Глоссарий ИИ
Полный словарь искусственного интеллекта
Quantification
Technique de réduction de précision des poids et activations d'un réseau neuronal de 32 bits à 8 bits ou moins, permettant de réduire significativement la mémoire et les calculs nécessaires.
Microcontrôleur
Circuit intégré compact contenant processeur, mémoire et périphériques, optimisé pour fonctionner avec une consommation d'énergie minimale et des ressources limitées.
Edge AI
Intelligence artificielle exécutée directement sur les dispositifs de périphérie, permettant des décisions locales sans dépendance de connexion cloud, réduisant latence et consommation bande passante.
TensorFlow Lite Micro
Framework de Google spécifiquement conçu pour exécuter des modèles d'apprentissage automatique sur microcontrôleurs avec moins de 256KB de RAM et 1MB de stockage.
Optimisation de mémoire
Ensemble de techniques visant à minimiser l'empreinte mémoire des modèles, incluant la quantification, le pruning et les architectures de réseaux compactes adaptées aux contraintes MCU.
Inférence sur dispositif
Processus d'exécution de prédictions directement sur le dispositif embarqué, éliminant le besoin de transmission de données vers des serveurs distants pour traitement.
Pruning
Technique d'élagage de connexions neuronales non critiques dans un réseau, réduisant sa complexité et taille sans perte significative de performance prédictive.
Knowledge Distillation
Méthode de transfert de connaissances d'un grand modèle complexe (teacher) à un modèle léger (student) adapté aux contraintes de ressources des microcontrôleurs.
Architecture neuromorphique
Conception de circuits imitant la structure et le fonctionnement du cerveau biologique, optimisés pour un traitement efficace avec une consommation énergétique minimale.
Compresseur de modèle
Outil ou algorithme réduisant la taille d'un modèle d'apprentissage automatique tout en préservant ses capacités prédictives, essentiel pour le déploiement sur dispositifs contraints.
Edge Impulse
Plateforme de développement spécialisée dans la création, l'entraînement et le déploiement de modèles TinyML sur microcontrôleurs avec interface intuitive et optimisation automatique.
Consommation d'énergie
Mesure critique en TinyML, visant à minimiser la consommation électrique pour permettre des années d'autonomie sur piles ou energy harvesting dans des applications IoT.
MCU
Unité de microcontrôleur compacte intégrant processeur, mémoire volatile et non volatile, et interfaces de communication dans un seul circuit intégré pour applications embarquées.
Traitement temps réel
Capacité des systèmes TinyML à fournir des réponses prédictives dans des délais contraints et prévisibles, essentiel pour les applications critiques et interactives.
Intelligence embarquée
Intégration de capacités d'apprentissage et d'inférence directement dans les dispositifs électroniques contraints, créant des systèmes autonomes et intelligents.
Modèle léger
Architecture de réseau neuronal conçue spécifiquement pour minimiser paramètres et calculs tout en maintenant des performances acceptables pour le déploiement sur microcontrôleurs.
Energy Harvesting
Technique de collecte d'énergie environnementale (lumière, vibration, thermique) pour alimenter des dispositifs TinyML, permettant une autonomie quasi illimitée sans maintenance.
Système opérateur embarqué
Système d'exploitation temps réel optimisé pour microcontrôleurs, gérant les ressources matérielles limitées et garantissant l'exécution déterministe des tâches TinyML.