Glossaire structuré – IA embarquée

Discipline visant à organiser, structurer, sélectionner, transformer et tracer les données utilisées par des systèmes d’IA embarquée, de manière à garantir leur qualité, leur disponibilité, leur pertinence opérationnelle et leur traçabilité tout au long du cycle de vie du système, sous contraintes de temps réel, de ressources matérielles et de sûreté.

Information brute issue de l’observation du monde physique ou logique, principalement produite par des capteurs embarqués, et utilisée comme entrée des traitements et des modèles d’IA embarquée pour l’inférence locale et la prise de décision.

Représentation codée, généralement binaire, d’une information physique ou logique, destinée à être traitée par un système embarqué exécutant des algorithmes d’IA, dans des conditions de calcul, de mémoire et de latence contraintes.

Ensemble structuré de données utilisé pour l’entraînement, la validation ou le test de modèles d’IA, généralement constitué en amont du déploiement et servant de référence pour des modèles destinés à être exécutés sur des systèmes embarqués.

Instance individuelle d’un jeu de données représentant une observation unique (mesure capteur, image, signal, séquence), utilisée comme entrée d’un modèle d’IA embarquée lors de l’entraînement ou de l’inférence.

Variable mesurable ou attribut dérivé d’un échantillon, décrivant un aspect pertinent de la donnée et servant de représentation d’entrée pour un modèle d’IA embarquée, souvent extraite ou calculée localement sous contraintes de ressources.

Ensemble des caractéristiques utilisées pour représenter les données dans un modèle d’IA embarquée, définissant la dimension et la structure de l’entrée du modèle, avec un impact direct sur la complexité, la performance et le coût d’inférence.

Ensemble de données distinct utilisé pour mesurer de manière objective les performances finales d’un modèle d’IA, avant son intégration et son exploitation dans un système embarqué.

Valeur, classe ou catégorie associée à un échantillon dans le cadre d’un apprentissage supervisé, servant de référence pour l’entraînement et l’évaluation de modèles d’IA embarquée.

Processus de sélection d’un sous-ensemble représentatif de données à partir d’un ensemble plus large, utilisé pour limiter les volumes, équilibrer les classes ou adapter les données aux contraintes d’entraînement et de déploiement embarqué.

Sous-ensemble d’un jeu de données utilisé pour ajuster les paramètres d’un modèle d’IA, généralement exploité hors ligne avant le déploiement du modèle sur une plateforme embarquée.

Sous-ensemble de données utilisé pendant la phase d’entraînement pour évaluer les performances intermédiaires d’un modèle, ajuster les hyperparamètres et éviter le surapprentissage avant déploiement embarqué.

Document décrivant de manière synthétique et normalisée les caractéristiques d’un jeu de données (origine, composition, modalités de collecte, usages prévus, limites, biais identifiés), afin de garantir la transparence, la traçabilité et la conformité des modèles d’IA embarquée qui en sont issus.

Suite continue ou événementielle de données produites par des capteurs embarqués et traitées localement par des algorithmes d’IA, souvent sous contraintes de latence, de bande passante et de consommation énergétique.

Données collectées et traitées dans des délais strictement bornés afin de permettre une réaction immédiate ou quasi immédiate d’un système d’IA embarquée, notamment dans des applications critiques ou autonomes.

Ensemble des propriétés (précision, cohérence, complétude, fraîcheur, bruit) conditionnant la fiabilité des inférences produites par un système d’IA embarquée et sa capacité à fonctionner de manière sûre et robuste en conditions réelles.

Situation dans laquelle certaines informations attendues ne sont pas disponibles ou sont incomplètes, nécessitant des mécanismes de gestion adaptés afin de préserver la stabilité et la sûreté de l’IA embarquée.

Capacité à retracer l’origine, les transformations, les versions et les usages des données au sein d’un système d’IA embarquée, en support des exigences de sûreté, de certification, d’auditabilité et de conformité réglementaire.

Ensemble des mécanismes techniques visant à protéger les données utilisées par l’IA embarquée contre les accès non autorisés, les altérations et les pertes, tout en respectant les contraintes de calcul et d’énergie du système.

Processus consistant à associer des informations descriptives (étiquettes, catégories, métadonnées) à des données, généralement réalisé en amont du déploiement embarqué, afin de permettre l’entraînement et l’évaluation de modèles d’IA supervisés destinés à l’inférence locale.

Technique consistant à générer artificiellement de nouveaux échantillons à partir de données existantes (transformations géométriques, bruit, variations de signal), afin d’améliorer la robustesse et la généralisation de modèles d’IA destinés à l’exécution embarquée.

Dispositif matériel embarqué mesurant une grandeur physique (température, pression, lumière, son, mouvement, etc.) et la convertissant en un signal électrique ou numérique exploitable par des traitements et des modèles d’IA embarquée, généralement en temps réel et sous contraintes de ressources.

Capteur optique convertissant la lumière en signaux numériques afin de produire des images exploitables par des algorithmes de vision artificielle embarquée pour la perception, la détection ou la classification.

Capteur optique asynchrone qui ne capture pas des images à fréquence fixe, mais génère des événements uniquement lors de variations locales de luminosité sur les pixels, permettant une perception embarquée à très faible latence et consommation énergétique.

Capteur actif émettant des impulsions laser afin de mesurer la distance à des objets environnants et de produire une représentation tridimensionnelle de l’environnement, généralement sous forme de nuage de points, utilisée pour la perception et la localisation en IA embarquée.

Capteur utilisant des ondes radio pour détecter la présence, la distance, la vitesse et parfois la direction d’objets, particulièrement robuste aux conditions environnementales (pluie, brouillard), et largement utilisé pour la perception embarquée.

Ensemble de capteurs comprenant généralement un accéléromètre, un gyroscope et parfois un magnétomètre, permettant de mesurer les mouvements linéaires et rotationnels, essentiels pour la navigation, la stabilisation et la fusion multi-capteurs en IA embarquée.

Capteurs ou systèmes permettant d’estimer la position ou la trajectoire d’un système embarqué (GNSS, UWB, balises locales), souvent combinés à des capteurs inertiels pour améliorer la robustesse de la perception et de la navigation embarquée.

Capteurs capturant des signaux sonores ou vibratoires (microphones, capteurs ultrasoniques), utilisés en IA embarquée pour la reconnaissance vocale, la détection d’événements acoustiques, le diagnostic ou la surveillance.

Capteurs mesurant la distance à courte portée (ultrasons, infrarouge, ToF courte portée), utilisés en robotique, objets connectés et systèmes embarqués pour la détection d’obstacles et l’interaction avec l’environnement proche.

Capteurs mesurant des paramètres physiques ou chimiques de l’environnement (température, humidité, pression, gaz, particules, vibrations), utilisés en IA embarquée pour la surveillance, l’analyse contextuelle et la détection d’anomalies.

Capteurs mesurant des signaux biologiques ou physiologiques (fréquence cardiaque, activité musculaire ou cérébrale, saturation en oxygène), utilisés dans des systèmes d’IA embarquée pour la santé, les wearables et le suivi humain.

Capteurs mesurant des efforts mécaniques ou des pressions, utilisés en IA embarquée pour la robotique, l’interaction homme–machine et le contrôle de systèmes physiques.

Capteurs optiques capturant des informations sur plusieurs bandes spectrales, permettant une analyse fine des matériaux ou de l’environnement, utilisés en IA embarquée dans des domaines spécialisés (agriculture, environnement, défense).

Capteur intégrant des capacités locales de traitement, de filtrage ou d’extraction de caractéristiques, permettant de réduire les volumes de données transmises et d’optimiser les performances et la consommation énergétique de l’IA embarquée.

Mécanisme assurant l’alignement temporel des données provenant de capteurs hétérogènes, indispensable à la fusion de capteurs et à la cohérence des inférences en IA embarquée.

Association d’une référence temporelle aux données issues des capteurs afin de garantir leur cohérence, leur traçabilité et leur exploitation correcte dans des systèmes embarqués temps réel.

Évolution progressive des caractéristiques d’un capteur liée à l’environnement, à l’usure ou aux conditions d’exploitation, susceptible de dégrader la qualité des données et les performances des systèmes d’IA embarquée.

Ensemble d’opérations appliquées aux données issues des capteurs embarqués, après acquisition et avant inférence, visant à transformer des données brutes en entrées exploitables par des modèles d’IA embarquée, tout en respectant les contraintes de latence, de ressources, de déterminisme et de sûreté du système.

Prétraitement réalisé localement sur la cible embarquée (microcontrôleur, SoC, DSP, NPU), constituant une partie intégrante de la chaîne d’inférence, et visant à améliorer la qualité des entrées du modèle tout en maîtrisant coût calcul, mémoire et énergie.

