Formation TinyML : Introduction au Machine Learning Embarqué

Qu’est-ce que le TinyML ?

Le Tiny Machine Learning (TinyML) est une discipline à la croisée de l’intelligence artificielle et de l’embarqué. Il permet de déployer des modèles d’apprentissage automatique directement sur des dispositifs à ressources limitées, comme des microcontrôleurs ou des capteurs IoT. Grâce aux avancées matérielles et logicielles, le TinyML ouvre la voie à des applications intelligentes locales, sans dépendance au cloud.

Pourquoi suivre une formation TinyML ?

Dans un monde où les objets connectés se multiplient, le besoin d’intelligence embarquée est croissant. Suivre une formation TinyML permet de comprendre comment concevoir, optimiser et implémenter des modèles d’IA capables de fonctionner sur des plateformes très contraintes. Les compétences acquises sont précieuses pour les ingénieurs, data scientists et développeurs cherchant à allier IA, IoT et efficacité énergétique.

Objectif opérationnel :

Savoir développer et déployer un modèle de Machine Learning optimisé pour des environnements embarqués à ressources limitées.

Objectif pédagogiques :

À l'issue de cette formation TinyML, vous aurez acquis les connaissances nécessaires pour :

• Comprendre les concepts fondamentaux du TinyML et ses cas d’usage
• Identifier les contraintes matérielles et logicielles des systèmes embarqués
• Maîtriser le flux complet de conception d’un modèle TinyML (entraînement, optimisation, déploiement)
• Utiliser TensorFlow Lite et d’autres frameworks dédiés
• Déployer un modèle sur un microcontrôleur (Arduino, ESP32…)
• Évaluer la performance et la consommation énergétique des modèles TinyML

Public :

Ce cours s’adresse aux ingénieurs, développeurs embarqués, data scientists et chercheurs souhaitant intégrer l’intelligence artificielle dans des dispositifs à faible consommation.

Prérequis :

Avoir des bases en Python et en Machine Learning (TensorFlow ou équivalent) ainsi qu’une compréhension des architectures de microcontrôleurs. Ces connaissances permettront de tirer pleinement parti des aspects techniques du TinyML.

Introduction au TinyML

Environnement et outils du TinyML

Conception d’un modèle TinyML

Déploiement et optimisation sur microcontrôleur

Cas d’usage et applications avancées

Les participants réalisent des exercices concrets à chaque module, représentant environ 50 % du temps total. Les TPs incluent la création, l’optimisation et le déploiement de modèles sur du matériel réel (Arduino Nano 33 BLE Sense, ESP32…).