Libérer le potentiel de l'informatique de périphérie embarquée AI

Si le « Cloud- AI » offre une puissance de calcul considérable, il se heurte à des limites majeures lorsqu’il est appliqué aux véhicules, notamment la latence réseau, la connectivité intermittente et les coûts élevés de transmission des données. En revanche, le « Edge- AI » présente plusieurs avantages distincts :
- Réactivité en temps réel : en traitant les données localement, le « Edge- AI » permet une prise de décision à très faible latence, ce qui est essentiel pour la sécurité et les performances, même lorsque le véhicule ne dispose d’aucun signal Internet.
- Rentabilité : l’exécution locale réduit considérablement les coûts opérationnels liés au téléchargement continu de grands volumes de données vers le cloud à des fins de traitement.
- Confidentialité et sécurité : le fait de conserver à bord les données sensibles relatives aux utilisateurs et aux véhicules renforce la confidentialité et aide les constructeurs automobiles à se conformer aux nouvelles réglementations en matière de souveraineté des données.

La mise en œuvre de l’ AI en périphérie nécessite une évolution fondamentale vers des architectures de véhicules définis par logiciel (SDV) capables de gérer des charges de travail dynamiques. Les trois piliers essentiels sont les suivants :
- Réseaux haute performance : les véhicules doivent passer des bus CAN statiques à l’Ethernet à large bande passante et aux réseaux définis par logiciel (SDN). Cela permet une configuration dynamique des flux de données et utilise les réseaux sensibles au temps (TSN) pour garantir la bande passante nécessaire aux tâches critiques d’ AI .
- Calcul configurable : les constructeurs automobiles regroupent les calculateurs spécialisés (ECU) au sein de calculateurs polyvalents de calcul haute performance (HPC). Ceux-ci recourent à la conteneurisation et à la virtualisation pour isoler les charges de travail d’ AI , permettant ainsi à plusieurs applications de s’exécuter en toute sécurité sur un matériel partagé sans interférence.
- Gestion intelligente des données : une architecture orientée services (SOA) et des modèles de données standardisés (tels que COVESA VSS) sont nécessaires pour normaliser les signaux des véhicules, en dissociant les producteurs de données des consommateurs afin que les modèles d’ AI s puissent facilement s’abonner aux données spécifiques dont ils ont besoin.

Les chaînes d’outils ML standard partent généralement du principe que les ressources cloud sont abondantes et que le matériel est flexible, ce qui ne correspond pas à la réalité contrainte des environnements automobiles. Des chaînes d’outils spécialisées pour l’automobile sont nécessaires pour relever ces défis spécifiques :
- Collecte efficace des données : contrairement au cloud, les données d’entraînement proviennent de l’intérieur du véhicule. Les outils doivent être capables de capturer de manière sélective uniquement les données les plus pertinentes en fonction de déclencheurs spécifiques, afin de minimiser les coûts de stockage et de transfert.
- Optimisation tenant compte des ressources : les modèles doivent être optimisés pour des calculateurs (ECU) économiques à l’aide de techniques telles que la quantification et l’élagage, afin de garantir de bonnes performances dans le respect de limites strictes en matière de consommation d’énergie et de dissipation thermique.
- Prétraitement local : la préparation des données ne pouvant s’effectuer dans le cloud, la chaîne d’outils de déploiement doit intégrer toute la logique de prétraitement nécessaire directement au modèle afin de convertir les signaux bruts du véhicule en entrées exploitables.