Opérations visant à corriger, filtrer ou ignorer des données incohérentes, erronées ou non exploitables issues des capteurs, afin de limiter les erreurs d’inférence et les comportements indésirables de l’IA embarquée.

Mécanismes permettant de gérer l’absence ponctuelle de mesures (ignorance contrôlée, valeur de repli, estimation simple), afin de préserver un comportement stable et sûr du système embarqué.

Traitements numériques visant à réduire le bruit et les perturbations des signaux capteurs (filtrage fréquentiel, lissage), afin d’améliorer la robustesse des entrées du modèle sans introduire de latence excessive.

Ensemble de mécanismes logiciels visant à corriger des biais ou dérives résiduelles dans les données numériques (offset, dérive lente), afin de maintenir la cohérence des entrées du modèle dans le temps.

Transformation des valeurs numériques afin de les adapter à la plage attendue par les modèles et accélérateurs embarqués, en lien direct avec les contraintes de quantification et de représentation numérique.

Conversion des données d’entrée vers des représentations à précision réduite (par exemple entiers), afin d’optimiser l’exécution sur cibles embarquées tout en maîtrisant l’erreur introduite sur l’inférence.

Transformation structurelle des données (dimensions, organisation des canaux, formats numériques) afin de correspondre exactement aux entrées attendues par le modèle d’IA embarquée.

Représentation d’informations discrètes ou catégorielles sous une forme exploitable par le modèle (codage binaire, embeddings compacts), avec un souci de frugalité et de compatibilité embarquée.

Processus consistant à transformer les données brutes en variables pertinentes réduisant la complexité des entrées, afin d’améliorer robustesse, explicabilité et efficacité de l’inférence embarquée.

Techniques visant à limiter le nombre de variables d’entrée tout en conservant l’information utile, afin de réduire charge calcul, mémoire et latence sur la cible embarquée.

Découpage d’un flux de données en segments temporels glissants ou fixes, permettant une analyse locale adaptée aux contraintes temps réel des systèmes embarqués.

Découpage logique d’une donnée (signal, image, séquence) afin de restreindre la zone ou la période d’intérêt analysée par le modèle, réduisant ainsi le coût de traitement embarqué.

Ajustement logiciel de la fréquence d’échantillonnage des données numériques afin d’adapter le volume d’information aux capacités de calcul et aux besoins de l’application embarquée.

Alignement des flux de données issus de capteurs multiples afin de garantir la cohérence temporelle des entrées d’un modèle d’IA embarquée multimodal.

Détection et traitement de mesures numériques anormales ou incohérentes afin d’éviter des inférences erronées ou instables dans des environnements embarqués perturbés.

Chaîne de prétraitement conçue pour produire des résultats reproductibles avec des délais d’exécution bornés, indispensable à l’intégration de l’IA dans des systèmes embarqués temps réel et critiques.

Prétraitement optimisé pour minimiser l’usage des ressources matérielles (calcul, mémoire, énergie), afin de préserver l’autonomie et la performance globale du système embarqué.

Enchaînement structuré et validé de traitements appliqués aux données entre l’acquisition et l’inférence, considéré comme un composant à part entière du système d’IA embarquée.

Processus visant à vérifier que la chaîne de prétraitement respecte les exigences fonctionnelles, temporelles et de sûreté, et qu’elle ne dégrade pas le comportement global de l’IA embarquée en conditions opérationnelles.

Fondée sur l’apprentissage statistique et les réseaux de neurones ; c’est une approche de l’IA fondée sur des modèles inspirés du fonctionnement du cerveau humain, en particulier les réseaux de neurones artificiels. Elle excelle dans l’apprentissage à partir de données massives et dans le traitement de signaux complexes (image, son, texte).

Approche reposant sur des représentations explicites des connaissances (règles, logiques, ontologies) et sur des mécanismes d’inférence. Elle privilégie la structure, l’explicabilité et la manipulation de concepts abstraits.

IA combinant les forces des deux précédentes pour répondre aux exigences de robustesse, d’explicabilité et d’adaptation: capacité d’apprentissage d’un côté, explicabilité et contrôle de l’autre. Elle est particulièrement pertinente pour les systèmes embarqués nécessitant robustesse, sûreté et adaptabilité.

Langages compilés offrant un contrôle fin du matériel et des ressources, largement utilisés pour le développement d’IA embarquée, de drivers et d’optimisations bas niveau sur CPU, GPU et NPU.

Langage compilé moderne garantissant la sécurité mémoire et une gestion sûre de la concurrence, de plus en plus utilisé pour des applications embarquées critiques et des systèmes IA performants et fiables.

Langage interprété très populaire pour le prototypage rapide de modèles IA ; en IA embarquée, il est utilisé via MicroPython sur des dispositifs contraints ou via CPython sur des plateformes embarquées pour l’exécution de modèles et de scripts de haut niveau.

Langage orienté objet utilisé sur des plateformes mobiles et embarquées (Android, IoT), permettant de développer des applications intégrant des fonctionnalités IA avec une gestion automatique de la mémoire et un écosystème riche de bibliothèques.

Langage interprété principalement utilisé dans les environnements web et certains systèmes embarqués disposant d’un moteur JavaScript, permettant l’exécution de modèles IA, côté client, et le déploiement rapide d’applications IA interactives.

Format binaire portable et sécurisé servant de cible de compilation pour des langages comme C, C++ ou Rust, permettant l’exécution de code compilé à haute performance dans des environnements web ou embarqués.

Outil qui traduit le code source en code exécutable natif pour une plateforme matérielle spécifique. Il effectue généralement des optimisations (optimisation topologique comme la fusion de couche, vectorisation, pruning) pour améliorer l’exécution.

Infrastructure open source de compilation qui fournit un compilateur modulaire et des outils d’optimisation pour générer du code natif sur différentes architectures (x86, ARM, RISC-V, GPU). LLVM permet la représentation intermédiaire des programmes, facilitant l’analyse, transformation et optimisation du code pour des cibles variées, y compris embarquées & IA.

Framework open source de compilation automatique conçu pour transformer des modèles IA pré-entraînés en code bas niveau optimisé, déployable sur une grande variété de matériels — du cloud aux dispositifs edge (CPU, GPU, FPGA, microcontrôleurs). Il génère du code bas niveau en s’appuyant notamment sur LLVM ou CUDA, tout en appliquant des techniques avancées d’optimisation telles que la quantification, la fusion d’opérateurs et le pruning.

Infrastructure de compilateur open-source fournissant une architecture générique et extensible pour la représentation intermédiaire de code à plusieurs niveaux d’abstraction. MLIR permet de construire des compilateurs et des outils d’optimisation pour le machine learning, facilitant la traduction de modèles de haut niveau vers du code optimisé pour différentes cibles matérielles (CPU, GPU, accélérateurs neuromorphiques). Son caractère multi-niveaux permet d’appliquer des optimisations progressives, du niveau sémantique du modèle jusqu’aux instructions machine.

Compilateur basé sur MLIR développé par Google pour TensorFlow et JAX, qui transforme les graphes computationnels en code optimisé pour CPU, GPU ou TPU, en appliquant fusion de graphes et élimination des opérations redondantes.

Compilateur largement utilisé pour les microcontrôleurs et processeurs ARM, offrant des optimisations pour la vitesse et la taille mémoire.

Compilateur développé par Xilinx, spécialement conçu pour générer du code et des pipelines optimisés pour les FPGA et accélérateurs AMD.

Compilateur pour les plateformes NVIDIA telles que Jetson, Orin ou les GPU RTX, souvent en association avec TensorRT ou DeepStream pour l’inférence IA. Transforme les kernels CUDA en code exécutables hautement optimisés pour les GPU. En plus des techniques d’optimisation topologique, les compilateurs s’appuient généralement sur des techniques d’optimisation spécifiques

Couche logicielle responsable de charger et d’exécuter un modèle d’IA dans un environnement donné (cloud ou embarqué), en s’appuyant éventuellement sur l’OS pour accéder au matériel. Il optimise l’utilisation des ressources (CPU, GPU, mémoire), la latence et parfois la précision numérique (FP32, FP16, INT8), afin de permettre au modèle de fonctionner efficacement.

Moteur d’inférence open source conçu pour l’inférence de modèles de machine learning au format ONNX. Il offre une exécution optimisée (quantification, optimisation topologique) et multiplateforme, compatible avec différentes architectures matérielles (CPU, GPU, accélérateurs).

