L’intelligence artificielle embarquée vise à intégrer des modèles d’IA directement dans des systèmes aux ressources limitées, comme des objets connectés ou des microcontrôleurs. L’un des principaux défis consiste à trouver un compromis entre la précision des modèles et les contraintes liées au système embarqué, notamment en termes de coût, de consommation énergétique et de capacité mémoire. 

Pour que l’IA soit opérationnelle dans ce contexte, il est essentiel de connaître les différentes catégories d’algorithmes et de savoir les adapter. On retrouve ainsi des modèles de machine learning classiques, des réseaux de neurones convolutifs utilisés pour la vision par ordinateur, ou encore des réseaux récurrents adaptés aux données séquentielles comme l’audio.

L’efficacité de l’IA embarquée repose aussi sur le choix de l’architecture matérielle. Les microcontrôleurs  conviennent aux tâches simples avec une faible consommation, tandis que les microprocesseurs  permettent des traitements plus complexes. Les FPGA offrent de hautes performances avec une grande flexibilité, les NPU sont conçus spécialement pour accélérer les calculs d’IA, et les architectures RISC-V, ouvertes et modulaires, représentent une alternative prometteuse pour optimiser les traitements en embarqué.