Vers une approche bio-inspirée de l’IA embarquée
Résumé
La diffusion massive de l’IA repose essentiellement aujourd’hui sur l’utilisation de ressources de calcul dans le cloud, masquant ainsi l’incroyable consommation énergétique de ces algorithmes. L’ouverture de l’IA vers des contextes plus embarqués (AI at the Edge) révèle le défi qui attend ses acteurs et ouvre par la même occasion un nouveau terrain applicatif très compétitif sur lequel aucun monopole n’existe encore et où beaucoup reste encore à faire tant par les ingénieurs que par les chercheurs. En accédant à ce stade de déploiement de l’IA, différents niveaux de complexité s’accumulent. Au delà de la complexité habituelle d’apprentissage des méthodes de Machine Learning, la dimension embarquée apporte aussi des contraintes nouvelles en terme d’empreinte mémoire, de débit de données, de latence et bien évidemment de consommation énergétique et/ou de dissipation thermique.
Nous nous intéresserons dans cet exposé uniquement aux approches par réseaux de neurones artificiels pour lesquelles plusieurs solutions de compression se bousculent déjà pour plusieurs types de cibles matérielles. Mais le groupe eBRAIN du laboratoire LEAT se différencie par une approche inspirée de la biologie et plus précisément de la formidable efficacité de cerveau pour définir des modèles et des architectures neuromorphiques plus économes pour l’embarqué.
Des modèles convolutionnels aux réseaux de neurones à spikes en passant par les cartes auto-organisatrices, plusieurs modèles de réseaux et d’apprentissage seront présentés ainsi que leurs résultats dans des contextes applicatifs diverses comme l’IoT, l’automotive la robotique ou bien le spatial.