Moteur d’inférence optimisé, intégré dans des frameworks embarqués comme JetPack SDK ou DeepStream permettant d’optimiser (quantification, optimisation topologique, pruning) et d’exécuter des modèles IA (issus de PyTorch, TensorFlow, ONNX…) sur les GPU NVIDIA, notamment ceux dédiées à l’embarqué (Jetson, Orin) Xavier, ou RTX) des environnements embarqués ou temps réel (Jetson, Orin, Xavier, ou RTX).

Logiciel de base gérant les ressources matérielles d’un système embarqué et fournissant les services nécessaires à l’exécution d’applications d’IA embarquée sous contraintes de temps réel, de mémoire et d’énergie.

Version allégée de ROS 2 adaptée aux microcontrôleurs, permettant l’intégration de fonctions de perception et de décision IA embarquée dans des systèmes très contraints en ressources.

Spécification définissant l’ensemble des instructions, registres, modes d’adressage et le modèle d’exécution visibles par le logiciel, constituant l’interface entre le matériel et les compilateurs, systèmes d’exploitation et runtimes d’IA.

Philosophie de conception des processeurs reposant sur un jeu d’instructions simple et régulier, favorisant le pipeline, le parallélisme et l’efficacité énergétique, particulièrement adaptée aux systèmes embarqués.

Approche de conception matérielle dans laquelle les spécifications, interfaces et parfois les descriptions matérielles sont ouvertes et librement accessibles, permettant la modification, la redistribution et la personnalisation des architectures matérielles, notamment pour les processeurs et accélérateurs IA.

ISA ouverte et libre de droits, fondée sur les principes RISC et conçue de manière modulaire, permettant l’ajout d’extensions spécialisées (calcul vectoriel, sécurité, accélération IA) pour couvrir un large spectre de processeurs, du microcontrôleur aux SoC pour l’IA embarquée.

Famille d’architectures de processeurs RISC propriétaires, largement utilisées dans les systèmes embarqués et mobiles, bénéficiant d’un écosystème logiciel mature et d’extensions dédiées au calcul vectoriel et à l’IA.

Spécification d’opérateurs tensoriels de haut niveau proposée par ARM et utilisée comme format intermédiaire dans les chaînes de compilation pour exprimer des opérations de réseaux de neurones indépendamment du matériel.

Structure de données multidimensionnelle utilisée pour représenter les entrées, poids et sorties d’un modèle de deep learning. Un tenseur peut être vu comme une généralisation des matrices à un nombre arbitraire de dimensions (par exemple un tenseur 4D pour une image RGB en batch).

Organisation en mémoire des dimensions d’un tenseur. Les deux formats les plus courants sont NCHW (batch, canaux, hauteur, largeur) et NHWC (batch, hauteur, largeur, canaux). Le choix du layout influence fortement les performances selon l’architecture matérielle et la bibliothèque matérielle utilisée.

Unité de calcul effectuant une multiplication suivie d’une accumulation (a × b + c) en une seule opération, brique fondamentale des calculs matriciels et convolutifs en IA.

Mode de calcul exploitant des registres et instructions vectorielles pour accélérer les opérations parallèles.

Paradigme d’exécution dans lequel une instruction opère simultanément sur plusieurs données.

Unité de calcul matérielle dédiée à l’exécution efficace de modèles d’IA (réseaux neuronaux, calcul tensoriel), optimisée pour réduire la latence, la consommation énergétique et l’empreinte mémoire sur des plateformes embarquées.

Famille d’accélérateurs matériels conçus pour l’exécution de modèles d’IA embarquée sur architectures ARM, optimisés pour les réseaux neuronaux quantifiés et l’inférence à faible consommation énergétique.

Accélérateur matériel spécialisé pour l’inférence de modèles d’IA embarquée, optimisé pour les opérations tensorielles et la quantification, permettant une exécution locale rapide et économe en énergie sur des dispositifs edge.

Famille de systèmes sur puce intégrant des cœurs de calcul généralistes et des accélérateurs IA dédiés, illustrant l’intégration étroite du calcul IA dans des plateformes embarquées à faible consommation.

Processeur généraliste exécutant les instructions logiques et arithmétiques.

Processeur intégré à faible consommation, adapté aux tâches simples ou modèles IA ultra-légers.

Processeur parallèle optimisé pour les calculs matriciels, utilisé pour l’entraînement et l’inférence IA.

Accélérateur matériel généraliste conçu pour exécuter efficacement des modèles de deep learning, pas seulement des CNN. Il optimise les opérations typiques des réseaux neuronaux : multiplications matricielles, convolutions, activations, quantification, etc.

Cet accélérateur de réseau de neurones convolutifs est un bloc matériel dédié spécifiquement aux opérations de convolution et aux couches typiques des CNN. Il est plus spécialisé qu’une NPU, souvent plus simple, plus économe, mais moins polyvalent.

Processeur spécialisé dans le traitement de signaux numériques (audio, capteurs).

Accélérateur IA conçu par Google pour les calculs tensoriels à grande échelle.

Processeur dédié à la vision par ordinateur embarquée.

Circuit inspiré du fonctionnement du cerveau humain, il repose sur des architectures composées de neurones et synapses matériels, souvent implémentés sous forme de circuits événementiels (spiking) qui traitent l’information de façon asynchrone et massivement parallèle. Pour les systèmes embarqués, ces architectures offrent une très forte efficacité énergétique, une faible latence et un traitement local des données, ce qui les rend particulièrement adaptés aux applications contraintes en puissance et en temps réel, comme la perception et le contrôle autonome.

Carte à circuits imprimés sur laquelle sont assemblés les composants électroniques (CPU, GPU, mémoire, interfaces, etc.), servant de support physique et d’interconnexion pour les systèmes embarqués et modules IA.

Circuit reconfigurable matériellement, permettant une personnalisation fine des fonctions IA.

Puce dédiée à une tâche spécifique, très efficace pour l’IA embarquée.

Architecture parallèle composée de centaines de cœurs, adaptée aux applications critiques.

Circuit intégré regroupant sur une seule puce CPU, GPU, NPU, mémoire et interfaces de communication, offrant une solution compacte et performante.

Infrastructure d’interconnexion interne à un SoC permettant la communication rapide entre processeurs, caches, accélérateurs et mémoires, essentielle pour exploiter efficacement la hiérarchie mémoire et maximiser le débit de données.

Plateformes matérielles combinant plusieurs types d’unités de calcul spécialisées, processeurs et accélérateurs au sein d’un même système. Cette organisation permet d’adapter chaque tâche au moteur de calcul le plus efficace, en optimisant le compromis entre performances, consommation énergétique et latence. Pour les systèmes embarqués contraints, les architectures hétérogènes offrent ainsi une bonne efficacité énergétique, une certaine flexibilité d’exécution et la capacité de répondre aux exigences du temps réel.

Circuit intégré modulaire qui contient un sous-ensemble de fonctionnalités bien défini (par exemple, des cœurs de processeur, de la mémoire, des entrées/sorties).

Carte électronique compacte intégrant processeur, mémoire et interfaces, conçue pour être intégrée dans des systèmes embarqués ; utilisé pour les architectures modulaires d’IA embarquée.

Module embarqué plus complet que le CoM, incluant souvent des composants spécifiques (GPU, FPGA, interfaces industrielles, …) ; utilisé pour les applications embarquées exigeantes (vision, robotique, …).

Architecture parallèle conçue pour l’IA, optimisée pour les graphes de calcul.

Processeur adaptable à la tâche souvent basé sur FPGA pour personnaliser l’accélération IA

Logiciel intermédiaire qui assure la communication, la coordination et la gestion des données entre différentes applications, systèmes ou couches d’un environnement informatique. Il fournit des services communs (comme la gestion des messages, des transactions ou des ressources) permettant aux composants logiciels de fonctionner ensemble sans dépendances directes.

Mémoire vive rapide pour le traitement temporaire des données IA.

Mémoire qui conserve les données même sans alimentation électrique. Elle s’oppose à la RAM (volatile).

Types de mémoire non volatile (NVM) pour le stockage des modèles IA, firmware, logs.

Mémoires émergentes, non volatiles, rapides et économes.

Mémoires rapides intégrées au processeur pour réduire la latence des accès aux données et instructions, organisées en niveaux hiérarchiques (L1 proche du cœur, L3 partagé).

Mécanisme matériel permettant le transfert de données entre mémoire et périphériques ou accélérateurs sans solliciter le CPU, réduisant la latence et la consommation.

Paradigme matériel dans lequel le calcul (souvent des opérations matricielles ou logiques) est effectué directement dans les cellules de mémoire, minimisant les transferts de données et la consommation d’énergie, et améliorant les performances pour l’inférence IA embarquée.

Interfaces permettant le transfert de données et la communication entre processeurs, capteurs et modules IA dans les systèmes embarqués.

