L’automatisation de processus via le logiciel ProActive d’ActiveEon gagne du terrain. Elle aide au choix des composants, modèles et paramètres à embarquer sur un satellite détecteur d’incendies, en parallélisant les simulations en laboratoire.
Moins terre à terre que l’optimisation logistique d’entrepôts, les modèles d’apprentissage automatique embarqués progressent vite, grâce aux analyses multi-modèles et paramétriques. Dans un satellite ou sur un drone sous-marin par exemple, cette automatisation de processus ouvre plusieurs domaines d’applications, comme l’analyse fine d’images, l’auto-diagnostic, voire l’auto-réparation de systèmes à distance.
Des satellites évolutifs
Le 18 décembre 2019, le lanceur Soyouz-Fregat a mis sur orbite trois CubeSats, ces petits satellites fondés sur des unités cubiques standardisées de 10 cm. Parmi eux, le satellite OPS-SAT de l’ESA (European Space Agency) forme le premier test embarquant des applications libres et des techniques de contrôle pour la mise à jour à distance de composants embarqués.
Pour en arriver là, le projet de recherche CIAR (Chaîne Image Autonome et Réactive) de l’Institut de Recherche Technologique Saint-Exupéry de Sophia-Antipolis a consolidé les travaux de sept entreprises – ActiveEon, AViSTO, ELSYS Design, GEO4i, MyDataModels, Thales Alenia Space, TwinswHeel – et de deux laboratoires universitaires, l’Inria et le LEAT (Laboratoire d’Electronique, Antennes et Télécommunications) du CNRS.
Le consortium de ce projet IRT a, dès 2018, anticipé la capacité des solutions d’IA dans des systèmes embarqués pour valoriser la donnée à bord en traitant les images au plus près des capteurs. L’adoption d’un outil d’automatisation et de parallélisation de code métier, accélère les tests de pré-déploiement et améliore leur couverture, dans un soucis qualitatif, quantitatif et économique.
L’hyper paramétrisation en soutien
« Dans le but d’identifier finement des feux de forêt, il faut apprendre au modèle de détection à les distinguer de fumées d’usines et de simples nuages. Ce travail sur les modèles aide à classer, à segmenter, par détection d’objets présents dans les images. La modification d’hyper-paramètres vient ensuite améliorer la qualité du modèle », explique Michael Benguigui, ingénieur algorithme et administrateur du projet, aux côtés de l’équipe MLOS (Machine Learning Open Studio) d’ActiveEon incluant Caroline Pacheco et Andrews Sobral.
L’outil de visualisation des données ProActive Job Analytics laisse le concepteur contrôler le choix des données à exposer depuis n’importe quelle tâche métier.
Avant embarquement dans un mini satellite, il s’agit d’optimiser l’exécution d’un ensemble de traitements et de sélectionner la meilleure cible matérielle possible, en fonction de sa consommation d’énergie et de plusieurs autres paramètres.
Le logiciel ProActive d’ActiveEon apporte les facultés d’automatisation nécessaires, via la création de workflows composés de tâches intégrant ou exécutant des instructions en divers langages informatiques, notamment en java, Matlab, PHP, Python ou R. Cet atout autorise l’utilisateur à intégrer ses propres lignes de code métier, afin d’analyser en temps réel les entrées/sorties.
« ProActive intègre nativement, un outil de visualisation des données (ProActive Job Analytics) dont le concepteur de workflow contrôle le choix des données à exposer, depuis n’importe quelle tâche métier. La récente V11 apporte des améliorations sur la visualisation de sous-tableaux des entrées/sorties des jobs métiers, sélectionnés par l’analyste. Ce dernier pourra aussi compter sur les graphes en cas de besoin », précise-t-il.
Des réseaux neuronaux détecteurs d’incendie
Le workflow d’hyper paramétrisation, pour un modèle défini par l’analyste, explore intelligemment les espaces de recherche de chaque hyper paramètre spécifié par avance, tout comme les conditions d’arrêt. Cette recherche itérative et parallèle des meilleurs hyper paramètres peut être agrémentée de tâches spécifiques pour permettre la visualisation en temps réel des entrées/sorties par d’autres outils du marché tels que Tensorboard ou Visdom.
Le workflow d’analyse multi hardware et multi langage voit son développement évoluer au fil des cibles matérielles et des langages à tester.
« L’ensemble des workflows, dont celui d’hyper paramétrisation, nous aide à trouver les hyper paramètres, modèles et cibles hardware (FPGA, GPU…) les mieux adaptés aux calculs d’inférence dans un environnement donné. Tout ceci grâce à la forte généricité des workflows multi-langage, et aux nœuds de calcul ProActive permettant de définir comme slot d’exécution d’un workflow, n’importe quelle machine sur n’importe quel réseau », signale Michael Benguigui.
Frédéric Feresin, le responsable du projet CIAR (IRT Saint-Exupéry), souligne les efforts des concepteurs de solutions d’IA (Deep Learning) embarquées sur le démonstrateur OPS-SAT de l’ESA et ceux de l’équipe ESOC chargée de l’intégration et des tests sur le satellite : « trois architectures de réseaux de neurones sont déployées sur le FPGA MitySom du satellite, permettant des inférences rapides des images de la caméra OPS-SAT. Actuellement utilisés pour identifier les nuages afin de sélectionner les images utiles, les réseaux neuronaux du CIAR peuvent également être formés pour détecter les feux de forêt et donner l’alerte au sol en temps quasi réel. Une vraie valeur ajoutée », apprécie-t-il.
Illustration: Le cœur de charge utile du satellite OPS-SAT est la plate-forme de traitement, offrant un environnement reconfigurable capable de remplir les objectifs de chaque expérience. (photo: ESA)
