Edge AI industriel : quand faut-il réellement traiter l’IA en périphérie ?

L'intelligence artificielle prend une place croissante dans l'industrie : vision industrielle, inspection automatisée, reconnaissance d'objets, OCR, robotique ou encore analyse de données.

Mais avant de choisir un GPU, un NPU ou une plateforme de calcul spécialisée, une question doit être posée :

l'application a-t-elle réellement besoin d'exécuter l'IA au plus près de la machine ?

Pour de nombreux projets, un PC industriel classique reste parfaitement adapté. SCADA, HMI, collecte de données, communication industrielle ou exécution d'applications métier ne nécessitent pas systématiquement d'accélération IA.

D'autres applications doivent au contraire analyser localement d'importants volumes de données et produire un résultat rapidement.

C'est là que l'Edge AI industriel prend tout son sens.

L'Edge AI consiste à exécuter tout ou partie du traitement d'intelligence artificielle à proximité de la source des données, plutôt que de transmettre systématiquement les données brutes vers une infrastructure distante.

Dans une installation industrielle, le calcul peut par exemple être effectué sur un PC installé à proximité d'une machine, d'une caméra, d'un robot ou d'un équipement de production.

Le principe est donc différent d'une approche exclusivement Cloud :

• Cloud : les données sont transmises vers une infrastructure distante pour être traitées.
• Edge : le traitement est réalisé localement ou à proximité de l'équipement.
• Edge AI : l'inférence d'un modèle d'intelligence artificielle est réalisée au niveau Edge.

Cette distinction est importante : Edge computing et Edge AI ne sont pas synonymes. Un PC industriel peut effectuer du traitement local sans exécuter de modèle d'intelligence artificielle.

Le choix ne consiste donc pas à déterminer quelle technologie est la plus avancée.

Il faut déterminer où le traitement doit être réalisé et quelle quantité de calcul est réellement nécessaire à l'application.

L'arrivée de l'IA industrielle ne rend pas les PC industriels traditionnels obsolètes.

Dans de nombreuses applications, ils restent parfaitement adaptés.

Automatisation et contrôle

Lorsqu'un système doit principalement exécuter des logiciels industriels, communiquer avec des équipements ou assurer des fonctions de supervision, une plateforme classique peut suffire.

C'est notamment le cas pour :

• HMI ;

• SCADA ;

• acquisition de données ;

• communication industrielle ;

• passerelles IIoT ;

• terminaux MES ;

• supervision de machines.

Ajouter une accélération IA à ce type d'application n'apporte pas nécessairement de bénéfice.

Collecte et transmission de données

Un PC industriel peut également collecter, filtrer, agréger et transmettre des données sans qu'un modèle d'intelligence artificielle soit nécessaire.

Le besoin de traitement local ne signifie donc pas automatiquement besoin d'Edge AI.

L'Edge AI devient particulièrement intéressant lorsque les données doivent être analysées localement et qu'un modèle d'intelligence artificielle intervient directement dans le traitement.

Plusieurs critères peuvent justifier cette approche.

1. Lorsque la latence devient critique

Une application industrielle peut nécessiter une réaction rapide après l'acquisition d'une donnée.

Prenons le cas d'une caméra contrôlant des produits sur une ligne.

Le système peut devoir :

1. acquérir une image ;

2. l'analyser ;

3. identifier une caractéristique ou une anomalie ;

4. transmettre immédiatement le résultat au système.

Envoyer systématiquement les images vers une infrastructure distante ajoute une étape de communication réseau.

Un traitement local permet de rapprocher l'inférence de la source des données.

Applications concernées

• inspection visuelle ;

• détection d'objets ;

• guidage robotique ;

• tri automatisé ;

• OCR industriel ;

• analyse vidéo.

2. Lorsque les volumes de données deviennent importants

Les systèmes de vision constituent un excellent exemple.

Une ou plusieurs caméras peuvent générer un volume important de données en continu.

Transmettre systématiquement l'intégralité de ces données vers le Cloud peut augmenter fortement les besoins en bande passante.

Le traitement Edge permet d'analyser les données localement puis, selon l'application, de ne transmettre que les informations nécessaires : résultat d'une inspection, événement détecté, métadonnées ou images sélectionnées.

3. Lorsque la connexion réseau ne peut pas être considérée comme permanente

Toutes les installations industrielles ne disposent pas d'une connexion réseau continue.

Un système installé dans un véhicule, sur un équipement mobile, dans une infrastructure isolée ou sur certains sites extérieurs peut connaître des périodes de connectivité réduite.

Lorsque la fonction doit continuer à être exécutée sans accès permanent au Cloud, le traitement local devient particulièrement important.

L'Edge AI permet alors d'effectuer l'inférence directement sur la plateforme locale.

