Intelligence artificielle embarquée et connectée (IA_EC)

Contexte

Embarquer l’IA directement sur les cibles hardware permet de limiter les transferts de données et donc la consommation et l’empreinte carbone, diminuer le temps de latence des traitements et autoriser un apprentissage en ligne. Ces aspects sont cruciaux lorsque l’on travaille avec des véhicules autonomes, drones, portables, assistants personnels et plus généralement des objets connectés.

Enjeux

Dans les années à venir, l’IA embarquée pourrait concerner 80% du marché, 20% de l’IA étant exécutée sur le cloud. Une cible hardware privilégiée sera le smartphone et les systèmes distribués et connectés. Dans ce contexte, les aspects de consommation, d’efficacité algorithmique et de faisabilité deviennent cruciaux.

Avec l’augmentation des systèmes embarquant de l’IA va se poser le problème de la sécurité de systèmes distribués et ouverts. Un enjeu de taille sera la protection des données personnelles : la surface de risque, définie comme la quantité d’information exposée, va augmenter considérablement en particulier dans un contexte de mobilité. Ce sujet fera l’objet d’une étroite collaboration avec le programme transverse Cybersécurité matérielle (CYM) de l’IETR.

Animation scientifique

 

3

 

Équipes impliquées

  • AIMAC : Autoencodeurs, GAN, VAE. Contexte multi capteur (réseau de caméras) : traiter les images au niveau local sur chaque caméra + fusionner les résultats d’analyse.
  • MULTIP : Traitement multimodal temporel. Optimisation objective de stratégies temporelles d’auto-apprentissage pour le traitement de tenseurs de données multimodales et le traitement à la volée de données hyper-spectrales, acquises à partir de drones volants.
  • VAADER :
    • Algorithmes de classification et de traitement d’images basés IA, implémentation algorithmique matérielle
    • IA frugale
      • Nouvelles méthodes d'IA légères par programmation génétique
      • Approximation des calculs et adaptation des représentations des données
      • Réseaux de neurones dynamiques
    • IA embarquée
      • IA sous contrainte de latence ou d’énergie
      • Nouveaux substrats de calculs: FPGA, calcul neuromorphique
    • Sécurité de l'IA embarquée (protection contre les attaques par canaux auxiliaires),
  • ASIC :
    • Optimisation et distribution hardware. Conception d'architecture : comment adapter les systèmes embarqués contraints en ressources à l'implantation efficace des algorithmes d'IA.
    • IA pour les réseaux IoT intelligents : réseaux IoT décentralisés, Low Power Wide Area Networks, sobriété, efficacité énergétique, sécurité du spectre radio, allocation adaptative de fréquences dans des bandes non licenciés
    • Intelligence artificielle pour l'interprétation d'un bitstream pour la reconfiguration des FPGA : Représentation d’un bitstream sous une forme d’image, Méthode d’analyse basée sur IA pour reconnaitre l’architecture matérielle sous-jacente
    • Security threats of AI/ML in approximate computing system: Attaque par canaux auxiliaires sur approximation de calculs DNN
    • Sécurité de l’IA embarquée : Vulnérabilités et protections de réseaux de neurones sur FPGA face aux attaques physiques par canaux auxiliaires. Attaques par voie électromagnétique.
  • SIGNAL : traitements IA (centralisés ou distribués) pour les communications numériques et les architectures complexes, Traitement du signal (xG) et IA embarquée
  • AUT :
    • Accélération de l'optimisation des systèmes énergétique grâce à la Différentiation Automatique. En perspective : apprentissage par un réseau de neurones du dimensionnement optimal paramétrisé, c'est-à-dire fonction de paramètres d'intérêt.
    • Commande adaptative basée sur l'apprentissage.

Slides of "Invited Talk"

part_01.pdf - (1.57 Mo)
part_02.pdf - (805.37 Ko)
part_03.pdf - (1.73 Mo)