Table des Matières
L'edge AI en atelier consiste à faire tourner un modèle entraîné sur un matériel placé près de la machine, comme un module d'automate, une caméra intelligente ou un PC industriel, plutôt que sur un serveur central. Elle se justifie quand une décision doit tomber en quelques millisecondes, quand des données comme la vidéo sont trop lourdes à transmettre, ou quand la ligne doit tourner sans réseau.
Points clés
- Le guide conjoint piloté par la CISA note que certains automates modernes ou contrôleurs edge exécutent déjà des modèles légers pré-entraînés, par exemple pour la détection locale d'anomalies (CISA et al., 2025).
- Le matériel va du module d'automate au GPU embarqué. NVIDIA spécifie son module Jetson AGX Orin Industrial de -40 °C à 85 °C, avec une durée de vie opérationnelle de 10 ans (NVIDIA).
- La quantification permet de faire tenir les modèles sur de petits équipements : la quantification entière complète rend un modèle 4 fois plus petit et plus de 3 fois plus rapide, mais peut réduire la précision, en particulier pour les petits réseaux (Google LiteRT).
- Entraîner sur des serveurs, exécuter en edge, et gérer les modèles comme des paquets versionnés qui continuent à fonctionner quand le réseau tombe.
- Un modèle qui agit sur la machine fait partie du système de contrôle-commande : il lui faut un mode de repli, une gestion des modifications et une surveillance de la dérive.
Qu'appelle-t-on « edge » dans une usine ?
Le NIST décrit l'edge computing comme la couche des équipements terminaux qui apporte une « capacité de calcul locale sur un capteur, un compteur ou d'autres équipements accessibles par le réseau » (NIST SP 500-325). En atelier, il s'agit d'un module dans le rack de l'automate, d'une caméra intelligente au-dessus d'un convoyeur ou d'un PC industriel sans ventilateur dans l'armoire de la machine.
Edge ne veut pas dire on-premise. Un serveur GPU dans la salle informatique du site est on-premise, mais il n'est pas en edge : il se trouve au niveau 3 ou 4 du modèle de Purdue, loin de la machine. Le guide piloté par la CISA classe les modèles edge au niveau 1, où « certains automates modernes ou contrôleurs edge exécutent des modèles prédictifs légers et pré-entraînés » pour la détection locale d'anomalies, l'équilibrage de charge et le maintien d'un état sûr connu (CISA et al., 2025).
Quand l'inférence doit-elle tourner en edge ?
Quatre raisons justifient de placer un modèle près de la machine.
Le temps de réponse. Un éjecteur, une prise par robot ou un signal d'arrêt doivent agir dans le temps de cycle de la machine. Le guide piloté par la CISA avertit que les systèmes d'IA « peuvent ne pas respecter les contraintes temporelles strictes des environnements OT », et que cela compte davantage quand le système d'IA intervient dans le contrôle-commande. Un modèle dans l'automate ou à côté évite l'aller-retour sur le réseau.
Le volume de données. Les caméras et les capteurs de vibration produisent bien plus de données que la décision n'en demande. Une caméra couleur 1080p non compressée à 30 images par seconde produit 1 920 × 1 080 × 3 octets × 30, soit environ 187 Mo/s ou 1,5 Gbit/s selon notre calcul, plus que ce que transporte une liaison gigabit. Les caméras réelles utilisent souvent des capteurs monochromes, des cadences plus basses ou la compression, mais envoyer un verdict de quelques octets plutôt que les images reste la conception la plus simple.
La disponibilité. Une ligne qui dépend d'un serveur central s'arrête quand le réseau s'arrête. Un modèle sur l'équipement continue d'inspecter pendant une panne de switch ou une mise à jour du serveur. Pour les sites dont la liaison avec le siège est elle-même peu fiable, voir l'IA sur les sites isolés à faible connectivité.
Le confinement des données. Les images des produits, des postes opérateurs ou les données procédé n'ont jamais besoin de quitter la cellule ; seuls les résultats et les synthèses en sortent.