Standards universels pour relier capteurs et processeurs à courte distance, omniprésents dans l’automobile, l’électronique embarquée et l’industrie pour leur fiabilité et leur faible coût. Ils assurent des échanges rapides, fiables et adaptés aux contraintes temps réel des systèmes embarqués. Par exemple : I²C, SPI, UART, CAN.

Technologies de communication filaires ou hybrides conçues pour les environnements industriels, où la fiabilité, la robustesse et le déterminisme sont essentiels. Ils assurent l’échange de données entre automates, capteurs, actionneurs et systèmes de contrôle, souvent dans des environnements soumis à des contraintes fortes (bruit électromagnétique, vibrations, températures élevées). Ils garantissent des communications stables, sûres et prévisibles, indispensables aux systèmes embarqués industriels et aux applications temps réel.

Technologies radio locales, adaptées aux environnements contraints et à faible consommation, très utilisées dans la domotique, les bâtiments intelligents et les objets portables. Ils assurent la communication locale entre capteurs et passerelles. Ils favorisent la mobilité et l’intégration dans des environnements contraints, avec une faible consommation énergétique. Par exemple : BLE, Zigbee, Thread.

Connectivité étendue entre dispositifs et infrastructures, comme par exemple : Wi‑Fi, LTE/4G, 5G URLLC, NB‑IoT, LTE‑M, LoRaWAN. La 5G URLLC est essentielle pour les applications critiques nécessitant faible latence, tandis que NB‑IoT, LTE‑M et LoRaWAN ciblent les déploiements massifs d’objets connectés à faible consommation. Selon le protocole, ils privilégient le haut débit, la couverture ou l’efficacité énergétique, et permettent l’intégration edge–cloud.

Architectures maillées permettant la résilience et l’extension de la couverture, utilisées dans les réseaux de capteurs distribués et les environnements urbains intelligents. 6LoWPAN, Thread mesh.

Protocoles conçus pour la transmission frugale et scalable des données capteurs, largement adoptés dans les réseaux IoT.

Protocole très léger basé sur le modèle publish/subscribe, conçu pour les environnements contraints en bande passante et énergie, massivement adopté dans l’IoT (domotique, capteurs distribués, télémétrie).

Protocole inspiré de HTTP, mais optimisé pour les appareils à ressources limitées. Il fonctionne sur UDP, avec un modèle requête/réponse. Il est utilisé dans l’automatisation industrielle, la surveillance environnementale et les capteurs très contraints.

Protocole riche, orienté messages, avec garanties de livraison et sécurité. Il est plus lourd que MQTT ou CoAP, donc moins adapté aux objets très contraints ; il est utilisé dans les environnements d’entreprise (finance, systèmes critiques, cloud).

Protocole historique (années 1970), simple et robuste, basé sur un modèle maître‑esclave, encore très répandu dans l’industrie, notamment pour connecter automates programmables (PLC), capteurs et actionneurs. Sa simplicité et son adoption massive en font une référence universelle, mais il reste limité en termes de sécurité et de richesse de données.

Protocole moderne, orienté objet, conçu pour l’interopérabilité et la normalisation des échanges industriels. Il est largement adopté dans l’automatisation, l’industrie 4.0 et les architectures edge–cloud, car il permet de relier des systèmes hétérogènes. Il est extensible, sécurisé (intègre chiffrement et authentification), supporte des modèles de données riches et hiérarchiques.

Mécanismes normalisés permettant de fluidifier les échanges entre couches hétérogènes (edge, fog, cloud) et d’assurer la compatibilité entre systèmes, équipements et services distribués. Ils garantissent la continuité opérationnelle dans les architectures hybrides et facilitent l’intégration multi‑technologies. Exemples : API REST, gRPC, OPC‑UA.

Protocole applicatif conçu pour standardiser l’interaction entre agents d’IA et outils externes (services, données, APIs, environnements d’exécution). MCP fournit un cadre structuré pour exposer des capacités, échanger des messages et orchestrer des actions, facilitant l’intégration d’agents IA dans des architectures distribuées (edge - fog - cloud). Il assure une interopérabilité cohérente entre modèles, systèmes et applications, et constitue un socle émergent pour l’IA agentique. Créé initialement par Anthropic, MCP est aujourd’hui un standard ouvert, en voie de devenir le protocole commun de l’IA agentique, à l’image de ce que REST a représenté pour le web.

Interface de communication basée sur HTTP, utilisant des ressources identifiées par des URL ; il est universel et simple et s’impose comme le standard du web et du cloud pour exposer et consommer des services.

Protocole moderne basé sur HTTP/2 et Protobuf, orienté appels de fonctions distantes, qui répond aux besoins des architectures distribuées et des microservices, avec des échanges rapides et efficaces, y compris en streaming bidirectionnel.

Approche de l’intelligence artificielle visant à produire du contenu nouveau (texte, image, signal, code) à partir de modèles appris. Dans le contexte de l’IA embarquée, l’IA générative est mise en œuvre sous des formes spécialisées et contraintes, permettant une génération locale adaptée aux limitations de calcul, de mémoire, de latence et de consommation énergétique des plateformes embarquées.

Système d’IA conçu pour être adaptable à une variété de tâches. En IA embarquée, ces systèmes sont généralement spécialisés, distillés ou restreints à des fonctions ciblées afin d’être exécutables localement et intégrables dans des applications embarquées spécifiques.

Modèle d’intelligence artificielle de grande taille, entraîné de manière auto-supervisée sur de vastes ensembles de données. Dans l’IA embarquée, les modèles de fondation servent principalement de point de départ à des déclinaisons compactes ou spécialisées, adaptées à l’inférence locale sur des systèmes contraints.

Démarche consistant à concevoir et structurer des requêtes permettant de guider le comportement d’un modèle génératif. En IA embarquée, le prompt engineering vise à maximiser la pertinence, la robustesse et la prévisibilité des sorties générées, tout en maîtrisant les coûts de calcul et de mémoire.

Technique combinant un modèle génératif avec un mécanisme de recherche dans une base de connaissances. En IA embarquée, le RAG repose sur des bases locales, embarquées ou partiellement synchronisées, afin de limiter la dépendance à une connectivité distante tout en enrichissant les réponses générées.

Représentation vectorielle compacte d’objets tels que des mots, phrases, images ou signaux, organisée de manière à refléter leurs similarités sémantiques ou fonctionnelles. Les embeddings sont utilisés en IA embarquée pour la recherche locale, la classification, la similarité ou la génération assistée.

Unité élémentaire de traitement utilisée par les modèles de langage pour représenter des fragments de texte ou de données symboliques. En IA embarquée, la gestion du nombre et de la taille des tokens est un levier essentiel pour maîtriser la latence et l’empreinte mémoire.

Production par un modèle génératif d’une réponse incorrecte, incohérente ou sans fondement factuel, présentée comme plausible. Dans les systèmes d’IA embarquée, les hallucinations constituent un risque critique, notamment dans les domaines de la santé, de la mobilité ou de la défense, et nécessitent des mécanismes de limitation, de détection ou de validation.

Architecture d’apprentissage auto-supervisé visant à prédire l’évolution future d’un état ou d’une scène dans un espace latent, plutôt qu’à générer directement du contenu. JEPA est particulièrement adaptée à l’IA embarquée pour construire des modèles du monde permettant l’anticipation, la planification et l’adaptation à des environnements dynamiques.

Deux architectures de modèles de petite taille, respectivement proposées par Sapient Intelligence et par Samsung, qui utilisent le raisonnement hiérarchique en boucle ou récursif pour résoudre des problèmes. Ces modèles sont particulièrement économes en espace et en temps de calcul et peuvent avoir un intérêt pour l’embarqué.

Représentations internes permettant à un système d’IA embarquée de modéliser l’état courant et l’évolution probable de son environnement. Ces modèles soutiennent des capacités d’anticipation et de raisonnement essentielles pour les systèmes autonomes.

Capacité d’un système d’IA à initier des actions, prendre des décisions et poursuivre des objectifs de manière autonome dans un environnement donné, sans supervision humaine continue.

Entité logicielle ou matérielle autonome capable de percevoir son environnement, de raisonner sur la base de ses observations et d’agir afin d’atteindre un objectif. En IA embarquée, un agent est généralement déployé sur une plateforme contrainte et agit en interaction directe avec le monde physique.

Ensemble d’agents interagissant au sein d’un environnement partagé, par coopération, coordination ou négociation. En IA embarquée, ces systèmes sont utilisés pour la robotique collective, les réseaux de capteurs intelligents ou les dispositifs coopératifs distribués.

