Comment le « petit apprentissage automatique » peut avoir un impact important

Le paysage des applications d’intelligence artificielle (IA) est traditionnellement dominé par l’utilisation de serveurs gourmands en ressources, centralisés dans les pays industrialisés. Cependant, ces dernières années ont vu l’émergence de petits appareils économes en énergie pour les applications d’IA, un concept connu sous le nom de TinyML (TinyML).

Nous sommes plus familiers avec les applications grand public telles que Siri, Alexa et Google Assistant, mais le coût limité et la petite taille de ces appareils permettent de les déployer sur le terrain. Par exemple, cette technologie a été utilisée pour détecter les battements d’ailes des moustiques et ainsi contribuer à prévenir la propagation du paludisme. Cela fait également partie du développement de colliers pour animaux à faible puissance pour soutenir les efforts de conservation.

Petite taille, grand impact

Se distinguant par leur petite taille et leur faible coût, les appareils TinyML fonctionnent selon des contraintes qui rappellent l’aube de l’ère des ordinateurs personnels : la mémoire est mesurée en kilo-octets et le matériel peut être acheté pour seulement 1 USD. Cela est possible car TinyML ne nécessite pas d’ordinateur portable ni même de téléphone mobile. Au lieu de cela, il peut fonctionner sur de simples microcontrôleurs qui alimentent des composants électroniques standard dans le monde entier. En fait, étant donné qu’il existe déjà 250 milliards de microcontrôleurs déployés dans le monde, les appareils prenant en charge TinyML sont déjà disponibles à grande échelle.

Un certain nombre de packages de développement pour les applications TinyML sont disponibles. Arduino et Seeed Studio sont deux options populaires, toutes deux dotées de capteurs supplémentaires pour les applications audio, visuelles et basées sur le mouvement.

Comment ça marche?

Comme l’apprentissage automatique classique, TinyML implique la collecte de données, souvent à partir d’appareils Internet des objets (IoT), et une formation basée sur le cloud. Prenons l’exemple d’une application de détection d’objets en extérieur, par exemple en comptant le nombre de voitures dans une rue pour déterminer l’intensité du trafic. Dans le processus ML classique, les images doivent être collectées à l’aide d’une webcam et envoyées à un serveur cloud où se déroule la formation. Une fois que le modèle entraîné fournit un niveau de précision acceptable, le système est prêt à détecter les voitures à partir d’un nouveau flux vidéo. Le modèle ML fonctionne sur le cloud, une connexion Internet est donc nécessaire.

Dans le système TinyML, cependant, le modèle est déployé sur l’appareil lui-même et est prêt à détecter des objets sans avoir besoin de connectivité. La première partie du processus (collecte de données et formation du modèle sur le cloud) suit le modèle ML classique mais la phase d’inférence (détection d’objets) s’exécute sur l’appareil lui-même. C’est ainsi que TinyML s’écarte des architectures serveur traditionnelles : il déploie des modèles compacts pré-entraînés optimisés pour des ressources limitées sur des appareils embarqués, permettant une analyse de données et une prise de décision en temps réel et à faible consommation, le tout indépendamment de la connectivité cloud.

TinyML offre plusieurs avantages par rapport aux modèles traditionnels basés sur un serveur centralisé :

• Abordabilité : le faible coût de la technologie rend ces appareils accessibles à un large éventail d’utilisateurs, notamment les établissements d’enseignement et les étudiants des pays en développement.
• Durabilité : la consommation modeste d’énergie produit une faible empreinte carbone, réduisant ainsi l’impact sur l’environnement.
• Flexibilité et évolutivité : elle permet le développement d’applications qui répondent aux besoins des communautés locales plutôt qu’aux agendas mondiaux.
• Indépendant d’Internet : comme tout est intégré, les appareils TinyML peuvent fonctionner sans connectivité en ligne. Ceci est particulièrement bénéfique pour le tiers du monde qui n’a toujours pas accès à Internet.