Quand aucune de ces raisons ne s'applique, un serveur est en général plus simple à exploiter. Un capteur logiciel mis à jour chaque minute, un modèle qui a besoin des données de toute l'usine ou un assistant qui répond à partir de documents relèvent d'un serveur.
| Où tourne le modèle | Exemple de matériel | Continue si le réseau de l'usine tombe | Modèles typiques | Qui valide les modifications |
|---|---|---|---|---|
| Dans l'automate | Module IA d'automate, moteur d'inférence dans le runtime de l'automate | Oui | Petits classifieurs, scores d'anomalie sur les signaux machine | Automaticiens, selon les procédures de modification de la logique d'automatisme |
| À côté de la machine | Caméra intelligente, boîtier GPU embarqué, PC industriel | Oui | Inspection visuelle, analyse vibratoire, petits modèles de langage | Équipes automatisme et data ensemble |
| Salle serveurs du site | Serveurs GPU aux niveaux 3 ou 4 | Non, pour les utilisateurs en atelier | Entraînement, modèles prédictifs à l'échelle de l'usine, assistants LLM | Équipes informatique et data |
| Cloud | Centres de données du fournisseur | Non | Entraînement et analyses, si les données peuvent quitter le site | Informatique et fournisseur |
Quel matériel pour l'edge AI ?
Dans l'automate. En 2018, Siemens a lancé le module TM NPU pour le S7-1500 et l'ET 200MP, avec une unité de traitement de la vision Intel Movidius Myriad X, des ports USB 3.1 et Gigabit Ethernet pour caméras ou microphones, et un réseau de neurones entraîné fourni sur carte SD ; les résultats sont exploités dans le programme de la CPU (Siemens). Beckhoff choisit une voie logicielle : ses moteurs d'inférence TwinCAT exécutent des modèles exportés au format ONNX « directement dans le contexte temps réel du système de contrôle », et une option serveur séparée utilise des GPU pour un traitement « quasi temps réel » de modèles plus lourds (Beckhoff).
Modules GPU embarqués. La famille NVIDIA Jetson Orin est un choix courant pour la vision en edge. Chiffres tirés des spécifications NVIDIA :
| Module | Performance IA (INT8 creux) | Mémoire | Plage de puissance |
|---|---|---|---|
| Jetson Orin Nano 8GB (Super) | 67 TOPS | 8 Go | 7 à 25 W |
| Jetson Orin NX 16GB | 157 TOPS | 16 Go | 10 à 40 W |
| Jetson AGX Orin 64GB | 275 TOPS | 64 Go | 15 à 60 W |
| Jetson AGX Orin Industrial | 248 TOPS | 64 Go avec ECC | 15 à 75 W |
Lisez les TOPS comme une valeur de crête, pas comme la vitesse de votre modèle. Pour l'Orin Nano 8GB en mode Super, NVIDIA annonce 67 TOPS en creux (sparse) mais 33 TOPS en dense (NVIDIA, 2025). Le module industriel indique aussi l'ECC intégré, des tenues aux chocs et aux vibrations et une durée de vie opérationnelle de 10 ans, contre 5 ans pour la version commerciale.
PC industriels. Beaucoup de lignes disposent déjà de PC industriels x86. La boîte à outils open source OpenVINO d'Intel exécute l'inférence sur des CPU, des GPU Intel et des NPU Intel, et accepte des modèles issus de PyTorch, TensorFlow, ONNX et d'autres frameworks (OpenVINO).
Un modèle de langage peut-il tourner en edge ?
Les petits modèles, oui. NVIDIA a mesuré ces vitesses de génération sur un Jetson Orin Nano 8GB en mode Super, avec une quantification 4 bits (NVIDIA, 2025) :
| Modèle | Tokens par seconde |
|---|---|
| Llama 3.2 3B | 43,1 |
| Qwen 2.5 7B | 21,8 |
| Llama 3.1 8B | 19,1 |
C'est suffisant pour un opérateur qui pose une question sur son poste. Ce n'est pas suffisant pour un assistant à l'échelle du site qui répond à de nombreux utilisateurs à partir de longs documents en arabe, en français et en anglais ; il faut alors un serveur dimensionné pour les requêtes simultanées, comme l'explique notre guide de dimensionnement GPU. Notre guide sur les petits modèles de langage présente les tâches qu'un modèle de 3B à 8B traite bien, et la quantification 4 bits rend les tests sur vos propres questions encore plus importants.
Comment faire tenir un modèle sur du matériel edge ?
Utiliser un format d'échange ouvert. ONNX est « un format ouvert conçu pour représenter les modèles d'apprentissage automatique » : un modèle entraîné dans un framework peut ainsi tourner dans un autre moteur d'inférence (ONNX). Les moteurs de Beckhoff et OpenVINO l'acceptent tous les deux.
