Pourquoi se prendre la tête et perdre plus de temps avec le cloud quand le machine learning peut s'exécuter simplement sur l'appareil mobile ? Ne serait-ce que pour profiter de la rapidité et la sécurité, cet aspect de la technologie mérite que nous y accordions toute notre attention.
Au fil des années, les technologies d'intelligence artificielle sont devenues de plus en plus nombreuses et révolutionnaires. Si auparavant elles n'étaient pas accessibles à tous, désormais n'importe qui peut en profiter, et cela à tout moment. Et pour se rapprocher encore plus des utilisateurs, ces systèmes s'implémentent aujourd'hui sur nos appareils mobiles.
En quoi consiste le machine learning sur l'appareil ?
Pour rappel, le principe du machine learning est de permettre à un ordinateur d'apprendre par lui-même. Il s'agit d'une forme d'intelligence artificielle qui est plus proche de son objectif qui est d'imiter l'intelligence humaine.
Quand il s'agit de technologie, les demandes et les exigences des utilisateurs ne cessent d'augmenter. Par conséquent, les développeurs doivent sans cesse repousser les limites afin de répondre à ces besoins.
En termes de machine learning, une avancée notable concerne le deep learning. La puissance de calcul offerte par cette technologie a permis de faire des progrès révolutionnaires dans le domaine de la santé, de l'éducation, de l'industrialisation, de la finance, etc. Et derrière tous ces aboutissements technologiques se tiennent une quantité énorme de données.
C'est donc en rapport avec ces données, et dans l'optique de se rapprocher des utilisateurs qu'un nouveau champ pour l'exploitation de l'IA a pris forme. Les nouvelles technologies de périphérie comme le Edge AI et le machine learning sur l'appareil permettent de relever plusieurs défis de l'IA et du ML. Autrement dit, l'apprentissage automatique mobile consiste à proposer les fonctionnalités du machine learning sur les appareils mobiles des utilisateurs.
L'intérêt du machine learning sur l'appareil
Bien que l'apprentissage automatique et ses dérivés soient efficaces dans leurs domaines, leur adoption n'est pas toujours une évidence due à certains facteurs. En matière de technologies, les consommateurs ont des attentes précises et grandissantes. Ce qu'ils recherchent dans le machine learning, c'est avant tout la transparence. Par ailleurs, ils s'attendent à des expériences personnalisées, fonctionnant en temps réel et sans interruption. D'autre part, les entreprises utilisent les solutions d'IA dans le but de rationaliser leur activité et par la même occasion de réduire les coûts.
Maintenant, le défi est de répondre à ces attentes en exploitant le machine learning sur l'appareil. Toutefois, les applications mobiles existantes, et sûrement celles à venir, nécessitent des vitesses de traitement plus rapides. Cependant, elles ne peuvent pas exécuter l'inférence dans le cloud.
En effet, le cloud utilise une approche centralisée pour traiter les données avant de les renvoyer vers l'appareil. Cela prend beaucoup de temps, coûte de l'argent et par-dessus tout, la confidentialité des données est remise en question.
Faible latence
Pour tout développeur, le plus grand défi concerne la vitesse de traitement des données. Malgré des fonctionnalités prometteuses et une bonne renommée, une latence élevée peut tout remettre en cause.
Prenons par exemple une application mobile de vidéo en direct qui doit séparer le premier plan de son arrière-plan. Le principe même du vidéo en direct exige que ces fonctionnalités s'exécutent instantanément, sans décalage. En d'autres termes, pour que le machine learning sur l'appareil soit efficace, une faible latence s'impose.
En éliminant le besoin de diffuser les données vers des serveurs centralisés cloud, le ML sur l'appareil réduit la latence à une valeur proche du néant.
Confidentialité des données
Le traitement des données via un cloud centralisé présente un autre inconvénient : la vulnérabilité des données. En effet, une fois que les informations quittent un appareil pour aller dans un serveur sur internet, c'est une opportunité qui s'offre aux cybercriminels pour les intercepter. Autrement dit, l'utilisateur n'a aucun contrôle sur les données hors de son appareil.
Mais avec le machine learning sur l'appareil, les données ne sont ni transférées ni stockées sur un serveur externe. En termes de cybersécurité, cela réduit considérablement le terrain d'attaque des hackers. Par ailleurs, cela permet de rester dans le cadre du Règlement général sur la protection des données (RGPD).
D'autre part, certaines nouvelles technologies, comme l'apprentissage fédéré, permettent également de créer des modèles sur l'appareil. Les données locales sont utilisées pour en former de nouvelles, sans avoir recours à des conditions externes.
Réduction des coûts
Il est évident que l'inférence locale des données contribue à réduire les coûts liés au déploiement de cette technologie.
