Plus intelligent en périphérie, mais à quel coût énergétique ?

L’IA en périphérie (edge AI) transforme les applications alimentées par batterie dans tous les secteurs. Contrairement aux appareils IoT qui envoient leurs données vers le cloud, l’IA en périphérie traite l’information localement, ce qui permet des décisions plus rapides, une latence réduite et une plus grande autonomie. Cependant, cette intelligence accrue demande davantage d’énergie.
 
Exécuter des modèles d’IA localement augmente la charge de calcul, l’accès à la mémoire et la production de chaleur, ce qui consomme plus d’énergie ou réduit l’autonomie de la batterie. Les différents modèles ML varient en efficacité, d’où la nécessité de trouver le bon équilibre. Dans certains cas, le traitement local limite les transmissions coûteuses ; dans d’autres, il peut consommer plus d’énergie qu’il n’en fait économiser.
 
Le point positif ? L’IA en périphérie moderne peut s’optimiser en adaptant sa consommation via le traitement événementiel et une gestion intelligente de l’alimentation. À mesure que les modèles évoluent, leur efficacité s’améliore, offrant à la fois intelligence et sobriété énergétique en périphérie.

Assurer la longévité dans les applications d’IA en périphérie

Aujourd’hui, l’une des principales caractéristiques des équipes d’ingénierie performantes en matière de longévité est leur capacité à optimiser en continu le matériel, le micrologiciel et les logiciels afin d’atteindre l’efficacité et la fiabilité nécessaires. L’intégration de l’edge AI dans la spécification du produit introduit de nouveaux paramètres et dépendances qui exigent une optimisation. Quatre habitudes se démarquent pour y parvenir.

Optimiser le modèle ML

Les modèles d’apprentissage automatique peuvent être ajustés pour réduire leur consommation d’énergie sans perte significative de précision. Des techniques comme la quantification, l’élagage ou l’utilisation d’architectures plus compactes permettent de diminuer la puissance d’inférence [1, 2]. Un modèle allégé offre une inférence plus rapide et davantage de temps de veille pour le microcontrôleur (MCU), deux facteurs essentiels pour prolonger la durée de vie de la batterie. Bien que ces méthodes soient efficaces, les économies réelles dépendent du matériel, du modèle et des optimisations logicielles, et doivent être mesurées à chaque itération.

Optimiser le payload, les réveils et le protocole

Optimiser la taille du payload, les intervalles de réveil et la fréquence de transmission est indispensable dans tout système embarqué pour garantir un fonctionnement fiable. Les mêmes principes s’appliquent à l’edge AI : réduire la taille du payload, privilégier les transmissions événementielles, sélectionner des radios minimisant le temps de transmission et éviter les messages d’accusé de réception (ACK) lorsque c’est possible. Avec un modèle ML approprié, l’énergie consommée lors de l’inférence peut être compensée par une réduction des transmissions, surtout lorsque les données ne sont envoyées qu’en cas d’événements critiques [3]. Les compromis varient selon l’application ; il est donc essentiel de mesurer les performances afin de prendre des décisions éclairées.

Choisir la bonne source d’énergie

An edge Un appareil d’IA en périphérie présente souvent un profil de consommation moins statique qu’un appareil IoT classique, en raison de charges dynamiques, de mises à jour de modèles et de phases de réapprentissage. Au-delà de la validation des sources d’énergie pour divers cas d’usage et environnements, sélectionner une batterie capable de gérer ces fluctuations nécessite des mesures et une validation rigoureuses.

Mesurer la puissance à chaque itération

Automated-voltage-sweep-measurements-with-Otii_web
Figure 1. Balayage automatique de la tension avec Otii Product Suite

Les tests de puissance automatisés sont la clé de la longévité des appareils d’IA en périphérie fonctionnant sur batterie. Avec les bons outils, ils permettent une itération rapide, une validation continue et la garantie que chaque évolution matérielle ou logicielle contribue aux objectifs de performance à long terme (figure 1) :
 

  • Détecter les problèmes de consommation tôt grâce à des tests de régression et des garde-fous de qualité en CI.
  • Accélérer et élargir la couverture en automatisant les matrices complexes de modes, de modèles ML et de versions de micrologiciel.
  • Assurer la répétabilité grâce à des scripts, charges et conditions identiques sur différents bancs et entre équipes.
  • Émuler les batteries pour une validation réaliste sur les différentes versions de modèles, de micrologiciels et de matériels.
  • Tester physiquement les batteries lors de l’inspection à la réception afin de valider leurs performances.
  • Permettre un « langage énergie » partagé entre équipes et projets.

