Optimisation des modèles d'IA pour systèmes embarqués

Optimization of AI Models for Embedded Systems

• Auteur / Autrice : Chaima El bezzar
• Direction : Adel Hafiane
• Type : Projet de thèse
• Discipline(s) : Sciences et Technologies Industrielles
• Date : Inscription en doctorat le 10/09/2024
• Etablissement(s) : Bourges, INSA Centre Val de Loire
• Ecole(s) doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS
• Partenaire(s) de recherche : Laboratoire : PRISME - Laboratoire Pluridisciplinaire de Recherche en Ingénierie des Systèmes et Mécanique Energétique

Mots clés

Mots clés libres

Réseaux de neurones profonds

Vision par ordinateur

Optimisation

Systèmes embarqués

Intelligence embarquée

Deep neural networks

Computer vision

Optimization

Embedded systems

Embedded Intelligence

Résumé

Les modèles du Deep Learning ou plus généralement du Machine Learning ont démontré des capacités et des performances impressionnantes en ce qui concerne la complexité des tâches qu'ils peuvent accomplir. Cependant, pour atteindre ce niveau de performance, ils sont confrontés à une complexité computationnelle élevée qui peut entraîner des temps de calcul significatifs, notamment sur des systèmes embarqués disposant de ressources calculatoires limitées. L'utilisation de ces modèles sur des systèmes embarqués demeure donc un défi majeur, dépendant de l'architecture du modèle, des ressources disponibles et de leur utilisation optimale. En effet, les algorithmes d'IA nécessitent souvent une puissance de calcul, une mémoire et une consommation d'énergie élevées, qu'il est rare de trouver dans les systèmes embarqués. On peut distinguer deux aspects, le coût de la phase d'apprentissage des modèles et leur efficacité opérationnelle dans la phase de déploiement. Dans ce contexte, cette thèse vise principalement à développer et intégrer des méthodes d'optimisation pour les grands modèles de Machine Learning, spécifiquement pour les systèmes embarqués. L'objectif est de maximiser l'utilisation des ressources de ces systèmes tout en réduisant la complexité et le temps de calcul des modèles, en assurant toujours des performances élevées.

Deep Learning models, or Machine Learning models, have shown remarkable capabilities and performance in executing complex tasks. However, achieving this level of performance comes with high computational complexity, which can result in significant processing times, particularly on embedded systems with constrained computational resources. Deploying these models on embedded systems thus poses a real challenge, dependent on the model's architecture, the resources available, and their optimal use. AI algorithms often demand substantial computing power, memory, and energy, resources that are typically scarce in embedded systems. Two key considerations arise: the cost associated with the training phase of the models and their operational efficiency during deployment. In this context, the main objective of this thesis is to develop and integrate optimization methods for large Machine Learning models for embedded systems by maximizing the utilization of their resources while minimizing the complexity and computation time of these models, all while ensuring high performance.''