What is edge AI, and when does it make sense?

Edge AI runs the model on the device instead of in the cloud. It makes sense when latency, bandwidth, privacy or connectivity matter — a camera that must react in 20 ms, a sensor that has no network, or data that must never leave the site.

How small can a model get?

With quantisation, pruning and the right architecture we routinely fit keyword spotting, anomaly detection and simple vision models into a few hundred kilobytes on a Cortex-M microcontroller; richer vision runs on Jetson, Coral or an NPU-equipped SoC.

Do you also build the training pipeline?

Yes. Data collection from the devices, labelling, training, evaluation and the export/quantisation step are one pipeline, so a better model can be pushed over the air as a normal update.

How does this connect to your AI Labs work?

Directly. Edge AI is where our AI Labs research (vision, voice, local-first models) meets our embedded team — the on-device voice work behind our Sofi assistant is the same engineering.

Tous les services

Edge AI et TinyML

De l’IA qui tourne là où sont les données.

Modèles de vision, audio et capteurs sur l’appareil — sans aller-retour

Nous prenons les modèles de nos AI Labs et les faisons tenir : quantifiés, élagués et profilés pour tourner sur un microcontrôleur, une Jetson ou le NPU de votre SoC. L’appareil voit, entend et décide par lui-même — en millisecondes, en milliwatts, sans que les données ne le quittent jamais.

Gérons ensemble Ouvrir Kanban

Vision par ordinateur exécutée sur un appareil edge

01 / Ce que nous construisons

Perception et décisions, sur l’appareil.

Vision en périphérie

Détection, classification et suivi sur caméras — d’un Cortex-M à un rig Jetson multi-caméra.

Voix et audio

Mots de réveil, détection de mots-clés, parole sur l’appareil et détection d’anomalies acoustiques.

Intelligence des capteurs

Maintenance prédictive, reconnaissance de gestes et d’activité à partir d’IMU et de capteurs industriels.

Pipeline de modèles

Collecte de données, entraînement, quantification, évaluations sur l’appareil et livraison OTA comme une seule boucle.

02 / Stack

La technologie avec laquelle nous construisons.

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

Comment nous construisons des choses qui durent.

Mesuré sur la cible

Latence, mémoire et consommation de courant sont mesurées sur l’appareil réel, à chaque révision du modèle.

Milliwatts, pas watts

Inférence à cycle de service et accélérateurs choisis selon le budget de puissance réel du produit.

Privé par conception

Les données brutes restent sur l’appareil ; seul ce dont le produit a besoin en sort — si tant est que quelque chose en sorte.

Un seul pipeline, de l’appareil au cloud

Les données de la flotte alimentent l’entraînement ; un meilleur modèle revient comme une mise à jour ordinaire.

04 / Standards

Les bonnes pratiques que nous ne négligeons pas.

Nous respectons les standards du secteur et des méthodes éprouvées sur chaque projet — c’est ce qui fait tenir le devis.

Établir une base avec le modèle le plus simple qui pourrait fonctionner
Entraînement conscient de la quantification avant les astuces post-entraînement
Évaluations de précision sur de vraies captures de l’appareil, pas sur le jeu de labo
Budgets de latence et de puissance fixés comme critères d’acceptation
Comportement de repli défini pour les sorties à faible confiance
Versionnage des modèles et rollback via le canal OTA
Surveillance de la dérive à partir de la télémétrie de la flotte
Revue de confidentialité de chaque signal qui quitte l’appareil

05 / Infrastructure

Où ça tourne, et comment ça reste en ligne.

Bancs de benchmarking sur l’appareil (latence, mémoire, consommation)
Pipeline d’entraînement alimenté par les données de la flotte
Livraison de modèles par OTA avec rollback
Surveillance de la dérive et de la précision en production

Start

Vous voulez le modèle sur l’appareil ?

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

De l’IA qui tourne là où sont les données.

Modèles de vision, audio et capteurs sur l’appareil — sans aller-retour