![](https://www.silicon.fr/wp-content/uploads/2018/01/shutterstock_195941789-1.jpg)
Mettre au point un projet de Machine Learning reste une opération délicate. Mais elle devient un véritable défi lorsque les objets à contrôler et entrainer sont mobiles. Exemple sous le prisme des voitures connectées et autonomes.
Avec l’ère des voitures massivement connectées, les industriels doivent faire face à de nouveaux défis. Tout d’abord celui de la montée des besoins en capacité de calcul. Un secteur que les constructeurs abordent au travers de systèmes embarqués. C’est l’Edge Computing, cette informatique de proximité que HPE adresse au travers des Converged Edge System de la gamme Edgeline.
Un autre défi est celui de la communication avec les objets. Pour que l’infrastructure routière et les autres véhicules puissent transmettre des informations pertinentes à votre propre voiture (accidents, encombrements, intempéries, etc.), il faut être en mesure d’accéder à l’Internet des Objets. Un réseau aux protocoles multiples. Là encore, les industriels savent proposer des passerelles multiprotocoles. Par exemple Les Intelligent Gateway de la gamme HPE Edgeline.
Mais la problématique de la mobilité des véhicules et objets va devenir bien plus grande avec l’arrivée dans l’arène du Machine Learning. Une évolution nécessaire pour les applications avancées. Nous connaissons déjà les assistants vocaux des smartphones. Place bientôt aux systèmes de conduite autonome des voitures !
Des voitures intelligentes… collectivement
Une voiture autonome, c’est en premier lieu un cerveau électronique. Un calculateur de forte puissance présent directement dans le véhicule. GPU, FPGA et Xeon Phi sont autant de voies possibles pour booster la puissance de calcul dans l’Edge Computing, et ainsi atteindre la capacité requise.
Une voiture autonome, c’est également un ensemble de capteurs, allant de la vision 360°, aux radars, en passant par des solutions plus enfouies, comme des capteurs de pluie ou de température. Les capteurs peuvent également être ceux des autres véhicules, ou ceux bordant la route. Lesquels vont eux aussi transmettre des données utiles. D’où l’intérêt de disposer de passerelles multiprotocoles efficaces.
Mais une voiture autonome, c’est avant tout de l’intelligence. Machine Learning et Deep Learning entrent ici en scène. Leur objectif ? Mettre à jour le système de conduite en prenant en compte l’expérience acquise depuis le dernier update. Cette expérience sera en grande partie tirée directement des véhicules en circulation.
Des infrastructures informatiques reliées à des millions de véhicules
De la même façon que ce sont les utilisateurs de Siri et Cortana qui améliorent ces dispositifs en les utilisant, ce seront les voitures elles-mêmes qui alimenteront les solutions cognitives chargées d’améliorer leur niveau de conduite.
Réseaux à haute vitesse 4G/5G, collecte des données via le Cloud, traitement en mode Big Data, puis Machine Learning, ou plutôt Deep Learning, seront à la manœuvre. Avec à la clé des besoins colossaux en termes d’infrastructure réseau, de capacité de stockage et de calcul (analytique, simulation…).
Et tout ceci est d’ores et déjà en cours de mise au point. Waymo (Alphabet/Google) aux États-Unis et Baidu en Chine sont en train de fournir leurs infrastructures de Deep Learning en vue de proposer le meilleur système de conduite pour les futures voitures autonomes. Demain a déjà commencé.