TinyML agricole : mesurer pour comparer

LLéna

Une revue de 28 études sur l’intelligence artificielle embarquée en agriculture examine comment ces systèmes fonctionnent sur de petits appareils et quelles mesures manquent pour comparer leurs performances, d’après AlphaSignal. L’enjeu est de faire analyser les données au plus près des cultures, sans envoyer chaque mesure vers des serveurs distants. C’est comme trier les récoltes directement dans un hangar, plutôt que de transporter chaque caisse ailleurs pour la première vérification. Dans le schéma le plus courant, le microcontrôleur installé sur l’appareil réalise l’inférence, c’est-à-dire qu’il applique un modèle déjà appris aux nouvelles données. L’entraînement, lui, reste centralisé dans le cloud, sur des serveurs distants. Les études recensées utilisent surtout des puces ESP32, STM32 ou ATMega. Plus de la moitié des déploiements ont recours à la quantification, qui réduit la précision numérique des calculs pour alléger les modèles. L’élagage structuré, qui retire des parties du modèle, et la recherche automatique d’architectures sont peu employés. Pour détecter des maladies sur les feuilles, les systèmes étudiés affichent une précision comprise entre 90 et 97 %. Le délai de réponse peut descendre à 7,6 millisecondes. Mais ces chiffres ne suffisent pas à juger les appareils. Les études indiquent rarement la mémoire utilisée, les opérations de calcul ou l’énergie consommée pour une analyse. Sans ces informations, il devient difficile de reproduire les résultats et de comparer équitablement les systèmes. Les auteurs proposent aussi une architecture en quatre couches, depuis la détection jusqu’à l’entraînement dans le cloud, avec l’objectif de préserver la confidentialité. C’est une proposition de conception, pas la preuve que les systèmes déployés protègent déjà toutes les données. Une autre étude, consacrée à la cartographie des recherches sur l’efficacité énergétique de TinyML, a été déposée sur arXiv vendredi. Elle relève également un manque de standardisation des mesures et des comptes rendus. Pour comparer ces technologies, il faut donc publier des mesures de mémoire et d’énergie plus complètes et cohérentes.