WorksheetsIA-IoT-Partie2
Total questions: 15
Worksheet time: 11mins
Dans le contexte de l’Internet des Objets (IoT), pourquoi utilise-t-on souvent des bases de données locales légères comme SQLite ou TinyDB ?
Parce qu’elles consomment beaucoup de mémoire et nécessitent un serveur dédié.
Parce qu’elles permettent un traitement local rapide.
Pour assurer un stockage temporaire quand la connectivité est intermittente.
Pour remplacer complètement les bases de données Cloud.
Parce qu’elles sont adaptées aux ressources limitées des objets connectés.
Pourquoi le stockage Cloud est-il souvent utilisé en IA et en IoT ?
Parce qu’il permet de stocker de grandes quantités de données pour l’entraînement.
Parce qu’il remplace complètement les bases locales des objets connectés.
Parce qu’il est utile pour l’archivage et les traitements globaux en IoT.
Parce qu’il est indispensable pour la prise de décision immédiate dans les objets connectés.
Parce qu’il peut être combiné à l’Edge pour un traitement hybride.
Pourquoi les bases temporelles sont-elles particulièrement importantes en IoT ?
Parce que les données sont textuelles
Parce qu’elles stockent uniquement des images
Parce que les données des capteurs sont par nature temporelles
Parce qu’elles remplacent les bases relationnelles
Quel(s) élément(s) caractérise(nt) le TinyML par rapport au Machine Learning classique ?
L’exécution de modèles sur des microcontrôleurs avec moins de 1 Mo de mémoire
L’utilisation de modèles optimisés comme MobileNet ou TinyCNN
Le besoin constant d’une connexion Internet pour l’inférence
L’application de techniques comme la quantization et le pruning pour alléger les modèles
L’utilisation obligatoire de GPU puissants pour le calcul
Quelles affirmations décrivent correctement les points communs entre TinyML et le Machine Learning classique ?
TinyML ne fait appel à aucun algorithme d’apprentissage, contrairement au ML classique.
Les deux peuvent utiliser des réseaux de neurones ou des modèles statistiques.
Les deux visent à permettre une prise de décision automatisée à partir d’observations
Les deux nécessitent une phase de collecte et de prétraitement des données
Les deux reposent sur des modèles entraînés à partir de données.
Quelles sont les principales différences entre TinyML et le Machine Learning classique ?
Le Machine Learning classique ne peut pas traiter de grands volumes de données.
TinyML est conçu pour fonctionner sur des appareils à ressources limitées (microcontrôleurs, capteurs)
Contrairement au ML classqiue, TinyML nécessite une connexion Internet permanente pour fonctionner.
la précision des modèles issus du TinyML sont généralement moins précis que ceux du ML classique
Les modèles TinyML sont souvent plus petits et optimisés en consommation d’énergie
À propos de la quantization dans les modèles de Machine Learning, quelles affirmations sont correctes ?
Elle ne peut s’appliquer qu’aux réseaux de neurones convolutifs.
Elle augmente systématiquement la précision du modèle
Elle consiste à réduire la précision des poids d’un modèle
Elle permet de diminuer la taille du modèle et d’accélérer les calculs.
Elle provoque une légère perte de performance.
Quelles affirmations décrivent correctement le principe du pruning ?
Il consiste à supprimer les connexions ou neurones jugés peu utiles.
Il vise à réduire la complexité du modèle et sa consommation de ressources
Il remplace la quantization dans les modèles TinyML.
Il augmente toujours la taille du modèle pour de meilleures performances.
Il peut s’effectuer après ou pendant l’entraînement.
Quelles affirmations sont vraies concernant la knowledge distillation ?
C’est une technique où un petit modèle apprend à imiter un grand modèle.
Elle est utilisée pour réduire les besoins en calcul dans les environnements embarqués.
Elle nécessite que les deux modèles soient identiques en taille et en architecture.
Elle permet de transférer les connaissances d’un modèle complexe vers un modèle léger.
Le grand modèle est souvent appelé teacher et le petit student.
Quelles affirmations sont correctes à propos de la compilation optimisée pour microcontrôleurs ?
Elle empêche toute optimisation logicielle ultérieure.
Elle nécessite des ressources matérielles importantes pour fonctionner.
Elle adapte le modèle aux contraintes matérielles de l’appareil cible
Elle utilise souvent des bibliothèques comme TensorFlow Lite for Microcontrollers (TFLM) ou CMSIS-NN
Elle permet d’améliorer la vitesse d’exécution et de réduire la consommation mémoire
Quel est l’objectif de la fusion d’opérations dans l’optimisation des modèles ?
Combiner plusieurs opérations successives en une seule pour accélérer le calcul.
Réduire la latence d’inférence sur les dispositifs embarqués.
Ajouter des couches pour améliorer la précision.
Augmenter le nombre d’opérations dans le graphe pour plus de stabilité.
Diminuer le coût énergétique du traitement.
Quelles affirmations décrivent correctement la factorisation appliquée aux réseaux de neurones ?
Elle consiste à décomposer des matrices ou des filtres en éléments plus petits.
Elle augmente systématiquement la précision du modèle.
Elle est utilisée pour simplifier les graphes de calcul et réduire la latence.
Elle empêche toute optimisation complémentaire du modèle.
Elle permet de réduire le nombre d’opérations nécessaires au calcul.
Quelles affirmations sont correctes concernant les premières étapes du déploiement d’un modèle ML sur ESP32 ?
Il faut installer les outils nécessaires comme Python, TensorFlow, ESP-IDF et la toolchain ESP32.
Le modèle est créé et entraîné directement sur le microcontrôleur ESP32.
On peut optimiser le modèle avec TensorFlow avant de le convertir pour le microcontrôleur.
La conversion en .tflite ou en code C se fait après l’optimisation.
Les bibliothèques matérielles comme ESP-DSP sont inutiles pour le modèle optimisé.
Quelles affirmations sont correctes concernant la compilation et le déploiement du modèle sur ESP32 ?
On peut inclure des bibliothèques matérielles comme ESP-DSP pour accélérer les calculs.
Compiler avec des options comme -Os et -flto permet d’optimiser la taille et les performances.
Flasher le modèle sur l’ESP32 se fait avant toute optimisation ou conversion.
Tester et ajuster le modèle sur le microcontrôleur est une étape essentielle pour valider son fonctionnement
Une fois compilé et flashé, aucun ajustement n’est possible
Pourquoi est-il crucial de choisir le bon type de base de données pour les applications IoT ?
Pour garantir la compatibilité avec les appareils
Pour optimiser les performances de traitement
Pour réduire les coûts d'exploitation
Pour assurer la conformité réglementaire
