Qu’est-ce que le tiny machine learning ?

Nous savons aujourd’hui que l’IA affecte l’environnement ; même si nous cet impact est difficilement mesurable, nous savons qu’il est très considérable. Consommation électrique dantesque, utilisation de matériaux rares et de grandes quantités d’eau : le tableau n’est pas franchement reluisant. Dans ce domaine, le TinyML pourrait largement changer la donne en rendant l’IA plus accessible et surtout plus durable. Qu’entend-on exactement par TinyML et en quelles mesures représente-t-il un changement drastique pour le secteur de l’IA ? Pour rappel, le machine learning (ML) « est un champ d’étude de l’intelligence artificielle qui vise à donner aux machines la capacité d’apprendre à partir de données, via des modèles mathématiques » selon la définition de la CNIL.

Une technologie aux dimensions réduites, mais à l’impact considérable

Ce qui distingue le TinyML du ML classique est sa capacité à fonctionner et à être intégré dans des dispositifs bien plus modestes. Ceux-ci étant plus petits, ils sont nécessairement plus économiques à faire fonctionner. Leur mémoire se compte en Ko (kilo-octets) et certains de leurs composants peuvent coûter moins d’un dollar.

Une caractéristique qui le distingue des systèmes traditionnels et qui permet de ce fait une adoption bien plus large de l’IA dans différents domaines. Il existe des kits de développement spécifiques comme Seed Studio ou Arduino facilitent l’accès des développeurs au TinyML. Ceux-ci offrent, par exemple, des capteurs (mouvements, sons, etc.) qui donnent la possibilité de développer des applications d’IA très personnalisées.

En termes d’applications justement, le TinyML peut être utilisé dans une variété assez vaste de domaines. Par exemple, le programme Horizon 2020 soutenu par l’UE, utilise le TinyML pour surveiller les paramètres de l’eau dans le but de rendre l’aquaculture plus durable. La start-up Useful Sensors use également du TinyML pour concevoir des agents conversationnels autonomes sans connexion Internet. Cette application l’utilise aussi pour identifier les moustiques dans les régions pauvres où ils peuvent faire beaucoup de dégâts.

En bref, le TinyML démontre une polyvalence extrême, et peut répondre à un grand nombre de besoins sans nécessiter de déploiement d’infrastructures complexes.

Fonctionnement et avantages : une autonomie révolutionnaire

Au lieu de dépendre d’une connexion Internet et d’un cloud comme la plupart des systèmes d’IA traditionnels, le TinyML s’appuie sur un autre principe. Des modèles d’IA pré-entraînés et optimisés pour fonctionner dans des environnements contraints sont ainsi intégrés aux appareils. Cela peut être des dispositifs de surveillance environnementaux, des bracelets ou montres intelligentes, des balises ou des colliers pour animaux sauvages, etc.

Le TinyML opère donc en totale indépendance ; une autonomie qui lui permet de collecter des données, d’analyser, et de prendre des décisions en temps réel sans aucune connexion. Cette conception unique lui confère deux avantages majeurs.

Premièrement, au vu de la disparition de la transition de données entre les appareils et un cloud, la consommation d’énergie est ainsi drastiquement réduite. Cet aspect contribue à maintenir une empreinte carbone bien plus basse que le ML classique. Deuxièmement, il est facilement déployable dans des zones du globe où l’accès à Internet est limité.

Enfin, sa capacité à fonctionner en totale autonomie permet de développer des applications sur mesure qui répondent plus précisément aux besoins locaux. La dépendance aux infrastructures de communication globales n’étant plus un obstacle, le TinyML est une porte ouverte à des milliers de nouvelles perspectives.

Impacts et développements : du global au local

S’il y a bien un projet qui illustre l’engagement pour le développement du TinyML dans les pays les plus défavorisés, c’est bien TinyML4D. Soutenue par l’Université de Harvard et l’UNESCO, cette initiative aspire à stimuler l’innovation locale et démocratiser l’accès à l’éducation dans le domaine du TinyML. Celle-ci concerne actuelle 40 pays, parmi lesquels la Malaisie, l’Éthiopie ou la Colombie.

Pour cela, des distributions de kits matériels sont organisés à destination des chercheurs, entrepreneurs locaux ou étudiants afin de les aider au développement de solutions personnalisées. Encore une fois, les applications débloquées par ce projet sont très variées : suivi sportif, surveillance de l’eau ou de la faune, etc.

En plus d’offrir des outils et des formations aux populations, TinyML4D concourt à construire des fondations solides pour de futures innovations technologiques au niveau local. Celles-ci seront, de ce fait, entièrement alignées avec les aspirations et les besoins des communautés concernées.

Le TinyML est révolution dans la révolution ; évidemment bien plus silencieuse et hors des projecteurs du grand public qu’un certain ChatGPT par exemple. Pourtant, cette technologie porte en elle le potentiel de transformer radicalement l’IA, afin que les populations les moins aisées puissent également profiter de ses bienfaits. Toutefois, pour assurer un développement fluide du TinyML, il est très important de traiter avec sérieux les enjeux qui touchent également le machine learning traditionnel. Augmentation du volume de déchets électroniques, sécurité des données et surveillance des biais dans les modèles de TinyML développés ; les défis à surmonter sont peu ou prou semblables.

• Le TinyML est une révolution dans le domaine de l’IA.
• Il permet de développer des solutions IA complètement autonomes et fonctionnant sur des dispositifs de petite taille.
• Le projet TinyML4D, porté par l’Université de Harvard et l’UNESCO, a pour objectif de promouvoir son usage dans les régions de monde les plus défavorisées.

📍 Pour ne manquer aucune actualité de Presse-citron, suivez-nous sur Google Actualités et WhatsApp.