Inférence de machine learning sur site au cœur du pipeline du mur d'images : détection d'anomalies, mise en avant automatique de source, comptage de visages / plaques — sans envoyer les flux vers le cloud.
Ce que c'est
L'Edge AI désigne ici l'exécution de modèles de ML directement sur le contrôleur du mur d'images, sur les flux de source en direct, sans faire transiter les pixels par un service cloud. La plateforme consomme des modèles agnostiques au framework (typiquement ONNX) et expose les résultats d'inférence au moteur de disposition, afin que le mur puisse réagir aux événements en temps réel.
Ce que vous exécutez réellement
- YOLO v8 / v9 via ONNX pour la détection d'objets, de personnes et de véhicules — bien pris en charge sur les GPU NVIDIA et Intel grand public via OpenVINO ou TensorRT.
- Modèles de type détection d'anomalies — comparent le flux actuel à une référence historique et font remonter une tuile lorsque l'écart franchit un seuil. Peu coûteux, étonnamment efficaces pour les salles de supervision sans surveillance.
- Mise en avant de source — la fonction la plus visible pour l'opérateur : quand une détection se déclenche, la tuile concernée grandit, se déplace au centre du mur et y reste jusqu'à acquittement.
Pourquoi le sur-site est important
Pour les NOC / SOC, les centres de situation et toute installation réglementée, envoyer des flux vidéo en direct vers un point d'inférence cloud est rédhibitoire : latence, bande passante, souveraineté et (dans l'UE et en Russie) contraintes légales poussent toutes le modèle vers l'edge. Les évolutions produit 2025-2026 d'Userful (Infinity EdgeAI avec Microsoft et NVIDIA) et de Visiology (Cortex, RU) confirment cette orientation de la catégorie.
Ce que ça coûte
Des stations de travail mono-GPU (classe NVIDIA RTX A4000 / A5000) absorbent une détection de type YOLO sur 8 à 12 flux 1080p simultanés sans étouffer le compositeur. Au-delà de ~20 flux, la charge d'IA commence à concurrencer la charge de rendu, et la bonne architecture est un nœud d'inférence séparé à côté du contrôleur du mur.
Pièges courants
- Traiter l'IA comme un simple interrupteur de fonction. Un modèle qui pilote la disposition doit être réglé par site et audité — les faux positifs propulsent du bruit au centre de l'attention de l'opérateur et minent la confiance dans le mur.
- Confondre l'inférence (le modèle qui tourne sur des images en direct) avec l'entraînement (qui se déroule ailleurs sur un jeu de données soigné). Les murs en production ne font que de l'inférence.