À lire aussi : Les principales entreprises de l’edge computing
C’est une question que les digerati se posent de plus en plus ces temps-ci : l’edge computing, qui connaît une croissance si rapide, finira-t-il par dévorer le cloud, devenu si fondamental ?
Ma réponse à cette question est catégoriquement non. On pourrait se lancer dans un exercice d’analyse sémantique pour tenter de déterminer exactement ce que recouvrent les notions d’edge et de cloud. Mais je pense qu’à ce stade, nous pouvons regrouper dans les grandes lignes les éléments des nœuds interconnectés en points terminaux, appareils edge et composants cloud — avec des frontières mouvantes entre eux.
Cela étant dit, de quoi se composera l’edge en plein essor ? Le meilleur exemple récent qui me vient à l’esprit est le processeur vidéo edge destiné à la sécurité résidentielle et commerciale, à la détection d’animaux domestiques, à la reconnaissance faciale, à l’analyse dans le commerce de détail, au fitness et aux visioconférences intelligentes. Cet appareil, un accélérateur discret et autonome destiné aux applications d’inférence, n’est pas un point terminal. Il héberge des points terminaux, notamment des caméras.
Dans le cas du traitement vidéo, l’intelligence est nécessaire pour déterminer ce qui figure dans l’image. Ainsi, les caméras de surveillance ne réagissent pas à tout et n’importe quoi, mais seulement aux types d’images qui les intéressent, par exemple celles de personnes. Les caméras pourraient effectuer ce travail, mais l’envoi des images à un nœud proche disposant de davantage de stockage, d’une puissance de traitement supérieure et de modèles d’intelligence artificielle (IA) plus volumineux permet à un seul nœud edge de gérer les données de 24 caméras haute définition.
Ensuite, lorsque le processeur d’images edge a isolé la rare image qui mérite une attention accrue, celle-ci peut être transmise à un composant cloud centralisé qui reçoit des données de plusieurs sites, dispose de modèles encore plus puissants et peut renvoyer des informations aux nœuds edge.
L’évolution à la périphérie
Ainsi, le rôle du nœud edge ne fait que commencer à évoluer. Cet espace fait l’objet d’une vive bataille entre les principaux acteurs de l’industrie des semi-conducteurs. Qualcomm, Nvidia et Intel veulent tous leur part de ce marché.
Et ils ne sont pas les seuls, mais la nature de cette bataille est liée à la position initiale de ces entreprises dans le jeu. Grâce à son activité de processeurs pour téléphones mobiles, Qualcomm est solidement implanté dans les points terminaux.
Intel, qui possède essentiellement le marché des PC (traditionnellement des points terminaux, mais qui peuvent servir d’appareils edge), s’est imposé dans le cloud en tant que roi des serveurs. Nvidia, traditionnellement présent dans le secteur graphique, a développé une nouvelle activité cloud substantielle en vendant à ses clients du cloud des grappes de processeurs graphiques pour des charges de travail spécialisées.
Si vous vous demandez où l’intelligence doit se trouver, la réponse est simple : partout. On peut partir du principe que tous les nœuds deviendront plus intelligents. Cela signifie les caméras elles-mêmes, le collecteur edge et le composant cloud. Tous deviendront plus intelligents.
Depuis déjà plusieurs années, les fournisseurs de cloud comme Amazon, Microsoft, Google et Netflix déplacent les informations vers la périphérie de leurs clouds afin de rendre les contenus populaires plus accessibles. Lorsque Casablanca, le film classique avec Humphrey Bogart et Ingrid Bergman, redevient soudain populaire parce qu’une célébrité en a parlé ou a publié un tweet à son sujet, Amazon peut déplacer davantage de copies de son cloud central vers des serveurs edge proches des marchés géographiques où cette soudaine popularité apparaît.
Où le traitement est-il effectué ?
Un principe guide le choix de l’emplacement d’exécution d’un modèle d’analyse. En substance, le traitement doit avoir lieu aussi près que possible de la source des données pour trois bonnes raisons : la confidentialité, la latence et l’utilisation efficace des ressources réseau.
Les caméras qui déterminent ce qui est un être humain et ce qui est un animal domestique génèrent des images. Si ces images, qui peuvent être trop volumineuses pour être traitées par la caméra, sont analysées dans un appareil edge domestique, les photos potentiellement sensibles n’ont jamais besoin de quitter le domicile.
Une telle analyse peut être critique en termes de temps. Si une personne qui surveille à distance une maison depuis une application de sécurité doit savoir si le visiteur à la porte est un livreur ou un cambrioleur, il se peut qu’il n’y ait pas le temps d’envoyer l’image au cloud pour analyse. Sans parler du coût du déplacement de fichiers de données volumineux dans tous les sens. Mieux vaut que ce trajet soit aussi court que possible.
Dans le monde de l’IA, les deux grandes tâches sont l’entraînement et l’inférence. Lors de l’entraînement, on apprend au modèle ce qu’est un être humain et ce qu’est un animal domestique grâce à l’ingestion massive d’images correctement étiquetées. Après un certain entraînement, le modèle peut distinguer l’un de l’autre ; autrement dit, un modèle entraîné peut produire des inférences correctes. L’entraînement mobilise énormément de ressources et s’effectue de manière plus appropriée dans le cloud, bien moins limité en ressources que les points terminaux et même que la plupart des appareils edge.
En revanche, l’inférence doit être effectuée sur les points terminaux ou les appareils edge. L’inférence sur l’appareil peut être utilisée pour des fonctions telles que l’activation vocale, la reconnaissance de texte, la détection des visages, la reconnaissance vocale, la photographie computationnelle et la classification d’objets.
Mais comme les modèles d’IA doivent évoluer et s’améliorer en permanence afin d’éliminer à la fois les faux positifs et les faux négatifs, un cycle correctif doit nécessairement impliquer tous les niveaux de l’informatique. Dans un modèle d’apprentissage fédéré, le modèle agrégé hébergé dans le cloud reçoit les données de tous les appareils en aval, améliore sa capacité à identifier correctement l’objet en question et met à jour tous les modèles d’inférence en aval. Ainsi, le modèle est amélioré à l’échelle mondiale grâce à des données plus diversifiées.
Les appareils edge et les points terminaux peuvent également effectuer des améliorations locales à partir de l’ensemble de données propre à leur emplacement, qui peut différer de l’ensemble mondial utilisé pour l’entraînement initial.
En résumé : l’edge et le cloud doivent coopérer
L’IA n’est qu’un domaine qui illustre la manière dont tous les niveaux de l’informatique — point terminal, edge et cloud — doivent coopérer pour obtenir le meilleur résultat. Il en existe bien d’autres où la répartition des tâches entre les éléments informatiques est parfaitement logique : les calculs intensifs et à grande échelle dans le cloud, le déport des tâches locales ou le placement de copies du cloud à la périphérie, ainsi que le traitement rapide et efficace sur le point terminal.