Artelys Knitro, maintenant disponible pour ARM, s’ouvre au monde de l’embarqué !
Avec l’avènement des smartphones, le développement de l’IoT et de systèmes complexes tels que les véhicules autonomes, équipés d’une multitude de capteurs générant des données en temps réel, les opportunités d’implémenter des solutions de Machine Learning et d’Optimisation en embarqué se multiplient.
Pourquoi un solveur non linéaire en embarqué ?
Les méthodes d’optimisation sont essentielles en Machine Learning
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.
Il y a des applications pour lesquelles il est nécessaire de résoudre un problème d’optimisation en temps réel
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 !
Privé : Data Science manager
Au sein d’une équipe dynamique de haut niveau, vous interviendrez conjointement sur des projets de R&D et clients afin de mener des projets innovants centrés sur la donnée et les mathématiques appliquées (Statistiques, Machine/Deep Learning) :Piloter des équipes...
Vous avez manqué l’événement de diffusion de METIS 3 ? Les diapositives sont désormais disponibles !
— Artelys avait le plaisir d’organiser l’évènement de dissémination du projet METIS 3 le 17 avril dernier. Au cours de cet événement, nous avons eu l’occasion de présenter les derniers développements du modèle et des jeux de données associés à METIS, avec des présentations détaillées des principales études réalisées dans la troisième édition du projet et des échanges stimulants avec des intervenants extérieurs!
Artelys participe à la simulation du stockage souterrain d’hydrogène à grande échelle en Europe.
— Artelys participe au projet quinquennal FrHyGe financé par la Commission européenne via le partenariat Clean Hydrogen.
Artelys poursuit sa croissance à l’international
Avec une présence internationale croissante, grâce à ses filiales au Canada, en Belgique, aux États-Unis, et depuis l’année dernière en Italie et en Espagne, Artelys étend sa portée et renforce son engagement à fournir des solutions innovantes à ses clients et partenaires à l’international.
s’abonner à nos newsletters