Architectures reposant sur des agents autonomes capables de perception, de planification et d’action, favorisant une prise de décision distribuée et contextuelle sur des systèmes embarqués.

Paradigme dans lequel un agent agit en fonction d’objectifs explicites, en évaluant différentes options d’action et en adaptant sa stratégie en fonction de l’évolution de l’environnement.

Cycle continu reliant la perception de l’environnement, la prise de décision et l’action, caractéristique des systèmes embarqués autonomes capables de s’adapter en temps réel à leur contexte.

Coordination de plusieurs agents ou modèles d’IA afin de réaliser des tâches complexes de manière cohérente. Dans l’IA embarquée, l’orchestration concerne principalement des systèmes coopératifs distribués fonctionnant avec des ressources et une connectivité limitées.

Forme d’IA intégrée dans des dispositifs matériels capables de percevoir, décider et agir sur le monde réel. L’IA physique combine perception sensorielle, raisonnement et action motrice, et est optimisée pour fonctionner en temps réel sous contraintes embarquées.

Représentation virtuelle fidèle d’un système physique permettant la simulation, l’analyse et l’optimisation de son comportement. Dans l’IA embarquée, les jumeaux numériques sont utilisés pour anticiper les comportements, améliorer la résilience et soutenir la maintenance prédictive.

Démarche consistant à intégrer la réduction des impacts environnementaux dès la conception des systèmes d’IA embarquée, sur l’ensemble de leur cycle de vie, en tenant compte des contraintes de calcul, d’énergie et de matériel.

Approche de l’intelligence artificielle visant à réduire l’impact environnemental des modèles et des systèmes d’IA, notamment en termes de consommation énergétique, d’émissions carbone et d’utilisation des ressources.

Démarche de conception et d’usage de l’IA fondée sur la sobriété des moyens, la limitation des données et du calcul, et l’adéquation entre le besoin fonctionnel et la solution déployée, particulièrement adaptée aux systèmes embarqués contraints.

Principe visant à limiter le volume de calcul nécessaire à l’exécution d’un modèle, en privilégiant des architectures légères, des algorithmes efficaces et des stratégies d’inférence adaptées.

Approche consistant à co‑concevoir le modèle, les algorithmes et l’architecture matérielle afin de réduire la consommation, le calcul et la mémoire, tout en garantissant les performances fonctionnelles.

Prise en compte des contraintes thermiques dans la conception des modèles et des pipelines d’inférence, afin d’éviter les surchauffes, throttling et dégradations de performance.

Conception visant à maximiser la durée de vie matérielle, la réparabilité, la modularité et la réutilisation, tout en minimisant l’impact environnemental global.

Stratégie visant à réduire les déchets et réutiliser les composants.

Effet sur l’environnement lié à la production, utilisation et fin de vie d’un système.

Évaluation des impacts environnementaux d’un produit ou système sur toutes les étapes, de la fabrication à la fin de vie.

Méthode d’évaluation intégrant simultanément performance, énergie, mémoire, carbone, coût matériel et durée de vie.

Approche de conception guidée par les contraintes de ressources (énergie, mémoire, calcul, thermique), plutôt que par la seule performance algorithmique.

Benchmarks standardisés de MLCommons pour l’évaluation des performances de l’inférence IA sur plateformes embarquées. MLPerf Edge cible les systèmes edge (SoC, CPU, GPU, NPU) et mesure latence, débit, énergie et précision, tandis que MLPerf Tiny est dédié aux microcontrôleurs et environnements TinyML à fortes contraintes de ressources.

Suite de benchmarks développée par BenchCouncil destinée à l’évaluation des performances des systèmes d’intelligence artificielle pour l’Internet des objets (AIoT). AIoTBench propose un ensemble de charges de travail représentatives couvrant différents scénarios d’IA embarquée, tels que la vision par ordinateur, le traitement audio et l’analyse de données issues de capteurs et permet de comparer les modèles, les plateformes logiciels et les capacités du matériel.

La capacité de fournir un service auquel on peut faire confiance. Cela implique :

Existence simultanée de la disponibilité pour les utilisateurs autorisés uniquement, de la confidentialité et de l’intégrité.

Aptitude d’un système IA embarqué à fonctionner correctement malgré des perturbations, des incertitudes ou des attaques.

Degré auquel un système, un composant ou un élément logiciel (code, documentation, spécifications) est exempt de fautes et répond correctement aux exigences définies..

Ensemble des propriétés (précision, cohérence, complétude, fraîcheur, bruit) conditionnant la fiabilité des inférences produites par un système d’IA embarquée et sa capacité à fonctionner de manière sûre et robuste en conditions réelles.

Origine et historique des données utilisées pour entraîner ou alimenter un système d’IA, essentielle pour garantir leur fiabilité et conformité.

Déséquilibre ou une distorsion systématique dans les résultats produits par un modèle, souvent causé par des préjugés présents dans les données ou les algorithmes.

Principe selon lequel les systèmes d’IA et d’apprentissage automatique doivent produire des décisions qui ne discriminent pas injustement des individus ou des groupes, notamment sur la base de caractéristiques sensibles comme le sexe, l’origine ethnique ou l’âge.

Ensemble de techniques permettant de comprendre et justifier les décisions prises par une IA.

Capacité à comprendre et expliquer les décisions ou prédictions d’un modèle d’intelligence artificielle.

Capacité à fournir une justification compréhensible des décisions ou prédictions d’un modèle IA, souvent exigée dans les processus de qualification et de certification.

Capacité à suivre l’origine, l’évolution et les modifications d’un modèle, d’un logiciel ou d’un composant matériel, essentielle pour la qualification et la certification. Plus précisément pour l’IA embarquée, il s’agit de documenter les étapes de développement, d’entraînement et de déploiement d’un système d’IA, pour en garantir la transparence et l’auditabilité. Globalement, c’est un suivi des données, des décisions et des composants d’un système d’IA.

Examen systématique et indépendant des processus, des preuves et des résultats pour confirmer la conformité aux normes et réglementations.

Possibilité de vérifier, contrôler et évaluer le fonctionnement d’un système d’IA, notamment en cas d’incident ou de dérive ; Indispensable pour les dispositifs embarqués dans les secteurs règlementés.

Inventaire détaillé des composants logiciels (bibliothèques, dépendances, modules) utilisés dans un système embarqué. Cela sert à la traçabilité, à la cybersécurité et à la conformité réglementaire.

Protection des modèles, les algorithmes et les données d’IA utilisées dans des secteurs cloisonnés où prédominent les systèmes critiques. Étant donné que les systèmes critiques dépendent fortement des systèmes d’IA embarqués pour leurs opérations autonomes, leur navigation et leur traitement des données, il est essentiel d’assurer leur sécurité. Par conséquent, la cybersécurité des systèmes d’IA embarqués consiste à protéger les systèmes critiques basés sur l’IA contre le piratage.

Systèmes d’IA pour améliorer la cybersécurité des systèmes critiques en termes de sécurité. Les systèmes d’IA embarqués peuvent détecter, prévenir et répondre aux cyber menaces en temps réel, ce qui est crucial pour les composants des systèmes critiques.

Violation potentielle de la sécurité. Les menaces qui pèsent sur les systèmes cyber-physiques comprennent la destruction d’informations et/ou d’autres ressources ; le vol, la suppression ou la perte d’informations et/ou d’autres ressources ; la corruption ou la modification d’informations ; la divulgation d’informations ; l’interruption de services.

Mise en œuvre de mesures de protection visant à réduire la vulnérabilité des actifs en limitant les conséquences des accidents et en prévenant les incidents de sécurité.

Approche qui intègre la protection des données personnelles dès les premières phases de conception d’un système d’IA. (ex : capteurs biométriques).

Méthodologie qui intègre des mécanismes de sécurité dès la phase de développement d’un système, pour prévenir les vulnérabilités.

Mécanismes intégrés pour surveiller et corriger les comportements inattendus ou dangereux d’un modèle d’IA.

Extraction non autorisée, la rétro-ingénierie ou l’exploitation malveillante de modèles d’IA/ML déployés dans des systèmes critiques. Cela peut se produire en temps réel pendant le fonctionnement ou la maintenance des systèmes critiques.

Technique de test où une équipe simule des attaques ou des usages malveillants pour identifier les failles d’un système d’IA.

Action malveillante consistant à modifier légèrement une entrée (par exemple en ajoutant un bruit imperceptible) afin de tromper un modèle d’apprentissage automatique. Ces perturbations restent généralement invisibles pour un humain, mais provoquent une erreur de prédiction du modèle.

Capacité d’un modèle d’IA à résister aux attaques adverses, c’est-à-dire à maintenir des performances acceptables même lorsque ses entrées ont été intentionnellement perturbées. La robustesse est une propriété recherchée dans les systèmes critiques ou embarqués exposés à des manipulations potentielles.