Tout d'abord, les fournisseurs externes en services de mise en œuvre ou de maintenance ne sont pas utiles avec le ML sur l'appareil. De plus, les développeurs n'auront pas à créer une infrastructure cloud supplémentaire, ce qui leur permettra aussi d'économiser sur le processus de développement.
Néanmoins, nous devons préciser que pour former des réseaux neuronaux, même pour l'appareil mobile, le cloud est toujours nécessaire. Une telle architecture de pointe requiert des ressources et des calculs que seul le cloud peut fournir.
Mais en ce qui concerne les clusters, ils ne sont pas utiles pour l'exécution de l'inférence sur l'appareil. Autrement dit, les NPU sophistiquées des appareils mobiles actuels contribuent à soustraire ceux-ci de la facture.
Les outils de machine learning sur l'appareil
De nos jours, les appareils mobiles sont de plus en plus puissants, ce qui offre plus d'opportunités de tirer parti des technologies les plus avancées. L'exécution et l'intelligence artificielle, et plus précisément du machine learning sur l'appareil est donc une percée énorme dans le domaine. Mais pour comprendre comment le ML mobile fonctionne vraiment, il est important de connaître certains outils les plus utilisés dans cette technologie.
TensorFlow Lite
TensorFlow est une plateforme créée par Google, destinée au machine learning et au calcul numérique. En fournissant toutes les ressources nécessaires pour exploiter le ML et le DL, elle aide à mettre en œuvre les algorithmes d'apprentissage sur l'appareil.
TensorFlow Lite est donc un cadre d'apprentissage automatique dédié aux appareils mobiles. Elle permet d'exécuter des modèles de ML sur Android et sur iOS. Particulièrement sur Android, ses performances sont accélérées par l'API Neural Network. TensorFlow Lite peut être utilisé dans les applications de détection d'images ou de reconnaissance vocale.
Une grande partie du processus est traitée sur l'appareil, ce qui veut dire entre autres que les modèles utilisent moins de calcul. Par ailleurs, ils ne dépendent ni d'un serveur ni d'un centre de données externe. Cela se traduit également par une réduction de la consommation d'énergie liée à la connectivité.
ML Kit
ML Kit est un autre outil de machine learning sur l'appareil créé par Google. Il permet aux développeurs d'applications mobiles de créer des expériences interactives et personnalisées dans leurs logiciels. Il peut être question de traduction de langue, de reconnaissance de texte, de détection d'objets ou autres. Une fois de plus, le traitement des données sur l'appareil assure leur confidentialité et active les fonctionnalités en temps réel.
ML Kit fournit un API de vision qui permet de numériser des codes-barres, détecter des visages ou des objets, étiqueter des images et de reconnaître un texte. D'autre part, il propose également un API de langage naturel pour identifier et traduire des langues et générer une réponse intelligente.
Le machine learning sur l'appareil dans la vie quotidienne
Nous espérons vous avoir fait comprendre le fonctionnement du machine learning sur l'appareil. Mais comment cela impacte-t-il notre vie quotidienne ? En utilisant nos smartphones pour presque toutes nos activités, nous ignorons peut-être qu'une partie de ces applications exploitent l'apprentissage automatique. Nous avons déjà effleuré quelques points dans les précédents propos, mais voyons ça plus en détail.
Les applications du machine learning sur l'appareil
En termes de photographie mobile, l'apprentissage automatique contribue à combler l'écart entre les smartphones et les appareils photo dédiés. Les chipsets d'IA permettent d'améliorer la plage dynamique, la luminosité ou encore de réduire le bruit des images. Certaines marques utilisent le machine learning pour permettre la reconnaissance de visage ou d'objets dans les galeries, sans avoir besoin d'être connecté à internet.
Outre les applications de photographie, d'autres outils comme Swiftkey utilisent des réseaux de neurones pour la saisie automatique. De même, c'est cette technologie qui se tient derrière les suggestions de réponses automatiques.
D'autre part, le machine learning sur l'appareil rend la reconnaissance vocale plus pratique, en se passant d'une connexion à internet. Pareillement, la transcription, la traduction de la parole en temps réel ou encore le sous-titrage est désormais possible sur un appareil hors ligne.
Malgré tout, le machine learning sur l'appareil n'est pas forcément irréprochable. Avec des modèles pré-entraînés, la plupart de ces applications ne sont pas toujours adaptables aux besoins de chaque utilisateur. En outre, nous devons reconnaître au cloud son importance dans la mise à jour des données ainsi que des systèmes. Toutefois, ne serait-ce que pour la confidentialité des données et pour un traitement plus rapide, cette technologie reste une solution à prendre en considération.
- Partager l'article :
