Edge AI et TinyML
Des réponses instantanées, pas de facture cloud, et des données qui ne quittent jamais l’appareil.
Quand un produit doit réagir à l’instant où quelque chose se produit, un aller-retour vers le cloud est trop lent, trop coûteux, et cesse de fonctionner dès que la connexion tombe. Nous mettons le modèle sur l’appareil lui-même, pour qu’il réponde en millisecondes, continue hors ligne, et que les données qu’il lit n’aient jamais à quitter les mains du client. Ce sont les modèles de nos AI Labs adaptés pour tenir sur un microcontrôleur, une Jetson ou le NPU de votre SoC.
01 / Ce que ça résout
Repérer, compter et suivre ce qui compte dans le flux caméra instantanément : d’un petit capteur Cortex-M à un rig Jetson multi-caméra.
Mots de réveil, commandes vocales et alertes sonores traités sur l’appareil, sans envoyer d’audio où que ce soit.
Maintenance prédictive, reconnaissance de gestes et d’activité lues directement sur les capteurs embarqués.
Une seule boucle, des données à l’entraînement, aux évaluations sur l’appareil et aux mises à jour over-the-air, pour que le produit progresse sur le terrain.
02 / Stack
Standard du secteur, ennuyeux dans le bon sens : des outils d’avenir, que le prochain ingénieur connaîtra aussi.
Runtimes d’inférence
TensorFlow Lite / LiteRT
Modèles quantifiés sur MCU et SoC mobiles
ONNX Runtime
Inférence portable sur CPU, GPU et NPU
TensorRT & DeepStream
Pipelines de vision accélérés par GPU sur Jetson
Edge Impulse & TinyML
Itération rapide de modèles pour cibles contraintes
Matériel cible
Cortex-M with CMSIS-NN
Détection de mots-clés et d’anomalies en quelques kilo-octets
NVIDIA Jetson
Vision multi-caméra en périphérie
Google Coral / Hailo
Accélérateurs dédiés pour inférence basse consommation
Qualcomm & NXP NPUs
Accélération sur le SoC dans les appareils en production
Pipeline de modèles
PyTorch
Entraînement, distillation et export
Quantisation & pruning
Modèles INT8 / INT4 qui conservent leur précision
Evals on-device
Précision, latence et consommation mesurées sur la cible
OTA model delivery
Modèles livrés et retournés comme du firmware
03 / Approche
Latence, mémoire et consommation de courant sont mesurées sur l’appareil réel, à chaque révision du modèle.
Inférence à cycle de service et accélérateurs choisis selon le budget de puissance réel du produit.
Les données brutes restent sur l’appareil ; seul ce dont le produit a besoin en sort : si tant est que quelque chose en sorte.
Les données de la flotte alimentent l’entraînement ; un meilleur modèle revient comme une mise à jour ordinaire.
04 / Standards
Nous respectons les standards du secteur et des méthodes éprouvées sur chaque projet : c’est ce qui fait tenir le devis.
05 / Infrastructure
Bonnes questions
Des réponses franches aux questions posées avant de démarrer.
Oui, si le matériel le permet. WNC part du plus petit modèle qui fait le travail (distillé ou quantifié) et le déploie sur NVIDIA Jetson et des NPU similaires, avec des budgets de latence et de consommation comme critères d’acceptation.
Réalisations liées
Nos projets et produits qui ont mobilisé ce service.
Start
Dites-nous ce qu’il doit voir, entendre ou prédire, et sur quel matériel. Un ingénieur vous répond avec un périmètre et un prix honnêtes.
Let’s manage ou explorez AI Labs
