Publication IEEE
J'ai le plaisir d'annoncer ma contribution en tant que co-auteur d'un article publié dans le magazine IEEE Internet of Things Magazine.
Titre : "Energy Efficiency Improvement Methods for Edge AI IIoT Networks: An Overview"
IEEE Xplore : ieeexplore.ieee.org/document/11244844
Auteurs
Une collaboration multi-institutionnelle entre la France et le Japon :
| Auteur | Affiliation |
|---|---|
| Yousef N. Shnaiwer | NII, Tokyo, Japon — actuellement à Al-Zaytoonah University, Amman, Jordanie |
| Julien Weber | Équipe R&D, Wavely, Villeneuve d'Ascq, France |
| Julien Roland | Équipe R&D, Wavely, Villeneuve d'Ascq, France |
| Megumi Kaneko | NII, Tokyo, Japon — L'Université de Tokyo |
| Robin Gerzaguet | Équipe GRANIT, IRISA, Université de Rennes, France |
| Kenichi Kawamura | NTT Inc., Kanagawa, Japon |
| Olivier Berder | Équipe GRANIT, IRISA, Université de Rennes, France |
| Salah Berra | NII, Tokyo, Japon |
| Pascal Scalart | Équipe GRANIT, IRISA, Université de Rennes, France |
| Keisuke Wakao | NTT Inc., Kanagawa, Japon |
| Yasushi Takatori | NTT Inc., Kanagawa, Japon |
Résumé
L'Internet des objets industriels (IIoT) transforme les industries modernes en permettant des opérations intelligentes et basées sur les données embarquée des réseaux. À mesure que ces systèmes gagnent en échelle et en complexité, l'optimisation de la consommation d'énergie des techniques de Machine Learning (ML) devient essentielle pour garantir des performances durables et fiables.
Cet article examine les fondations architecturales des systèmes IIoT et propose une classification
structurée des méthodes permettant de réduire l'utilisation énergétique du ML. Une étude de cas en conditions
réelles — l'Energy Efficient Internet of Emergency Services (EEIES) — illustre le déploiement
d'une infrastructures IIoT optimisées en énergie dans des contextes opérationnels exigeants.
L'article se conclut par une discussion sur les défis actuels et les orientations futures axées sur :
- Les architectures ultra-basse consommation pour l'inférence embarquée
- Les stratégies de déploiement de capteurs évolutives sur des flottes de périphériques hétérogènes
- Une sécurité robuste pour l'intelligence industrielle de nouvelle génération
Contributions clés
- Étude architecturale : Aperçu structuré de la conception des systèmes IIoT et de leurs profils énergétiques.
- Technique de réduction énergétique en ML : Classification des techniques visant à réduire la consommation d'énergie du ML en embarqué (élagage/pruning, quantification, distillation).
- Étude de cas — EEIES : Déploiement réel d'un modèle ML compressé pour une consommation réduite en énergie au sein d'une infrastructure de services d'urgence.
- Feuille de route de recherche : Identification des défis ouverts dans le mode du ML ultra-basse consommation, l'évolutivité et la sécurité en embarqué.
Contexte
Ces travaux ont été menés en collaboration avec Wavely (France), l'IRISA / Université de Rennes (France), National Institute of Informatics (Japon) et NTT — Nippon Telegraph and Telephone (Japon), dans le cadre du programme de recherche ANR LIGHT-SWIFT.