Technique de défense consistant à intégrer des entrées trompeuses dans le processus d’entraînement afin d’augmenter la robustesse du modèle. Le modèle apprend ainsi à reconnaître et à neutraliser les perturbations malveillantes, ce qui en fait l’une des méthodes les plus efficaces pour améliorer la résistance aux attaques adverses.

Mécanisme de sécurité garantissant que seuls des logiciels authentifiés et intègres peuvent être exécutés lors du démarrage d’un système embarqué. En IA embarquée, le Secure Boot protège les modèles, les chaînes d’inférence et les composants critiques contre les modifications non autorisées dès la mise sous tension.

Environnement isolé matériellement au sein d’un processeur permettant l’exécution sécurisée de code et le stockage de données sensibles. En IA embarquée, le TEE est utilisé pour protéger les modèles, les clés cryptographiques et certaines décisions critiques contre les attaques logicielles ou matérielles.

Ensemble des activités visant à démontrer qu’un système, un composant ou un processus est apte à remplir sa fonction dans un contexte donné. En IA embarquée, cela inclut la validation des modèles et des environnements d’exécution.

Capacité à évaluer une mise en œuvre des exigences afin de déterminer qu’elles ont été satisfaites (d’après ARP4754A).

Vérification que le système est construit correctement, autrement dit qu’il respecte les exigences, spécifications et normes définies; La validation consiste à vérifier que l’on a construit le bon système, c’est‑à‑dire qu’il répond effectivement aux besoins et attentes des utilisateurs.

Démonstration qu’une caractéristique ou une propriété d’un produit satisfait aux exigences énoncées.

Attestation d’une tierce partie concernant des produits, des processus, des systèmes ou des personnes. Ce peut être une garantie écrite qu’un système ou un composant est conforme à ses exigences spécifiées et est acceptable pour une utilisation opérationnelle. Cela peut-être aussi une démonstration formelle qu’un système ou un composant est conforme aux exigences spécifiées et est acceptable pour une utilisation opérationnelle. Pour l’embarqué, c’est le processus de confirmation qu’un système ou un composant est conforme à ses exigences spécifiées et qu’il est acceptable pour une utilisation opérationnelle.

Documents, résultats de tests ou rapports qui démontrent la conformité d’un système aux exigences de sécurité, de robustesse ou de réglementation. Les “preuves” sont indispensables dans les processus de certification.

Argument pour justifier certaines affirmations concernant un système, sur la base de preuves concernant à la fois le système et l’environnement dans lequel il fonctionne. Les affirmations peuvent concerner n’importe quelle propriété du système, comme la fiabilité ou la sécurité.

Principe selon lequel les acteurs impliqués dans la conception et l’usage de l’IA doivent pouvoir être identifiés et répondre des décisions prises par les systèmes. Important pour les systèmes embarqués autonomes, notamment en cas d’incident ou de litige. L’imputabilité est une propriété qui garantit que les actions d’une entité ne peuvent être attribuées qu’à cette entité.

Ensemble des phases successives couvrant la conception, le développement, l’intégration, la validation, la conversion, l’optimisation, le déploiement, l’exploitation, l’évolution et la fin de vie d’un système d’IA embarquée, depuis les premières spécifications jusqu’au retrait du système.

Étape durant laquelle sont définis les objectifs fonctionnels de l’IA embarquée, les contraintes matérielles et opérationnelles, ainsi que les exigences de performance, de robustesse, de traçabilité et de gouvernance nécessaires à son intégration dans un système embarqué.

Processus consistant à concevoir, entraîner et adapter un modèle d’IA destiné à être exécuté sur une plateforme embarquée, en tenant compte des contraintes de calcul, de mémoire, de latence et de comportement déterministe.

Processus de transformation d’un modèle entraîné en un format et une représentation compatibles avec la cible embarquée (runtime, bibliothèque d’inférence, accélérateur matériel), en vue de son intégration et de son exécution locale.

Ensemble de techniques visant à réduire le coût d’exécution d’un modèle destiné à l’embarqué (latence, consommation énergétique, empreinte mémoire), tout en maîtrisant l’impact sur les performances fonctionnelles.

Ensemble versionné des éléments nécessaires à l’exécution d’un système d’IA embarquée sur la cible finale (modèle converti, paramètres, chaînes de traitement, configurations), constituant l’unité opérationnelle traçable et versionnée de déploiement.

Phase durant laquelle le modèle d’IA, les chaînes de traitement associées et les mécanismes de supervision sont intégrés au système embarqué global, en interaction avec le matériel, les capteurs et les fonctions existantes.

Mise en service d’un système d’IA embarquée sur la cible finale, incluant la configuration, l’optimisation finale, la vérification du comportement attendu et la documentation de l’état initial du système.

Phase durant laquelle le système d’IA embarquée fonctionne en conditions réelles d’usage, produisant des inférences et des décisions locales, sous supervision et selon des règles de gouvernance définies.

Ensemble des activités visant à corriger, adapter ou améliorer un système d’IA embarquée au cours de son exploitation, tout en garantissant la continuité de service, la traçabilité des changements et la conformité aux exigences initiales.

Phase durant laquelle un système d’IA embarquée est retiré du service, incluant la désactivation contrôlée des fonctions d’IA, l’archivage des éléments nécessaires à la traçabilité et la gestion des versions finales des modèles.

Processus visant à démontrer que le système d’IA embarquée répond aux exigences fonctionnelles et opérationnelles définies, dans des conditions représentatives de son usage réel sur la plateforme embarquée.

Ensemble des activités permettant de s’assurer que le système d’IA embarquée est correctement implémenté par rapport aux spécifications définies, notamment en termes de comportement, de performances et de contraintes temporelles.

Tests réalisés sur la cible embarquée ou dans un environnement représentatif afin d’évaluer le comportement de l’IA embarquée dans des conditions proches de l’exploitation réelle.

Processus consistant à vérifier, durant l’exploitation ou à la suite d’une mise à jour ou recalibration, que le comportement de l’IA embarquée reste conforme aux exigences initiales, malgré l’évolution des conditions d’usage, des données d’entrée ou du contexte opérationnel.

Ensemble des règles, processus et responsabilités permettant de maîtriser la conception, le déploiement, l’exploitation et l’évolution des systèmes d’IA embarquée, en assurant la cohérence des décisions techniques et organisationnelles tout au long du cycle de vie.

Principe selon lequel les acteurs impliqués dans la conception et l’usage de l’IA doivent pouvoir être identifiés et répondre des décisions prises par les systèmes. Important pour les systèmes embarqués autonomes, notamment en cas d’incident ou de litige. L’imputabilité est une propriété qui garantit que les actions d’une entité ne peuvent être attribuées qu’à cette entité.

Définition des responsabilités liées à l’exploitation quotidienne, à la supervision et aux actions correctives sur un système d’IA embarquée, en particulier en cas de dégradation de performance ou d’incident.

Capacité à retracer l’historique des décisions, des versions de modèles, des paramètres, des chaînes de traitement et des configurations tout au long du cycle de vie d’un système d’IA embarquée, afin de permettre l’audit et la justification des choix effectués.

Processus permettant de maîtriser l’évolution des modèles, des paramètres, des chaînes de traitement et des configurations déployées sur des systèmes embarqués, en assurant l’identification claire des versions en exploitation.

Ensemble des pratiques et processus d’exploitation dédiés aux modèles d’IA déployés sur des systèmes embarqués, couvrant le déploiement, la supervision, la maintenance, les mises à jour et la gestion des versions, sous contraintes de ressources et de connectivité.

Mécanismes permettant de surveiller le fonctionnement de l’IA embarquée à l’exécution, afin de détecter des comportements anormaux, des dérives de performance ou des situations non prévues.

Observation continue ou périodique du comportement et des performances de l’IA embarquée durant son fonctionnement réel, dans le respect des contraintes de calcul et d’énergie du système.

Collecte et exposition, sur la cible embarquée, d’indicateurs relatifs au fonctionnement de l’IA (temps d’inférence, charge, qualité des entrées, scores de confiance, événements de dégradation), afin de permettre une analyse et une supervision compatibles avec les contraintes embarquées.

Dégradation progressive des performances d’un modèle en exploitation, liée à l’évolution des données d’entrée, du contexte d’usage ou de l’environnement, pouvant nécessiter recalibration, mise à jour ou revalidation du système embarqué.

Ensemble des mécanismes visant à détecter, qualifier et traiter les dérives de performance d’un système d’IA embarquée, incluant seuils, alertes, modes dégradés, recalibration et mise à jour versionnée.

