À quarante kilomètres de la connexion fiable la plus proche, un drone traverse un champ coopératif à soixante mètres d'altitude. Une zone de culture stressée apparaît dans le cadre. Décider de la signaler, de réorienter le passage suivant ou d'ajuster l'altitude ne peut pas attendre un aller-retour vers un centre de données lointain, car cet aller-retour n'existera peut-être jamais. Telle est la réalité opérationnelle de l'IA en périphérie : une intelligence qui s'exécute dans la machine, là où le monde est observé. Les principes ci-dessous sont tirés d'une pratique concrète sur matériel contraint, notamment des exercices d'entraînement et de déploiement documentés par Lucy Hattersley et Brian Jepson dans AI Projects with Raspberry Pi (Raspberry Pi Press, 2026), ainsi que de l'ingénierie de terrain de HINOVER au Sahel.

L'entraînement a lieu une fois, l'inférence a lieu partout

Un modèle d'IA a deux vies. Pendant l'entraînement, le modèle apprend sur des données étiquetées en ajustant des millions de paramètres, un processus si coûteux en calcul qu'il s'exécute généralement sur du matériel dédié ou en centre de données. Pendant l'inférence, le modèle terminé est appliqué à des entrées nouvelles, une tâche bien plus légère qu'un petit ordinateur peut assurer. Confondre les deux est l'erreur de conception la plus fréquente des systèmes autonomes : la question n'est jamais de savoir si une machine peut apprendre, mais si le modèle entraîné peut s'exécuter assez vite et assez froidement dans le budget énergétique que la machine peut emporter.

Le déploiement en périphérie découle de cette séparation. Un drone n'a pas besoin d'un centre de données en vol. Il a besoin d'un modèle dont le coût d'inférence tient dans son ordinateur de bord.

La physique de l'intelligence : calcul, mémoire, chaleur

Le matériel d'IA se mesure en TOPS, milliers de milliards d'opérations par seconde. Un ordinateur monocarte moderne sans accélérateur délivre environ un demi-TOPS. Des accélérateurs neuronaux additionnels portent ce chiffre à treize, vingt-six ou quarante TOPS, et les cartes les plus récentes embarquent une mémoire dédiée suffisante pour des modèles de langage de quelques milliards de paramètres. Ces chiffres ne sont pas du marketing : ils sont le budget physique de toute machine autonome, avec les watts et la chaleur. Au Sahel, où les températures d'admission et la poussière abrasive éprouvent déjà chaque composant, un modèle qui double le temps d'inférence double aussi la charge thermique d'une mission.

La quantification est la réponse de l'ingénieur. Les poids du modèle, stockés en pleine précision, sont compressés en entiers de quatre ou huit bits, réduisant la mémoire et accélérant l'inférence pour un coût faible et mesurable en précision. Dans un exercice d'entraînement publié portant sur un modèle de classification de formes de la main, la quantification post-entraînement a fait passer la précision de validation d'environ 83 pour cent à environ 82 pour cent, un prix que la plupart des applications de terrain paient volontiers pour un modèle qui tient à bord (Hattersley et Jepson, 2026).

Emprunter un cerveau : le transfert d'apprentissage

Rares sont les organisations qui entraînent un modèle de vision depuis zéro, et plus rares encore celles qui le devraient. Le transfert d'apprentissage prend un réseau déjà entraîné sur des millions d'images, retire sa dernière couche de classification et entraîne une couche nouvelle et petite sur les classes qui comptent localement. L'exercice du livre de Raspberry Pi Press réentraîne MobileNet V2 à reconnaître trois formes de main, pierre, feuille, ciseaux, en environ trente minutes sur un monocarte bien spécifié. La méthode se généralise directement au travail de terrain : la même architecture peut apprendre à séparer les rangs de cultures des adventices, ou une infrastructure intacte d'une infrastructure endommagée, avec des centaines d'images étiquetées plutôt que des millions.