 
L’edge AI étend les capacités des appareils, mais également la complexité de leur validation. Les tests automatisés de puissance permettent de maîtriser les coûts en détectant les problèmes précocement, bien avant que vos clients ne les remarquent.

Tests de puissance évolutifs et rentables

La Suite Otii Product [4] offre la flexibilité et l’évolutivité nécessaires pour développer des appareils d’edge AI sur batterie à longue durée de vie. Son alimentation et son analyseur intégrés permettent des tests et des optimisations au quotidien, tandis que les Toolboxes Otii automatisent le profilage de puissance et la validation de l’autonomie de la batterie (figure 2).

Software-validation-with-Otii-Product-Suite_web
Figure 2. Validation logicielle et matérielle avec Otii Product Suite

Analyseur de puissance et de batterie

La Otii Battery Toolbox permet un cyclage et une validation efficaces des batteries sur banc ou en laboratoire (figure 3). Elle décharge les batteries dans des conditions réalistes afin de capturer le comportement réel des appareils selon les modèles et les modes. Associée à la Otii Automation Toolbox, elle permet aux développeurs d’émuler des profils et d’estimer précisément l’autonomie à chaque itération matérielle et logicielle.

Battery-validation-with-Otii-Ace-Pro_web
Figure 3: Battery validation setup using the Otii Ace.

Modules de script prêts à l’emploi pour Python et C#

L’intégration des instruments Otii dans les workflows automatisés est simple grâce à la Otii Automation Toolbox et à ses clients de script prêts à l’emploi. Ces modules simplifient l’API TCP en commandes faciles à utiliser, permettant aux ingénieurs de créer des environnements de test personnalisés et indépendants de l’architecture pour le benchmarking matériel et la validation énergétique. Vous pouvez contrôler les instruments, marquer les événements d’inférence et calculer l’énergie par opération, le tout dans un même ensemble.

Basse consommation comme critère qualité en intégration continue (CI)

L’intégration du profilage de puissance Otii dans les pipelines de CI permet d’automatiser en continu les tests de consommation. Cela permet de suivre le comportement du système après chaque mise à jour, de détecter rapidement les régressions et de garantir des performances constantes, faisant de la « basse consommation » un élément essentiel de l’architecture du produit.

Concevoir pour la longévité : l’optimisation de l’énergie à la périphérie

Construire des appareils d’edge AI durables n’est pas très différent de la conception embarquée classique, à une exception près : les modèles ML et le calcul embarqué introduisent de nouveaux compromis qui exigent une compréhension approfondie du comportement énergétique et de son optimisation.
 
La réussite dépend du respect de quatre habitudes essentielles lors du développement d’un appareil : optimiser le modèle de ML, affiner le payload, le protocole et la stratégie de transmission, choisir une batterie adaptée aux cas d’usage dynamiques et variés, et profiler la consommation à chaque itération pour maximiser la durée de vie.
 
Une configuration automatisée flexible et évolutive, comme la suite Otii Product, garantit une validation énergétique cohérente, rentable et rapide sur l’ensemble de la matrice de tests, constituant la base d’une R&D efficace et de produits d’edge AI longue durée.

Plus d'informations :

[1] 7 Tips for Optimizing AI Models for Tiny Devices (Edge Impulse Blog, 2025)
[2] Tiny Machine Learning for Resource-Constrained Microcontrollers (Journal of Sensors, 2022, MDPI.org)
[3] Energy Footprint and Reliability of IoT Communication Protocols for Remote Sensor Networks (Sensors 25, no. 19: 6042, 2025, MDPI.org)
[4] Otii Product Suite