Artelys Knitro, maintenant disponible pour ARM, s’ouvre au monde de l’embarqué !

Pendant la phase d’entraînement du modèle, un grand nombre de paramètres doit être ajusté afin de minimiser une fonction non linéaire. Par exemple, une caméra qui détecte les défauts sur une chaîne de production peut être entraînée sur un jeu de données contenant des images de produits bien finis et défectueux. Cet entraînement repose sur l’ajustement d’un grand nombre de paramètres afin de minimiser le taux d’erreur du système. Cela implique souvent la résolution d’un problème d’optimisation non linéaire.

 

On peut noter que dans la majorité des cas, le modèle est pré-entraîné sur le cloud. Cependant, il s’agit d’un processus long qui nécessite d’envoyer les données de l’appareil vers le serveur, et de mettre à jour les paramètres du modèle dans le sens inverse. Dans des situations où il faut que le système puisse répondre à de nouveaux scénarios en temps réel, il sera important de pouvoir entraîner le modèle localement.

 

De plus, dans le cas du traitement de données personnelles, une telle démarche facilite la protection des données puisqu’elles n’ont pas à être transmises.

Les voitures autonomes, par exemple, utilisent le Machine Learning et l’optimisation de façon complémentaire. Le premier va permettre au système d’apprendre à identifier les obstacles statiques ou mobiles et la signalisation. Une fois ces données connues, le véhicule doit calculer une trajectoire vers la destination souhaitée qui tient compte de la forme de la route et des obstacles, assure la sécurité et le confort des voyageurs tout en minimisant la consommation d’énergie et le temps de trajet.

 

Il s’agit là d’un problème d’optimisation non linéaire, et l’optimisation embarquée est utilisée dans beaucoup d’autres domaines comme la stabilisation de drones ou encore l’atterrissage des fusées !