Les applications TinyML alimentent déjà des capteurs personnalisés pour l’athlétisme et fournissent une localisation là où le GPS n’est pas disponible. Ils sont également employés par des startups telles que Useful Sensors, qui propose des agents conversationnels préservant la confidentialité, des scanners de code QR et du matériel de détection de personnes. Ce n’est que grâce à l’utilisation de TinyML que ces appareils intelligents pourraient fonctionner sur des microcontrôleurs à faible coût et à faible consommation.

Se développer dans les pays du Sud

Pour aider l’utilisation de TinyML à se développer dans les régions où un modèle d’apprentissage automatique centralisé serait confronté à des défis importants, nous avons créé TinyML4D, un réseau d’institutions universitaires dans les pays en développement. Il comprend déjà plus de 40 pays couvrant les pays du Sud, de la Colombie à l’Éthiopie en passant par la Malaisie.

Avec le soutien du Centre international de physique théorique (CIPT) de l’UNESCO et de la John A. Paulson School of Engineering and Applied Science de l’Université Harvard, le réseau a été lancé en 2021. Son objectif est de développer une communauté d’éducateurs, de chercheurs et de praticiens axés à la fois sur améliorer l’accès à l’éducation TinyML et développer des solutions innovantes pour relever les défis uniques auxquels sont confrontés les pays en développement.

Pour rendre tout cela possible, nous devions développer des moyens de partager les ressources éducatives à l’échelle mondiale. Les efforts initiaux comprenaient la distribution de kits matériels TinyML à certaines universités confrontées à des défis budgétaires. Nous avons également organisé des ateliers et des sessions de formation aux niveaux mondial et régional (Afrique, Amérique latine et Asie). En utilisant une combinaison de méthodes en personne, en ligne et hybrides, nous avons touché plus de 1 000 participants dans plus de 50 pays. La combinaison de ressources matérielles gratuites ou peu coûteuses, combinée à du matériel de cours et des ateliers open source, a permis à TinyML d’être enseigné par de nombreux membres de notre réseau dans leur pays d’origine.

Au-delà de nos ateliers et activités de formation, nous avons lancé une série de collaborations régionales, d’activités de sensibilisation et d’événements virtuels « montrer et raconter » pour partager les meilleures pratiques et augmenter l’impact de notre réseau parmi les praticiens. L’accent a toujours été mis sur la réalisation des objectifs de développement durable (ODD) des Nations Unies.

Ces collaborations ont donné lieu à plusieurs articles évalués par des pairs sur les applications TinyML. Outre la solution permettant de détecter les espèces de moustiques, qui pourrait conduire à des campagnes de lutte contre le paludisme plus efficaces, d’autres incluent l’utilisation responsable de capteurs intelligents et des solutions peu coûteuses pour surveiller la fibrillation auriculaire et le rythme sinusal. Ils sont également utilisés par le « Elephant Listening Project » de l’Université Cornell et surveillent la qualité de l’eau dans l’aquaculture pour contribuer à la rendre plus durable, un projet soutenu par le programme Horizon 2020 de l’UE.

Avoir hâte de

TinyML représente une approche transformatrice de l’intelligence artificielle et est particulièrement pertinente pour les pays en développement. Il offre une voie durable vers la démocratisation de la technologie de l’IA, la promotion de l’innovation locale et la résolution des défis régionaux.

La croissance des appareils et des applications TinyML n’est cependant pas sans défis et risques potentiels. Le nombre d’applications et d’appareils devrait passer des millions expédiés aujourd’hui à 2,5 milliards d’appareils en 2030, ce qui pourrait entraîner une augmentation des déchets électroniques en raison du faible coût des appareils. Il existe également un risque de biais intégrés dans les modèles de ML critiques : comme ils fonctionnent de manière autonome, il n’existe aucune option de mise à jour. Enfin, il existe des problèmes de confidentialité en raison de l’intégration discrète des appareils dans l’environnement. À mesure que le domaine évolue, il sera crucial de gérer ces problèmes de manière responsable et ainsi contribuer à garantir que TinyML reste un outil de changement positif et de développement durable.