Quantifier, puis mesurer. La documentation LiteRT de Google indique pour la quantification à plage dynamique un modèle 4 fois plus petit et 2 à 3 fois plus rapide, et pour la quantification entière complète un modèle 4 fois plus petit et plus de 3 fois plus rapide, cette dernière convenant aussi aux microcontrôleurs et aux Edge TPU (Google LiteRT). ONNX Runtime avertit que la quantification « n'est pas une transformation sans perte », recommande la quantification statique avec données de calibration pour les CNN, l'architecture de nombreux modèles de vision, et la quantification dynamique pour les transformers (ONNX Runtime).
Passez le modèle quantifié et le modèle en pleine précision sur le même jeu de test réservé, y compris les défauts rares et les conditions de marche inhabituelles, avant d'accepter le plus petit.
Comment déployer l'edge AI, étape par étape ?
- Définir la décision et son délai. Ce que décide le modèle, en combien de temps, et ce que fait la machine si le modèle ne répond pas. Le guide piloté par la CISA demande des mécanismes de repli vers l'automatisme classique ou le mode manuel.
- Collecter les données au poste. Utiliser la vraie caméra, le vrai éclairage et les vrais capteurs, sur différents quarts, produits et saisons. Notre guide sur la vision par ordinateur pour la détection de défauts traite des images et de l'étiquetage.
- Entraîner sur des serveurs que vous maîtrisez, là où se trouvent l'historique des données et la puissance de calcul.
- Exporter, quantifier et vérifier la précision par rapport au modèle en pleine précision, comme ci-dessus.
- Mesurer les performances sur l'équipement cible dans le mode de puissance, la température et la charge logicielle qu'il aura en service.
- Faire tourner en parallèle (mode shadow). Le modèle enregistre ses verdicts pendant que la ligne fonctionne comme avant, et les ingénieurs les comparent à la réalité.
- Mettre en service sous gestion des modifications, avec le mode de repli testé et la version précédente conservée pour revenir en arrière.
- Surveiller et mettre à jour. Suivre la précision et les données d'entrée dans le temps, comme le décrit notre guide sur la surveillance de la dérive des modèles.
Comment gérer des modèles sur de nombreux équipements ?
Traitez chaque modèle comme un paquet logiciel versionné. Dans Azure IoT Edge, par exemple, les modules sont des images de conteneurs, et les équipements « peuvent continuer à fonctionner indéfiniment » hors ligne après une première synchronisation avec le service cloud. Les messages en attente d'envoi expirent après une durée de vie (TTL) de 7 200 secondes (deux heures) par défaut ; augmentez-la si les coupures peuvent durer plus longtemps (Microsoft). Les usines qui ne veulent pas dépendre du cloud peuvent faire tourner le plan de contrôle sur leurs propres serveurs : KubeEdge, projet diplômé (graduated) de la Cloud Native Computing Foundation, permet un « fonctionnement autonome de l'edge même pendant une déconnexion du cloud » (KubeEdge).
Quel que soit l'outil, quatre règles s'appliquent :
- Pousser les résultats vers l'extérieur ; ne pas ouvrir de chemins entrants. Le guide piloté par la CISA privilégie les architectures en mode push ou via un broker, qui sortent des caractéristiques ou des synthèses de l'OT sans accès entrant permanent. Publier les verdicts vers un broker, comme dans un unified namespace, suit ce principe.
- Sécuriser les équipements comme des composants OT. L'ISA/IEC 62443-4-2 fixe les exigences techniques de sécurité des composants IACS (ISA). Notre article sur la cybersécurité OT quand on ajoute de l'IA traite du reste.
- Tenir un registre de ce qui tourne où : équipement, version du modèle, données d'entraînement et date de déploiement.
- Mettre à jour et valider régulièrement. Le même guide demande aux exploitants de mettre à jour et de valider régulièrement les modèles d'IA pour leur précision et leur efficacité. Pour les sites isolés, prévoyez comment les nouvelles versions entrent ; voir le déploiement d'IA en environnement air-gapped.
Ce que nous avons constaté chez KABAS AI
DALILE fonctionne entièrement hors ligne sur les propres serveurs du client et se connecte à des systèmes comme SAP, Oracle, les LIMS, les systèmes de gestion documentaire et les bases de données SQL. C'est un système côté serveur, pas un équipement edge, et cette répartition résume le conseil pratique que nous donnons : placer les décisions rapides et ciblées sur des équipements edge près de la machine, et garder l'entraînement, la gestion du parc et les assistants à base de modèles de langage sur des serveurs que vous maîtrisez.