La discipline est dans les données, non dans le code. Les images d'entraînement doivent correspondre à l'environnement de déploiement : lumière, angle, arrière-plan, poussière. Un modèle entraîné sur des images de studio propres échouera gracieusement au laboratoire, et disgracieusement au champ.

L'intelligence dans le capteur

L'étape la plus radicale de la conception en périphérie retire totalement l'ordinateur de la boucle. Des capteurs d'image intelligents modernes exécutent un réseau de neurones dans le module caméra lui-même : le capteur convertit la scène en tenseurs, réalise l'inférence sur son propre processeur neuronal et renvoie des détections plutôt que des images. La latence s'effondre, la bande passante s'effondre, et la confidentialité progresse par architecture, car les images brutes de personnes et de villages ne quittent jamais le dispositif sauf si un opérateur les récupère explicitement. Pour des machines qui volent au-dessus de communautés, ce n'est pas une optimisation, c'est un mécanisme de confiance.

Petits modèles de langage et limites honnêtes

Les modèles de langage s'exécutent désormais localement sur du matériel contraint, et ils sont utiles : résumé, traduction, interprétation de commandes, assistance au code. Ils sont aussi honnêtes sur leur nature. Un modèle ne comprend pas les mots, il prédit des tokens, et ses échecs en découlent : calcul faible, hallucination confiante, contexte qui se remplit et expire. La pratique professionnelle confie aux modèles de langage les tâches qui leur conviennent, maintient le calcul et les décisions critiques dans du code déterministe, et traite chaque phrase générée comme un brouillon jusqu'à vérification. Sur une machine autonome, le modèle de langage conseille, et c'est la pile de contrôle qui décide.

TinyML : quand le cerveau tient sur un microcontrôleur

Sous les ordinateurs monocartes gronde une révolution plus discrète. Des microcontrôleurs de quelques dollars exécutent des modèles allégés entraînés sur des données de geste, de vibration ou acoustiques. Le projet publié de baguette magique entraîne un modèle d'accéléromètre à reconnaître un mouvement sec et à allumer des LED en réponse, un jouet en apparence et un motif en profondeur : collecter des mesures de capteur, étiqueter les moments qui comptent, entraîner, quantifier, déployer sur un dispositif qui fonctionne des mois sur batterie. Le même motif surveille une pompe, une porte ou un mât, et signale les anomalies sans aucune dépendance au cloud.

Mesurer avant de faire confiance

Chaque affirmation ci-dessus repose sur l'évaluation. Un modèle est entraîné sur un sous-ensemble de données et testé sur un sous-ensemble séparé qu'il n'a jamais vu, car un modèle qui mémorise son ensemble d'entraînement est inutile au champ, un échec nommé surapprentissage. Les modèles de régression se jugent par des métriques d'erreur et par le coefficient de détermination, les classificateurs par des matrices de confusion qui exposent exactement quelles erreurs le modèle préfère. Les objectifs de précision se fixent avant le déploiement, non après l'admiration. Une machine autonome mérite le même standard que tout système à enjeu de sécurité : des preuves, puis la confiance.

Ce que cela signifie chez HINOVER

HINOVER construit des modèles d'IA dotés de capacités de vision, de navigation, de décision et de contrôle, embarqués dans des robots et des drones autonomes. L'IA en périphérie n'est donc pas une fonctionnalité de nos machines, c'est leur condition d'existence : les missions doivent survivre à une connectivité interrompue, à une bande passante saturée et à une chaleur hostile. Les principes restent constants : quantifier délibérément, transférer plutôt que réentraîner, pousser la perception au plus près du capteur, maintenir les décisions dans du code vérifiable, et tout mesurer. Le résultat est une technologie qui assiste l'humanité là où l'assistance est la plus difficile à délivrer, construite par des mains locales au Burkina Faso pour l'Alliance des États du Sahel et pour des partenaires partout ailleurs.

Les lecteurs qui souhaitent reprendre les exercices sous-jacents peuvent parcourir le dépôt de code public du livre, et ceux qui veulent voir ces principes en vol peuvent explorer notre journal ou ouvrir la conversation via notre page contact.