appareils de petite taille appelés tiny en anglais. Grâce à cette approche de TinyML, comment l’IA s’empare-t-elle des objets connectés ? Éléments de réponse.
Plan de l'article
Objectif de l’approche TinyML
Il est difficile de concevoir des modèles de machines learning (ML) destinés aux objets connectés, encore plus quand il s’agit d’objets de petite taille. En effet, le portage de l’apprentissage automatique sur des objets équipés d’une faible puissance nécessite une réadaptation.
Lire également : Captain Verify : une solution fiable pour valider les numéros de téléphone mobile des entreprises
Pour ce faire, il faut procéder à la réduction du poids ainsi que la performance d’exécution de la machine learning. C’est pour permettre cela que l’approche TinyML est née.
En clair, l’objectif de TinyML est de favoriser le fonctionnement des modèles des machines de learning sur des microcontrôleurs aux ressources limitées.
A lire en complément : Comprendre le fonctionnement de Roja Directa pour le streaming sportif
Principe de l’approche TinyML
Selon le CTO de Parcoor, une société française experte en sécurité IOT : « le principe du TinyML consiste à concevoir des réseaux de neurones artificiels qui auront été entraînés sur des serveurs de grandes capacités. Cela est fait dans le but de les déployer sur des appareils avec à l’inverse, peu de mémoire et peu de puissance de calcul. Des objets qui présentent en outre comme particularité d’être souvent peu standardisés en termes matériels, à la différence des PC ». Ainsi a été expliqué le principe de l’approche TinyML par l’un des pionniers de l’OIT.
Fonctionnement de l’approche TinyML
Comme il a été dit, l’approche TinyML permet de comprimer les modèles de machines learning pour qu’ils s’adaptent aux microcontrôleurs. Pour ce faire, il existe plusieurs techniques.
La technique du pruning
Le pruning en TinyML consiste à supprimer les nœuds du réseau à faible poids ou nul. Grâce à la technique du pruning, vous pouvez supprimer 10 à 20 % de ces nœuds.
La technique de la quantisation en virgule flottante
Cette méthode permet d’encoder les nœuds du réseau sur un nombre moins élevé de bits. À titre d’exemple, vous pouvez encoder des nœuds qui doivent être sur 32 ou 64 bits sur 8 bits. Ce qui allège le réseau d’un grand nombre de facteurs. Cela bien évidemment en fonction de la taille initiale du réseau pour une taille relativement réduite.
La technique de modification de l’architecture
Cette technique est beaucoup plus complexe. Il s’agit en effet de réduire la taille d’un réseau de neurones par la modification de son architecture. Dans la pratique, il faut surtout miser sur la réduction du nombre de couches et de nœuds. Mais pour le faire, vous devez repartir de zéro, d’où sa complexité.
Le deep learning et les réseaux de neurones artificiels
Le deep learning et les réseaux de neurones artificiels sont indispensables pour le fonctionnement du TinyML.
Le deep learning
Le deep learning ou encore apprentissage profond est une méthode de l’intelligence artificielle qui provient du concept de l’apprentissage automatique (ML). Le deep learning est principalement basé sur la notion de réseau de neurones artificiel.
Le deep learning est utilisé dans plusieurs contextes. Il s’emploie notamment dans le cadre de la reconnaissance d’images, de la reconnaissance vocale, de la robotique, de la cybersécurité et dans bien d’autres domaines.
Il faut noter que le deep learning entre dans le cadre des nouvelles étapes de l’évolution de l’intelligence artificielle.
Réseau de neurones artificiel
Un réseau de neurones artificiel est un réseau d’unités d’exécution d’information. Les neurones sont superposés en couches et sont liés entre eux par des connecteurs appelés synapses. Pour traiter l’information, les unités d’exécution s’activent par des modèles de propagation en allant au-delà d’un certain seuil.
En général, le TinyML est une approche qui est en pleine expansion aux côtés d’autres approches. La fondation qui promeut cette approche est également appelée TinyML. Voici présenter quelques techniques dont se sert l’approche TinyML pour porter l’apprentissage automatique (ML) sur des appareils plus petits. Par ailleurs, vous devez savoir que le TinyML fonctionne grâce au deep learning et aux réseaux de neurones artificiels.
