1. Pourquoi exécuter l'IA dans l'objet ?
Exécuter l'inférence directement dans l'objet (on parle d'IA embarquée, edge AI, ou de TinyML pour les plus petits microcontrôleurs) apporte quatre avantages :
- la latence : pas d'aller-retour par le réseau. Une voiture qui détecte un piéton ne peut pas attendre la réponse d'un serveur ;
- la confidentialité : votre voix ou vos images ne quittent pas l'appareil ;
- l'énergie : émettre en permanence des données par radio coûte cher à une batterie (cours 1 et 2) ; mieux vaut ne transmettre que le résultat ;
- l'autonomie : l'objet fonctionne sans réseau, au fond d'une cave ou dans une zone blanche.
Associez chaque situation à l'avantage de l'IA embarquée qu'elle illustre.
- Un système d'aide à la conduite qui doit freiner en quelques millisecondes
- Un babyphone qui détecte les pleurs sans envoyer le son sur Internet
- Un capteur sur pile qui n'émet que « panne probable » au lieu de toutes ses mesures
- Un détecteur de fuite installé dans un local technique en sous-sol
2. Faire tenir un modèle dans une puce
Un microcontrôleur n'a rien d'un serveur. Par exemple, le nRF52840, une puce Bluetooth Low Energy très répandue, offre un processeur à 64 MHz, 1 Mo de mémoire flash et 256 ko de RAM. Le modèle, ses calculs et le reste du programme doivent y tenir, avec une consommation de quelques milliwatts.
La mémoire d'un modèle se calcule simplement :
À l'entraînement, chaque paramètre est un nombre à virgule sur 32 bits (4 octets). Pour embarquer le modèle, on le quantifie : on arrondit chaque paramètre sur 8 bits (1 octet), soit 256 valeurs possibles seulement. La mémoire est divisée par 4, les calculs sur entiers sont bien plus rapides et économes, et la précision baisse en général très peu.
quantifier des paramètres
Exemple chiffré
Un modèle de reconnaissance de gestes compte 250 000 paramètres. Quelle mémoire occupe-t-il sur 32 bits, puis sur 8 bits ? Tient-il dans le nRF52840 ?
Voir la correction
Sur 32 bits, le modèle occuperait toute la flash, sans place pour le programme : impossible. Quantifié sur 8 bits, il tient largement dans 1 Mo de flash.
Un modèle de 2 millions de paramètres est quantifié sur 8 bits. Quelle mémoire occupe-t-il, en Mo ?
3. La chaîne complète, de la donnée au microcontrôleur
- Collecte : enregistrer des données réelles avec les capteurs de l'objet, dans les conditions d'usage.
- Labellisation : étiqueter chaque exemple (chapitre 2).
- Entraînement : sur un ordinateur ou un serveur, avec des données d'entraînement et de test séparées.
- Conversion et quantification : transformer le modèle en code compact pour le microcontrôleur, sur 8 bits.
- Déploiement : programmer le microcontrôleur, qui ne fait plus que l'inférence.
- Mesure sur le terrain : précision réelle, temps de calcul, consommation. Souvent, on découvre des cas imprévus, et l'on retourne à la collecte.
Remettez dans l'ordre les étapes de la chaîne de l'IA embarquée.
- Quantifier le modèle sur 8 bits
- Enregistrer les signaux de l'accéléromètre pendant les gestes
- Programmer le microcontrôleur avec le modèle
- Indiquer pour chaque enregistrement le geste effectué
- Ajuster les poids du réseau sur un ordinateur
4. Deux IA, deux mondes
L'IA embarquée est déjà partout : détection de mot de réveil, réduction de bruit adaptative des écouteurs, maintenance prédictive (un capteur de vibration qui annonce la panne d'un moteur avant qu'elle n'arrive), comptage de personnes, aide à la conduite. Comparons nos deux IA du fil rouge :
| Petite IA (écouteur) | Grande IA (assistant conversationnel) | |
|---|---|---|
| Où ? | dans l'objet | dans un centre de données |
| Paramètres (ordre de grandeur) | des dizaines de milliers | des milliards à des centaines de milliards |
| Tâche | une seule, étroite : classer | très générale : générer du texte |
| Énergie | quelques milliwatts | des centres de données entiers |
| Vérifiable ? | oui, sur des milliers d'exemples de test | difficilement : une infinité de questions possibles |
le modèle tient-il dans la mémoire ?
Échelle logarithmique : chaque graduation est 1 000 fois plus grande que la précédente. Tailles de modèles et de mémoires : ordres de grandeur indicatifs.
- IA embarquée : l'inférence se fait dans l'objet, pour la latence, la confidentialité, l'énergie et l'autonomie.
- Mémoire d'un modèle = paramètres × octets par paramètre ; la quantification sur 8 bits divise la mémoire par 4.
- Chaîne : collecte, labellisation, entraînement, conversion et quantification, déploiement, mesure, et on recommence.
- Petite IA : tâche étroite, vérifiable, sobre. Grande IA : tâche générale, difficile à vérifier, gourmande en énergie.
Avant la suite, vérifiez que vous savez :
- Microcontrôleur nRF52840 (Cortex-M4F à 64 MHz, 1 Mo de flash, 256 ko de RAM) : Nordic Semiconductor (consulté le 10/10/2026).
- Tailles de modèles (mot de réveil, petits et grands modèles de langage) et mémoires des smartphones et des cartes de calcul des serveurs : ordres de grandeur indicatifs.
- Énergie consommée par les centres de données : Agence internationale de l'énergie, « Energy and AI », avril 2025 (vérifié le 2026-10-10)