Les deux mondes se rejoignent par les données. Quand les équipements edge écrivent leurs résultats, comme des comptages de défauts ou des alertes d'anomalie, dans une base de données accessible à l'assistant, les ingénieurs peuvent interroger ces résultats en même temps que les manuels et les enregistrements qualité, au lieu d'utiliser un outil de plus. Les chiffres de cet article proviennent des sources publiques citées, pas de déploiements KABAS. Notre équipe systèmes d'information cartographie et intègre ces systèmes, et notre page industrie manufacturière décrit comment nous accompagnons les équipes production et qualité.
Sources
- CISA, ASD's ACSC et partenaires, Principles for the Secure Integration of Artificial Intelligence in Operational Technology, décembre 2025
- NIST SP 500-325, Fog Computing Conceptual Model, 2018
- Siemens, Artificial Intelligence for Simatic, communiqué de presse PR2018110017DFEN, novembre 2018
- Beckhoff, TwinCAT 3 Machine Learning
- NVIDIA, spécifications techniques Jetson Orin
- NVIDIA, JetPack 6.2 Brings Super Mode to NVIDIA Jetson Orin Nano and Jetson Orin NX Modules, janvier 2025
- OpenVINO toolkit, dépôt GitHub
- ONNX, Open Neural Network Exchange
- Google, LiteRT post-training quantization
- ONNX Runtime, Quantize ONNX models
- Microsoft, Operate Azure IoT Edge devices offline
- Microsoft, How Azure IoT Edge modules run logic on devices
- Site du projet KubeEdge
- ISA, ISA/IEC 62443 series of standards
Questions fréquentes
Quelle est la différence entre edge AI et IA on-premise ?
Les deux gardent les données sur votre site. L'IA on-premise tourne en général sur des serveurs en salle informatique et sert de nombreux utilisateurs ou lignes depuis un seul endroit. L'edge AI tourne sur de petits équipements près de la machine, comme un module d'automate, une caméra intelligente ou un PC industriel, pour répondre dans le temps de cycle de la machine et continuer à fonctionner si le réseau de l'usine tombe. La plupart des usines ont besoin des deux : l'edge pour les décisions locales rapides, les serveurs pour l'entraînement, la gestion du parc et les modèles de langage.
Faut-il un GPU pour faire de l'edge AI ?
Pas toujours. Des petits modèles de classification ou de détection d'anomalies peuvent tourner sur un CPU, surtout après une quantification 8 bits, et certains automates les exécutent dans le runtime de l'automate. Il existe aussi des accélérateurs comme les NPU Intel ou une unité de traitement de la vision sur un module d'automate. Les GPU embarqués comme les modules NVIDIA Jetson se justifient pour l'inspection par caméra à cadence élevée ou pour plusieurs modèles sur un même équipement.
L'edge AI fonctionne-t-elle sans connexion internet ?
Oui. L'inférence tourne sur l'équipement et n'a pas besoin d'internet. Les outils de gestion sont aussi conçus pour cela : Microsoft indique que les équipements Azure IoT Edge continuent à fonctionner indéfiniment hors ligne après une première synchronisation, et KubeEdge permet un fonctionnement autonome pendant une déconnexion du cloud. Ce que l'on perd pendant la coupure, ce sont les mises à jour à distance et la supervision centrale ; il faut donc prévoir comment les nouvelles versions de modèles arrivent sur le site.
Un modèle edge doit-il agir directement sur la machine ?
Il le peut, par exemple en déclenchant un éjecteur sur un convoyeur, mais il fait alors partie du système de contrôle-commande et doit suivre la même revue de sécurité et la même gestion des modifications que la logique d'automatisme. Le guide conjoint piloté par la CISA recommande de limiter le contrôle actif par l'IA sans opérateur dans la boucle et de prévoir des mécanismes de repli vers l'automatisme classique ou le mode manuel. N'utilisez jamais un modèle d'IA comme fonction de sécurité.
Peut-on faire tourner un modèle de langage sur un équipement edge ?
Les petits modèles, oui. NVIDIA indique environ 19 tokens par seconde pour Llama 3.1 8B sur un Jetson Orin Nano 8GB en mode Super, avec une quantification 4 bits. Cela convient à un opérateur sur un poste, pas à un assistant pour tout le site qui répond à de nombreux utilisateurs à partir de longs documents, qui relève d'un serveur.
À quelle fréquence faut-il mettre à jour les modèles edge ?
Il n'y a pas d'intervalle fixe. Mettez à jour quand la surveillance montre une baisse de précision, après un changement de produit, de caméra, d'éclairage ou de procédé, ou quand un meilleur modèle réussit vos tests. Chaque mise à jour doit passer par les essais, le fonctionnement en parallèle et la gestion des modifications, comme toute autre modification de la ligne.