4. Lorsque certaines données doivent rester localement

Images de production, informations liées à un procédé ou données issues d'une inspection peuvent être sensibles.

Le traitement local permet, selon l'organisation du système, de limiter la transmission de données brutes vers des infrastructures externes.

Il ne dispense évidemment pas de mettre en place une politique de cybersécurité adaptée, mais il permet de repenser quelles données doivent réellement quitter la machine ou le site.

La vision industrielle constitue l'un des cas d'usage majeurs du calcul Edge.

Une application peut par exemple utiliser l'IA pour :

• détecter un objet ;

• identifier une anomalie ;

• classifier une pièce ;

• lire des caractères ;

• analyser une image ;

• assister un système robotisé.

Le traitement peut être réalisé directement sur un système situé à proximité des caméras.

Cela ne signifie toutefois pas qu'une plateforme Edge AI est nécessaire pour chaque système de vision.

Le besoin dépend du nombre de caméras, de leur résolution, de la fréquence d'acquisition, des traitements effectués et du modèle utilisé.

Toutes les charges de calcul IA ne sont pas identiques.

Certaines inférences peuvent fonctionner sur CPU. D'autres applications bénéficient d'une accélération dédiée.

Selon la plateforme, cette accélération peut reposer sur :

• GPU ;

• NPU ;

• accélérateur IA spécialisé.

Le choix dépend notamment du modèle d'IA, du nombre de flux traités, des performances attendues, de la consommation électrique et des contraintes thermiques.

Le nombre de TOPS ou la puissance brute d'un GPU ne doit donc jamais être le seul critère de sélection.

Pour approfondir la sélection de la plateforme de calcul, consultez notre guide Choisir le bon CPU pour un PC industriel, Panel PC ou système fanless.

Installer une plateforme IA à proximité d'une machine pose une difficulté supplémentaire : la dissipation thermique.

GPU, CPU et accélérateurs peuvent générer davantage de chaleur qu'une plateforme industrielle destinée à une application légère.

Dans un système fanless, cette chaleur doit être évacuée sans ventilation forcée.

Le choix de la plateforme doit donc prendre en compte simultanément :

• la charge de calcul ;

• la consommation ;

• la température ambiante ;

• le châssis ;

• la dissipation thermique ;

• les contraintes d'installation.

Une plateforme extrêmement puissante n'est pas nécessairement la meilleure solution si elle devient difficile à intégrer thermiquement.

Avant de sélectionner le matériel, posez ces questions.

• L'application utilise-t-elle réellement un modèle IA ? Si non, un PC industriel classique peut être suffisant.
• Une décision doit-elle être prise rapidement à partir des données ? Si oui, rapprocher le traitement de la source peut être pertinent.
• Le système traite-t-il beaucoup d'images ou de données ? Un traitement local peut limiter les volumes devant transiter sur le réseau.
• L'application doit-elle fonctionner sans connexion permanente ? Le traitement local permet de réduire la dépendance à une infrastructure distante.
• Le modèle nécessite-t-il une accélération particulière ? CPU, GPU, NPU ou accélérateur spécialisé doivent être étudiés selon la charge réelle.
• Combien de caméras ou de flux doivent être traités simultanément ? Cette donnée peut fortement modifier les besoins de calcul, de mémoire et de bande passante.

Ce tableau est volontairement indicatif : la frontière dépend du logiciel, du modèle utilisé, du débit de données et des performances attendues.

Choisir l'Edge AI ne signifie pas supprimer le Cloud.

Les deux peuvent remplir des fonctions différentes.

Une plateforme Edge peut effectuer l'inférence localement et transmettre uniquement les résultats ou certaines données vers une infrastructure centrale.

Le Cloud peut alors servir à d'autres fonctions : centralisation, analyse globale, gestion de données ou services associés à l'application.

L'enjeu consiste donc à déterminer quel traitement doit être effectué localement et quel traitement peut être déporté.

L'Edge AI ouvre de nouvelles possibilités pour la vision, la robotique et l'analyse industrielle.

Mais ajouter une plateforme IA là où un PC industriel classique suffit peut augmenter inutilement le coût, la consommation, la dissipation thermique et la complexité d'intégration.

La démarche doit partir du besoin :

Quelles données sont produites ?
À quelle vitesse doivent-elles être analysées ?
Un modèle IA est-il réellement utilisé ?
Quelle quantité de données doit quitter la machine ?
Le système doit-il fonctionner indépendamment du réseau ?

Ce n'est qu'ensuite que la plateforme matérielle doit être définie.

INTRONIX Systems propose des plateformes de calcul industriel allant du PC Fanless classique aux systèmes permettant du traitement Edge et de l'accélération IA, afin d'adapter la puissance de calcul aux besoins réels de l'application.