🟠 3ème · Période 1
Séquence 2 : IA embarquée, Études de cas
📘 Fiche de structuration des connaissances
🔗 Lien direct vers cette page
32S
Scanne le QR code, ou saisis ce code sur la page d'accès direct du site.
https://technologie-lft.vercel.app/go.html?c=32S
| Niveau | 3ème | Thème | Thème 1 : Design, innovation et créativité |
| Séquence | 2 : IA embarquée | Compétences | Analyser un système embarqué Comprendre les principes de l'IA |
📌 IA embarquée vs IA cloud
| Caractéristique | IA embarquée (Edge AI) | IA cloud |
|---|---|---|
| Où se fait le calcul ? | Directement dans l'objet (microcontrôleur, GPU embarqué) | Sur des serveurs distants via Internet |
| Latence | Très faible (réponse immédiate) | Variable (dépend de la connexion) |
| Connexion Internet | Non nécessaire en fonctionnement | Obligatoire |
| Confidentialité | Données traitées localement (plus sûr) | Données envoyées sur des serveurs |
| Puissance de calcul | Limitée (modèles optimisés) | Très élevée (gros serveurs) |
À retenir
L'IA embarquée traite les données directement dans l'objet, sans connexion Internet. Elle est idéale pour les applications nécessitant une réponse rapide et une bonne confidentialité.
📌 Études de cas : applications de l'IA embarquée
| Application | Capteurs | Traitement IA | Action |
|---|---|---|---|
| PDA (Pilotage de Drone Autonome) | Caméra, GPS, IMU, ultrason | Détection d'obstacles, planification de trajectoire | Évitement d'obstacles, navigation autonome |
| SLAM (cartographie) | LiDAR, caméra stéréo | Construction de carte en temps réel + localisation | Robot aspirateur, voiture autonome |
| SAE (Système d'Aide à l'Écoconduite) | Accéléromètre, GPS, OBD-II | Analyse du style de conduite | Conseils pour réduire la consommation |
| Reconnaissance vocale | Microphone | Transcription et compréhension du langage | Commande vocale sans Internet |
À retenir
Le SLAM (Simultaneous Localization And Mapping) permet à un robot de construire une carte de son environnement tout en se localisant dedans, en temps réel.
📌 Le processus d'apprentissage
| Étape | Description |
|---|---|
| 1. Collecte | Rassembler un grand jeu de données étiquetées |
| 2. Entraînement | L'algorithme analyse les données et construit un modèle (sur un ordinateur puissant) |
| 3. Optimisation | Réduire la taille du modèle pour qu'il tourne sur un microcontrôleur |
| 4. Déploiement | Charger le modèle optimisé dans l'objet connecté |
| 5. Inférence | Le modèle traite de nouvelles données en temps réel dans l'objet |
À retenir
L'entraînement se fait sur un ordinateur puissant, mais l'inférence (utilisation) se fait directement dans l'objet. Le modèle doit être optimisé pour fonctionner avec peu de mémoire et de puissance.
📚 Vocabulaire essentiel
Mots clés de la séquence
- IA embarquée (Edge AI) : intelligence artificielle exécutée directement dans l'objet
- Inférence : phase d'utilisation du modèle IA pour traiter de nouvelles données
- SLAM : cartographie et localisation simultanées par un robot
- LiDAR : capteur laser mesurant les distances pour créer une carte 3D
- Modèle optimisé : modèle IA réduit en taille pour fonctionner sur un microcontrôleur
- Latence : temps de réponse entre la mesure et l'action
- Edge Computing : traitement des données au plus près de la source
📎 Référence : Programme de Technologie, BO n°9 du 29 février 2024 · Thème 1