L’industrie de l’intelligence artificielle embarquée franchit un nouveau cap d’accessibilité avec une solution particulièrement innovante développée conjointement par deux acteurs majeurs. Comme le rapporte cnx-software, AutoML for Embedded d’Analog Devices (ADI) et Antmicro révolutionne le développement d’IA edge via un plugin open-source pour Visual Studio Code intégré à CodeFusion Studio. Construit sur le framework Kenning, cet outil automatise l’intégralité du pipeline ML incluant recherche de modèles, réglage d’hyperparamètres, optimisation, compression et déploiement sur microcontrôleurs contraints en ressources. Compatible avec les MCU ADI MAX78002 AI Accelerator et MAX32690, simulation Renode et RTOS Zephyr, il démocratise l’IA embarquée pour applications de classification d’images, détection d’anomalies, maintenance prédictive et reconnaissance vocale.
Framework Kenning et algorithmes SMAC/Hyperband : pipeline automatisé contre solutions manuelles traditionnelles
Le cœur d’AutoML for Embedded repose sur le framework Kenning développé par Antmicro, plateforme hardware-agnostique et open-source pour optimisation, benchmarking et déploiement de modèles IA sur dispositifs edge. Cette architecture modulaire permet création de flux de déploiement et runtimes pour applications de réseaux de neurones profonds sur diverses plateformes matérielles, éliminant les verrous propriétaires traditionnels.
L’innovation technique majeure réside dans l’utilisation conjointe des algorithmes SMAC (Sequential Model-based Algorithm Configuration) et Hyperband avec Successive Halving pour recherche automatisée et réglage d’hyperparamètres. SMAC explore efficacement l’espace de recherche en créant une représentation probabiliste de la fonction objectif via distributions gaussiennes, optimisant le compromis exploration/exploitation pour identifier les configurations les plus prometteuses.
L’algorithme Hyperband alloue intelligemment les budgets de calcul (nombre d’époques d’entraînement) selon les performances évaluées, permettant aux configurations les plus performantes de recevoir des ressources supplémentaires pour amélioration continue. Cette approche hybride maximise l’efficacité dans les contraintes temporelles imposées au processus de recherche.
La validation automatique inclut vérifications de compatibilité RAM et calcul avant déploiement, rejetant proactivement les modèles dépassant l’espace mémoire disponible sur carte cible. Cette fonctionnalité évite les échecs de déploiement tardifs caractéristiques des approches manuelles traditionnelles nécessitant expertise ML approfondie.
Support MAX78002 AI Accelerator et MAX32690 : optimisations AI8X Runtime contre microTVM
L’architecture matérielle supportée privilégie les MCU ADI MAX78002 et MAX32690 avec optimisations spécifiques pour chaque plateforme. Le MAX78002 embarque un accélérateur CNN dédié supportant jusqu’à 2 millions de poids 8 bits avec mémoire de poids de 2 MB et 1,3 MB de mémoire données CNN. Cette configuration permet traitement d’images VGA à 30 fps avec consommation ultra-faible caractéristique des applications IoT contraintes énergétiquement.
Les optimisations fournisseur incluent runtime AI8X pour MAX78002 et microTVM pour MAX32690, spécialement conçues pour exploiter les capacités matérielles spécifiques. L’outil ai8x-synthesis convertit automatiquement les modèles entraînés via framework ai8x-training en code C bare-metal optimisé pour l’accélérateur CNN.
Le MAX32690 propose architecture Arm Cortex-M4F à 120 MHz avec coprocesseur RISC-V 32 bits ultra-faible consommation pour traitement Bluetooth timing-critique. Cette configuration dual-core optimise les applications nécessitant connectivité sans fil avec traitement IA embarqué, particulièrement pertinente pour wearables et dispositifs industriels IoT.
La compatibilité s’étend théoriquement à autres microcontrôleurs et accélérateurs IA via pipelines Kenning personnalisés, bien que les optimisations spécifiques ADI ne soient disponibles que pour les plateformes officiellement supportées. Cette extensibilité préserve investissements développement lors de migrations matérielles futures.
Kits d’évaluation et intégration Zephyr RTOS : écosystème développement complet
L’écosystème développement d’ADI propose quatre kits d’évaluation MAX32690 couvrant différents cas d’usage. L’AD-APARD32690-SL adopte facteur de forme Arduino facilitant prototypage rapide, tandis que le MAX32690EVKIT offre évaluation approfondie des capacités MCU. Les solutions spécialisées incluent EVAL-ESS1-SYS pour gestion batterie évolutive et EVAL-ADIN6310T1LEBZ comme design de référence pour applications de commutation de champ.
Le MAX78002EVKIT intègre 8 MB QSPI SRAM, écran TFT 2,4 pouces tactile, codec audio stéréo, microphone I2S et stockage microSD. Cette richesse périphérique supporte caméras, dispositifs audio et capteurs analogiques avec tous GPIO accessibles via headers 2,54 mm. L’accumulateur d’énergie intégré monitore consommation pour applications d’automatisation industrielle, caméras intelligentes et dispositifs médicaux portables.
L’intégration Zephyr RTOS facilite développement temps réel avec support Kenning Zephyr Runtime pour exécution de modèles IA. La simulation basée Renode permet prototypage et validation avant déploiement matériel, réduisant cycles de développement et coûts de validation.
Le plugin VS Code intègre tutoriels pas-à-pas, pipelines reproductibles et datasets d’exemple facilitant transition des données brutes au déploiement IA edge sans expertise data science approfondie. Cette approche démocratise l’IA embarquée pour ingénieurs embedded traditionnellement exclus par la complexité des frameworks ML classiques.
L’évolution depuis les solutions AutoML précédentes comme Google Coral Dev Board Mini, Modberry AI Gateway et caméras Imago VisionAI utilisant AutoML Vision Edge (2020-2021) vers support microcontrôleurs contraints illustre la maturation du domaine. AutoML for Embedded est disponible directement via VS Code Marketplace et GitHub avec documentation complète et support ADI/Antmicro.
Retrouvez l’histoire de Raspberry Pi dans cette vidéo :
