Pendant l'essentiel de l'ère du cloud, l'intelligence supposait un aller-retour : capter la donnée sur un appareil, l'envoyer vers un centre de données, recevoir une réponse. Cela fonctionne — jusqu'à ce que ça ne fonctionne plus : quand le réseau est lent, absent, coûteux, ou quand la donnée est trop sensible pour être transmise. L'IA en périphérie répond à ces cas : faire tourner le modèle là où la donnée naît.
Pourquoi rapprocher le calcul de la périphérie
Trois forces poussent l'inférence vers l'appareil. La latence : une voiture autonome ou un système de sécurité industriel ne peut attendre un serveur ; il doit réagir en millisecondes. La confidentialité : une caméra qui reconnaît un geste sans téléverser la vidéo garde les données personnelles en local par conception. La résilience : un capteur d'usine ou un robot agricole isolé doit continuer à fonctionner quand la connexion tombe. Dans chaque cas, l'aller-retour cloud est un handicap, pas un atout.
Le matériel a rattrapé son retard. Des accélérateurs efficaces tiennent désormais dans les téléphones, les caméras, les véhicules et de minuscules capteurs sur batterie, exécutant des modèles performants dans des budgets d'énergie stricts. Couplé à la tendance des petits modèles, cela rend l'intelligence embarquée praticable sur une immense gamme de produits.
Les compromis
Le déploiement en périphérie n'est pas gratuit. Les modèles embarqués sont plus petits et doivent être soigneusement optimisés ; les mettre à jour sur tout un parc est un défi opérationnel ; et déboguer un modèle réparti sur un million d'appareils est plus dur qu'inspecter un serveur. La bonne pratique émergente est l'hybride par conception — faire le travail critique et privé en périphérie, réserver le cloud aux tâches lourdes ou occasionnelles — et traiter la frontière entre les deux comme une décision d'architecture majeure.