Aller directement au contenu principal
Étude de cas

Accélérer la prise de décisions intelligentes, sécurisées et en temps réel à la périphérie grâce aux solutions évolutives d'AI de NXP et à Sonatus , directeur deAI

Cette étude de cas explique comment les solutions évolutives « AI » de NXP et le module « Sonatus »AI Director permettent une prise de décision en temps réel à la périphérie des véhicules.

Alors que l’adoption de l’ AI e dans le cloud ne cesse de croître, l’ AI embarquée reste limitée, principalement aux systèmes ADAS et à la conduite autonome, ce qui offre des opportunités pour le calcul embarqué AI visant à améliorer les fonctions des véhicules grâce à des avantages tels qu’une latence réduite, des coûts de transmission de données moindres, une meilleure protection de la vie privée et la protection de la propriété intellectuelle. La plateforme automobile S32 de NXP, dotée de capacités de calcul hétérogènes et d’accélérateurs, permet de développer des applications d’ AI sûres et évolutives.

Sonatus AI Director offre une chaîne d'outils complète pour le développement, le déploiement et la surveillance à distance de modèles d'AI , intégrée à l'écosystème matériel et logiciel de NXP.

Lire l'étude de cas

Foire aux questions

Si l’ AI e basée sur le cloud offre des fonctionnalités puissantes, l’« AI de périphérie » embarquée présente des avantages essentiels pour les applications en temps réel et sécurisées.
- Latence réduite : le traitement local des données garantit des réponses immédiates, ce qui est essentiel pour les fonctions critiques en matière de sécurité qui ne peuvent pas attendre une communication via le cloud.
- Coûts réduits : cela réduit considérablement les frais liés à la transmission de grands volumes de données du véhicule vers le cloud.
- Confidentialité et sécurité : le fait de conserver les données à bord protège les algorithmes propriétaires (propriété intellectuelle) et renforce la confidentialité des utilisateurs en minimisant l’exposition des données.

Auparavant, le déploiement de l’ AI dans les véhicules était entravé par la complexité des workflows MLOps et par la difficulté à optimiser les modèles pour un matériel spécifique. La solution conjointe résout ce problème en préintégrant Sonatus AI Director au logiciel eIQ® Auto ML de NXP et à la plateforme de traitement S32.
- Chaîne d’outils de bout en bout : elle offre un workflow unifié pour l’entraînement, la validation, l’optimisation et le déploiement des modèles, éliminant ainsi la nécessité de combiner des outils disparates.
- Optimisation automatisée : la solution optimise automatiquement les modèles pour les accélérateurs matériels spécifiques de NXP (tels que les NPU et les DSP), garantissant une exécution efficace sans réglage manuel.

Une étude comparative entre un modèle standard basé sur Python et un modèle optimisé à l'aide de C++/eIQ® Auto ML a révélé des gains d'efficacité spectaculaires.
- Inférence plus rapide : la durée moyenne d'inférence a été divisée par 8 lors de la compilation avec Glow.
- Utilisation réduite des ressources : l'utilisation du processeur a été divisée par 4,25 et celle de la mémoire virtuelle par 144, libérant ainsi de précieuses ressources informatiques pour d'autres fonctions du véhicule.

Retour en haut de la page