Ajustement planifié ou déclenché d’un système d’IA embarquée (paramètres, seuils, calibrations associées) afin de maintenir des performances conformes en exploitation, tout en assurant la traçabilité et la revalidation nécessaires.

Activité consistant à suivre dans la durée le comportement d’un système d’IA embarquée après sa mise en service, afin de confirmer le maintien des performances attendues et d’identifier les besoins d’ajustement ou de mise à jour.

Capacité d’un système d’IA embarquée à adopter un comportement sûr, prévisible et documenté en cas de perte de performance, de données dégradées ou de conditions d’exploitation non nominales.

Mécanisme permettant de déployer à distance une nouvelle version d’un modèle, d’un paramétrage ou d’une configuration sur une cible embarquée, en assurant l’identification des versions et la continuité de service.

Capacité à restaurer une version antérieure d’un modèle ou d’une configuration sur une cible embarquée, notamment en cas de régression de performance, d’instabilité ou d’incident détecté en exploitation.

Cadre réglementaire proposé par l’Union européenne pour encadrer l’usage de l’IA selon son niveau de risque, avec des obligations spécifiques pour les systèmes critiques.

Règlement européen qui harmonise les règles de traitement des données personnelles dans l’UE, entré en application le 25 mai 2018. Il renforce les droits des personnes et responsabilise les acteurs traitant des données.

Entré en vigueur en janvier 2024, le Data Act de l’UE (Règlement (UE) 2023/2854) est pleinement applicable depuis septembre 2025 après l’expiration de sa période transitoire. Ce texte instaure un cadre harmonisé fixant de nouvelles règles sur l’accès, l’utilisation et le partage des données industrielles générées par les produits et services connectés dans l’UE, couvrant l’ensemble des secteurs économiques.

Le Chips Act européen (Règlement (UE) 2023/1781) vise à renforcer la capacité de l’UE en semi-conducteurs, soutenir la R&D et développer des capacités de production avancées. Son objectif est d’atteindre 20 % de la production mondiale de puces d’ici 2030. Il prévoit également un mécanisme de coordination pour sécuriser la chaîne d’approvisionnement en cas de crise. Il favorise l’émergence d’un écosystème européen capable de concevoir et produire les composants optimisés pour l’IA embarquée et les systèmes cyberphysiques.

Le Data Governance Act (Règlement (UE) 2022/868) organise la gouvernance et les mécanismes de partage des données, en particulier la réutilisation de certaines données du secteur public, le cadre des intermédiaires de données et le partage « altruiste » de données.

La nouvelle directive européenne sur la responsabilité du fait des produits (2024/2853) a été adoptée le 23 octobre 2024 et doit être transposée dans les droits nationaux des États membres d’ici le 9 décembre 2026. Elle modernise les règles de responsabilité pour inclure les produits numériques, l’IA, et les modèles économiques circulaires.

Un règlement européen adopté en 2019, qui crée le cadre européen de certification de cybersécurité pour les produits TIC. C’est lui qui a donné naissance aux futurs schémas de certification comme EUCC, EUCS, EU5G, etc. Il ne crée pas d’obligations directes pour les fabricants, mais il structure le cadre de confiance et les schémas de certification. Son objectif était d’harmoniser la certification de cybersécurité en Europe.

Règlement européen entré en vigueur le 10 décembre 2024, visant à améliorer la cybersécurité des produits comportant des éléments numériques (PDE) et à sécuriser l’internet des objets. Il impose des obligations légales de cybersécurité pour tous les produits comportant des éléments numériques (PDE), y compris les objets connectés, logiciels embarqués, systèmes industriels, etc. Il vise à garantir que tous les produits numériques vendus en Europe respectent un niveau minimal de cybersécurité, tout au long de leur cycle de vie.

Règlement (UE) 2023/988 sur la sécurité générale des produits, applicable depuis décembre 2024. Il impose aux fabricants de garantir la sécurité des produits de consommation, y compris ceux intégrant des logiciels ou de l’IA, et renforce les obligations de surveillance du marché.

Dispositif introduit par le paquet économie circulaire de l’UE, visant à fournir un passeport numérique contenant les informations essentielles sur un produit (composition, réparabilité, durabilité, traçabilité). Il s’applique progressivement à plusieurs catégories de produits, dont les équipements électroniques.

Directive (UE) 2022/2555 renforçant les exigences de cybersécurité pour les secteurs essentiels et importants. Elle impose des obligations accrues en matière de gestion des risques, de sécurité des systèmes et de notification d’incidents, impactant directement les systèmes embarqués et les infrastructures critiques.

La Directive 2014/53/UE sur les équipements radio intègre désormais des exigences renforcées en cybersécurité, protection des données et prévention des fraudes pour les objets connectés. Les actes délégués associés imposent des obligations spécifiques aux fabricants de dispositifs radio intégrant des fonctions logicielles ou d’IA.

Schéma européen de certification de cybersécurité pour les produits TIC, élaboré dans le cadre du Cybersecurity Act. Il fournit un cadre harmonisé pour certifier la sécurité des composants matériels et logiciels, pertinent pour les systèmes embarqués et les produits intégrant de l’IA.

Gestion de la qualité pour les systèmes d’IA

Maîtrise des risques pour les systèmes d’IA.

Logging, transparency and human oversight (prEN 18229-1) : gestion de trois aspects de la confiance envers les systèmes d’IA: traçabilité, information aux utilisateurs et contrôle par les opérateurs humains.

Accuracy and robustness (prEN 18229-2) : gestion de deux aspects de la confiance envers les systèmes d’IA: précision et robustesse.

Norme sur la qualité et la gouvernance des bases de données utilisées dans les systèmes d’IA.

Gestion (et réduction) des biais dans les données, afin de satisfaire aux exigences d’équité.

Spécifications sur la cybersécurité des systèmes d’IA, analyse des menaces et des moyens d’y répondre.

Évaluation de la conformité à l’ensemble des normes, faite par les organismes habilités.

Première norme internationale dédiée aux systèmes de management de l’intelligence artificielle (IA), publiée en décembre 2023, qui encadre le développement, l’utilisation et la gouvernance des systèmes d’IA pour une utilisation responsable, éthique et sécurisée.

Publiée le 20 décembre 2023, elle fournit un cadre standardisé pour le développement et la gestion des systèmes d’IA, couvrant tous les aspects du cycle de vie des logiciels intégrant l’IA.

Fournit un cadre complet pour identifier, évaluer et gérer les risques liés à l’intelligence artificielle, en s’appuyant sur les principes de l’ISO 31000 pour une intégration efficace dans les activités des organisations.

Ensemble cohérent de fonctions fournies par un système embarqué, dont certaines reposent sur des modèles d’IA exécutés sur la plateforme cible. Une application d’IA embarquée combine capteurs, traitements et logique décisionnelle afin de produire un comportement, une capacité ou un service opérationnel intégré au système.

Description structurée d’un scénario d’exploitation dans lequel une ou plusieurs fonctions d’IA embarquée contribuent à atteindre un objectif opérationnel identifié. Un cas d’usage précise le contexte, les entrées issues de capteurs, les sorties attendues et les contraintes d’exécution associées.

Fonction logicielle déployée sur un système embarqué, mettant en œuvre une chaîne de traitement et un ou plusieurs modèles d’IA pour produire une sortie exploitable (information, alerte, estimation, décision ou commande) en interaction avec l’environnement.

Description d’un contexte réel d’utilisation caractérisé par un environnement, des conditions d’exploitation variables, des contraintes temporelles et des situations nominales ou dégradées auxquelles l’IA embarquée doit répondre de manière fiable.

Avantage obtenu par l’exécution des modèles d’IA directement sur la cible embarquée, permettant de répondre à des exigences de réactivité, d’autonomie, de continuité de service, de résilience ou de maîtrise des flux de données.

Applications dans lesquelles l’IA embarquée analyse des données issues de capteurs industriels afin de réaliser des inspections, surveiller des procédés et détecter des anomalies directement sur les équipements. L’exécution embarquée permet une réactivité immédiate, une robustesse face aux environnements industriels et une réduction des flux de données vers des systèmes centraux.

Applications où l’IA embarquée soutient la perception, la navigation, la manipulation et l’interaction entre robots et opérateurs. Le traitement embarqué garantit une latence compatible avec le mouvement et l’interaction physique, ainsi qu’une autonomie de fonctionnement dans des environnements dynamiques.

Applications intégrant l’IA embarquée pour interpréter l’environnement, assister la conduite, gérer des trajectoires et soutenir des fonctions d’autonomie. L’embarqué permet une prise de décision locale rapide et fiable, indépendante de la connectivité réseau.

