Soutenance de thèse de Halima Bouzidi

Résumé

Les réseaux de neurones (RN) sont devenus une force dominante dans le monde de la technologie. Inspirés par le cerveau humain, leur conception complexe leur permet d’apprendre des motifs, de prendre des décisions et même de prévoir des scénarios futurs avec une précision impressionnante. Les RN sont largement déployés dans les systèmes de l’Internet des Objets (IoT pour Internet of Things), renforçant davantage les capacités des dispositifs interconnectés en leur donnant la capacité d’apprendre et de s’auto-adapter dans un contexte temps réel. Cependant, la prolifération des données produites par les capteurs IoT rend difficile leur envoi vers un centre Cloud pour le traitement. Par conséquent, le traitement des données plus près de leur origine, en Edge, permet de prendre des décisions en temps réel, réduisant ainsi la congestion du réseau.

L’intégration des RN à l’Edge dans les systèmes IoT permet d’obtenir des solutions plus efficaces et réactives, inaugurant ainsi une nouvelle ère de Edge AI. Néanmoins, le déploiement des RN sur des plateformes matérielles à ressources présente une multitude de défis. (i) La complexité inhérente des architectures des RN, qui nécessitent d’importantes capacités de calcul et de mémoire. (ii) Le budget énergétique limité caractérisant les dispositifs matériels sur Edge qui ne permet pas de supporter des RN complexes, réduisant drastiquement la durée de fonctionnement du système. (iii) Le défi d’assurer une harmonie entre la conception des RN et celle des dispositifs matériels. (iv) L’absence de l’adaptabilité à l’environnement d’exécution dynamique et aux complexités des données à traiter.

Pour pallier ces problèmes, cette thèse vise à établir des méthodes innovantes qui élargissent les cadres traditionnels de conception des RN (NAS pour Neural Architecture Search) en intégrant les caractéristiques contextuelles du matériel et de l’environnement d’exécution. Nos méthodes aident à contribuer à la réalisation d’un framework de conception de bout en bout pour les RN sur les dispositifs matériels sur Edge. Elles permettent ainsi de tirer avantage de plusieurs pistes d’optimisation au niveau logiciel et matériel, améliorant les performances et l’efficacité de l’Edge AI.

Mots-clés

Hardware-aware Neural Architecture Search, Inference Dynamique, DVFS, Edge AI, Prédiction de Performance, Co-optimization HW/SW.

Composition du jury

Prof. Tulika Mitra, Professeur, National University of Singapore, NUS – Rapporteuse
Prof. Olivier Sentieys, Professeur, IRISA, Université de Rennes – Rapporteur
Dr. Nicolas Ventroux, Thales Research & Technology (TRT) – Examinateur
Prof. Clarisse Dhaenens, Directrice du laboratoire CRiSTAL, Université de Lille – Examinatrice.
Prof. Smail Niar, LAMIH, Professeur, UPHF/INSA, Directeur de Thèse
Prof. El-Ghazali Talbi, Professeur, Laboratoire CRiSTAL, Université de Lille, Co-Encadrant
Dr. Hamza Ouarnoughi, Maître de Conférences, LAMIH, UPHF/INSA, Co-Encadrant
Prof. Abdessamad Ait El Cadi, Professeur, LAMIH, UPHF/INSA, Invité