Intelligence Artificielle appliquée aux Systèmes Embarqués
Code Formation: 7104
| Ajouter aux favoris
Compétence principale visée
Identifier les modèles, les algorithmes d'optimisation et les architectures matérielles adaptées à chaque cas d'usage IA embarquéObjectifs pédagogiques
- Maîtriser les fondements de l'IA et ses contraintes en environnement embarqué industriel
- Sélectionner, entraîner et optimiser des modèles IA adaptés aux ressources limitées
- Intégrer un pipeline IA complet sur une cible matérielle réelle en contexte industriel
- Évaluer les compromis précision / consommation / latence d'un modèle sur cible
Public
- Ingénieurs et développeurs en systèmes embarqués
- Architectes systèmes et responsables R&D
- Techniciens supérieurs en électronique / informatique industrielle
- Chefs de projets IoT / Industrie 4.0
Prérequis
- Notions de base en programmation en C ou Python
- Bases en systèmes embarqués ou électronique numérique
- Connaissance élémentaire des systèmes Linux embarqué
PARTIE 1 - FONDAMENTAUX
- Introduction à l'IA embarquée :
- enjeux,
- définitions,
- panorama des approches
- Architectures matérielles embarquées :
- microcontrôleurs,
- SoC,
- FPGA,
- NPU (Neural Processing Unit)
- Contraintes spécifiques des systèmes embarqués :
- mémoire,
- énergie,
- temps réel,
- latence
- Panorama des frameworks :
- TensorFlow Lite,
- Edge Impulse,
- STM32Cube.AI,
- ONNX Runtime Micro
TRAVAUX PRATIQUES
- Prise en main d'un environnement de développement embarqué IA - NVIDIA Jetson, Raspberry Pi / STM32
PARTIE 2 - MODELISATION ET OPTIMISATION
- Fondamentaux du Machine Learning embarqué :
- régression,
- classification,
- détection d'anomalies
- Modèles neuronaux pour l'embarqué :
- MLP,
- RNN,
- CNN (par ex. MobileNet)
- Techniques d'optimisation :
- quantification,
- élagage (pruning),
- distillation de connaissance
- Conversion et déploiement d'un modèle entraîné vers une cible embarquée
TRAVAUX PRATIQUES
- Entraînement d'un modèle de classification d'images et déploiement sur carte embarquée
PARTIE 3 - DEPLOIEMENT ET CAS INDUSTRIELS
- Intégration dans un système de contrôle industriel :
- capteurs,
- bus de terrain,
- communication
- Sécurité et fiabilité des systèmes IA embarqués (IEC 61508, ISO 26262)
- Cas d'usage industriels :
- maintenance prédictive,
- vision embarquée,
- contrôle qualité temps réel
TRAVAUX PRATIQUES
- Détection d'anomalies sur données de capteurs industriels.
- Implémentation d'un pipeline IA complet sur système embarqué
La démarche pédagogique proposée s'appuiera sur l'alternance d'apports théoriques, d'échanges techniques et d'illustrations autour de cas pédagogiques existants. En complément, elle intégrera de nombreuses mises en situation et de travaux pratiques
Evaluation des acquis de formation
Evaluation des acquis des apprenants par auto-examenTaux de réussite
94.3% des apprenants ont acquis la compétence principale visée
Résultat obtenu pour 177 participants évalués ayant suivi une formation dans la thématique sur les 5 dernières années
Évaluation de la satisfaction
Evaluation du ressenti des participants en fin de formation (Niveau 1 KIRKPATRICK)
Résultats de l’évaluation
Le niveau de satisfaction globale est évalué à 4.3/5 par les participants.
Evaluations réalisées auprès des 199 participants ayant suivi une formation dans la thématique sur les 5 dernières années