Applications embarquées à bord d’aéronefs, de drones ou de systèmes spatiaux utilisant l’IA pour la perception, la surveillance et l’assistance à la décision. L’IA embarquée apporte autonomie, résilience et continuité de service dans des environnements isolés ou fortement contraints.

Applications dans lesquelles l’IA embarquée contribue à la surveillance, à l’analyse situationnelle et à l’aide à la décision. Le traitement embarqué permet un fonctionnement robuste, déconnecté et maîtrisé, indispensable dans des contextes critiques.

Applications intégrant l’IA embarquée dans des dispositifs médicaux, des équipements de diagnostic ou des systèmes de monitoring. L’exécution locale favorise la réactivité, la continuité de fonctionnement et une meilleure maîtrise des données sensibles.

Applications exploitant l’IA embarquée pour superviser, diagnostiquer et optimiser des équipements énergétiques ou des infrastructures distribuées. Le traitement embarqué permet une gestion locale efficace et une exploitation à grande échelle de dispositifs autonomes.

Applications dans lesquelles l’IA embarquée est utilisée pour optimiser l’utilisation des ressources réseau, détecter des anomalies et améliorer la qualité de service sur des équipements en périphérie. L’embarqué permet des ajustements rapides au plus près du trafic et des équipements.

Applications utilisant l’IA embarquée pour la gestion énergétique, la surveillance d’équipements et la sécurité de bâtiments ou d’ouvrages. Le traitement embarqué facilite des décisions locales adaptées aux usages réels et à la variabilité des conditions.

Applications exploitant des capteurs et la vision embarquée pour surveiller l’environnement, analyser des cultures ou détecter des événements naturels. L’IA embarquée permet des dispositifs autonomes, sobres en énergie et capables de fonctionner sur de longues durées sans connectivité continue.

Applications intégrant des modèles d’IA compacts pour l’interaction, la personnalisation et la reconnaissance d’activités. L’exécution embarquée garantit une expérience réactive, une faible consommation énergétique et une indépendance vis-à-vis des infrastructures distantes.

Applications dans lesquelles l’IA embarquée soutient l’analyse audiovisuelle, l’interaction temps réel, la réalité augmentée ou des expériences immersives. Le traitement embarqué permet des interactions fluides et immédiates sur des dispositifs autonomes.

Capacité d’un système embarqué à interpréter son environnement physique à partir de données issues de capteurs (image, radar, LiDAR, audio, inertiel, biométrique, etc.), afin de produire une représentation exploitable pour la prise de décision ou la commande d’un système physique.

Fonction consistant à identifier la présence ou l’apparition d’objets, d’événements ou de situations d’intérêt dans une donnée d’entrée, par exemple la détection d’un défaut, d’un obstacle, d’un incident ou d’un changement d’état, avec une sortie généralement binaire ou localisée.

Fonction visant à associer une observation issue de capteurs à une catégorie prédéfinie, telle que le type d’objet, l’état d’un équipement, une condition environnementale ou une activité, afin d’orienter une décision ou une action locale.

Fonction permettant de découper une donnée, notamment une image ou un signal, en régions ou segments homogènes correspondant à des zones d’intérêt, afin de localiser précisément des objets, des défauts ou des phénomènes pertinents pour l’application embarquée.

Fonction produisant une valeur continue représentant un état ou une grandeur physique, comme une position, une vitesse, une orientation, un niveau ou une intensité, à partir de mesures capteurs, pour alimenter une logique de contrôle ou de supervision.

Fonction consistant à anticiper l’évolution future d’un état, d’un comportement ou d’un phénomène observé, par exemple l’usure d’un équipement, une trajectoire probable ou une dérive de performance, afin de permettre une action proactive du système embarqué.

Fonction visant à repérer des écarts significatifs par rapport à un fonctionnement nominal appris ou défini, afin d’identifier précocement des défauts, des incidents ou des situations inhabituelles dans des environnements réels.

Fonction permettant d’identifier une activité, un geste ou un comportement à partir de séries temporelles ou de signaux multimodaux, tels que des données issues de capteurs inertiels, biométriques ou acoustiques, notamment dans les wearables et systèmes interactifs.

Fonction permettant une interaction directe et réactive entre un utilisateur et un système embarqué, par la voix, les gestes, le contexte ou des interfaces sensorielles, avec un traitement local garantissant faible latence et continuité de service.

Organisation fonctionnelle dans laquelle les informations issues de la perception alimentent une décision locale, qui déclenche ensuite une action ou une commande sur le système ou son environnement, formant une boucle fermée exécutée sous contraintes de temps réel.

Principe selon lequel les fonctions d’IA sont exécutées directement sur la plateforme embarquée, sans dépendance systématique à une infrastructure distante, afin de garantir réactivité, autonomie de fonctionnement et continuité de service dans des contextes contraints.

Exigence imposant que les résultats produits par l’IA soient disponibles dans un délai compatible avec l’usage, par exemple pour déclencher une action, assister un opérateur ou piloter un système physique, avec des délais de réponse bornés et maîtrisés.

Capacité d’un système embarqué intégrant de l’IA à fonctionner durablement avec un budget énergétique limité, qu’il soit alimenté par batterie, récupération d’énergie ou contraintes strictes de consommation.

Aptitude du système d’IA embarquée à maintenir un comportement utile et prévisible malgré la variabilité des conditions réelles, le bruit des capteurs, les perturbations de l’environnement ou des situations non nominales.

Contexte dans lequel le système embarqué ne peut pas s’appuyer sur un accès réseau continu ou à haut débit, nécessitant des capacités de décision et de traitement autonomes directement sur la cible.

Déploiement d’une même fonction d’IA embarquée sur un grand nombre de dispositifs, impliquant une homogénéité de comportement, une maîtrise des versions et une exploitation industrialisée du parc embarqué.

Cas d’usage dans lequel un système embarqué analyse des images ou des flux vidéo issus de caméras afin de détecter des défauts, qualifier une conformité ou trier des objets, avec une exécution locale garantissant réactivité et robustesse en environnement industriel ou opérationnel.

Cas d’usage où des signaux issus de capteurs (vibration, acoustique, courant, température, pression) sont analysés par des modèles d’IA embarqués afin d’anticiper des défaillances, d’identifier des dérives de fonctionnement et de planifier des actions de maintenance adaptées.

Cas d’usage consistant à détecter en temps utile des événements rares ou anormaux, tels qu’un incident, un comportement dangereux ou un dépassement de seuil, afin de déclencher une alerte ou une action immédiate du système embarqué.

Cas d’usage dans lequel la perception multi-capteurs et la décision locale soutiennent l’assistance à la conduite, la navigation ou des fonctions d’autonomie partielle, avec des exigences élevées de temps réel et de fiabilité.

Cas d’usage où un système embarqué ajuste dynamiquement des stratégies de gestion énergétique (charge, pilotage d’équipements, priorisation) à partir de mesures et d’estimations locales, afin d’améliorer l’efficacité énergétique sans dépendance continue à une infrastructure distante.

Cas d’usage dans lequel l’IA embarquée fournit des recommandations, des alertes ou des diagnostics directement sur le terrain, dans des contextes à connectivité limitée ou inexistante, afin de soutenir l’action humaine ou automatisée.

Cas d’usage où un dispositif portable analyse localement des données issues de capteurs inertiels, biométriques ou physiologiques pour identifier des activités, des gestes ou des états, tout en respectant des contraintes fortes d’autonomie énergétique.

Cas d’usage dans lequel des dispositifs embarqués déployés sur des infrastructures réalisent un diagnostic continu ou périodique de l’état d’équipements ou d’ouvrages, produisant des indicateurs exploitables même en conditions de connectivité intermittente.

Capacité limitée d’un système d’IA embarquée à ajuster certains paramètres ou seuils en exploitation afin de maintenir ses performances face à des environnements évolutifs, sous contraintes de ressources et de sûreté.

Organisation dans laquelle plusieurs systèmes embarqués coopèrent pour produire une perception ou une décision collective, tout en conservant une exécution majoritairement locale.

Applications dans lesquelles l’IA embarquée est utilisée comme levier de sobriété numérique, en minimisant l’empreinte énergétique, les volumes de données traitées et la dépendance aux infrastructures distantes, tout en conservant une utilité opérationnelle.

Applications exploitant l’IA embarquée pour observer, analyser et agir localement sur des phénomènes environnementaux, à l’aide de dispositifs autonomes, distribués et faiblement consommateurs de ressources.

Applications dans lesquelles l’IA embarquée contribue à renforcer la confiance des utilisateurs et des parties prenantes par des décisions locales maîtrisées, une transparence accrue du fonctionnement et une intégration respectueuse des contextes humains et sociaux.