Résumé Technique : Opérations de Tiny Machine-Learning au sein des Systèmes Cyber-Physiques

Énoncé du Problème

Les opérations d'apprentissage automatique (MLOps) arrivent à maturité en tant que discipline pour les systèmes centrés sur le cloud, mais son application au TinyML — des modèles s'exécutant sur des microcontrôleurs à ressources limitées au sein de systèmes cyber-physiques (CPS) — reste mal comprise dans la pratique industrielle. Dans les environnements critiques pour la sécurité, tels que l'installation de câbles de parcs éoliens offshore, l'intégration du ML se heurte à trois barrières principales :

1. Contraintes de Ressources : Les modèles doivent tenir dans des budgets de mémoire de l'ordre du kilooctet (par exemple, 32 ko sur un ARM Cortex-M4).
2. Explicabilité et Sécurité : Les modèles "boîte noire" ne peuvent satisfaire les arguments d'assurance requis pour la validation de la sécurité ; les décisions restent souvent dépendantes d'experts humains en raison d'un manque de transparence.
3. Données et Dérive : Les données opérationnelles sont bruitées, hétérogènes et sujettes à la dérive de concept (changement des conditions physiques), rendant la minimisation classique du risque empirique peu fiable.

Actuellement, la plupart des CPS déployés reposent sur une surveillance humaine intensive et un diagnostic réactif. Les modèles prédictifs existants sont souvent indisponibles, incomplets ou imprécux, injectant une incertitude qui érode la fiabilité opérationnelle. Le défi spécifique abordé est l'ingénierie d'un pipeline TinyMLOps de bout en bout, centré sur la connaissance, qui fusionne la physique du domaine et la spéculation d'experts avec les flux de capteurs pour livrer des modèles explicables et à faible empreinte, déployables sur l'appareil.

Méthodologie

Les auteurs ont mené une étude de terrain industrielle basée sur deux campagnes de pose de câbles offshore : Kaskasi II (42 câbles inter-réseaux, sol sableux) et South Fork Wind (12 câbles, sol plus dur/variable). L'étude a utilisé une méthode d'étude de cas instrumentale, traitant le processus de tranchage comme un véhicule pour comprendre le phénomène plus large de l'intégration du TinyML explicable dans les CPS critiques pour la sécurité.

Ingénierie des Données

Le pipeline a ingéré 4,4 Go de données hétérogènes provenant de quatre sources :

• Rapports journaliers d'avancement (DPR).
• Paramètres de la trancheuse (données PLC).
• Flux de capteurs haute fréquence (1 Hz, ~650 tags).
• Données de couches de sol (contexte géotechnique).

Les principaux défis d'ingénierie abordés incluaient la dérive sémantique (normalisation des références de "profondeur" vs "élévation") et l'étiquetage temporel peu fiable. Les auteurs ont dérivé les fenêtres de tranchage actives directement à partir des données de capteurs (segments de kilométrage monotoniques) plutôt que de se fier aux registres administratifs.

Le Pipeline TinyMLOps

L'architecture proposée sépare la construction des données de l'entraînement du modèle pour faciliter une ingénierie rapide des connaissances :

1. Construction de Caractéristiques Pilotée par la Connaissance : Les spéculations d'experts sont encodées sous forme de transformations de caractéristiques décalées et configurables (par exemple, des fenêtres décalées de 3,6 minutes pour tenir compte de la distance physique entre les outils avant et le guide de câble). Les caractéristiques incluent les proportions de couches de sol, la cohérence de la charge des instruments et les changements de profondeur.
2. Modélisation Interprétable : Le système utilise une régression logistique avec une régularisation $\ell_1$ optionnelle. Ce choix garantit que le modèle reste interprétable (les coefficients servent de signaux d'audit) et qu'il respecte l'empreinte mémoire de 32 ko requise pour l'inférence sur l'appareil.
3. Stratégie d'Étiquetage : Au lieu d'une régression sur la charge brute, le système classifie les "pics de charge nuisibles". Un pic est défini comme une valeur dépassant la moyenne mobile plus un multiple calibré (2–3$\sigma$) de l'écart-type, capturant à la fois les pics transitoires et les hausses soutenues.
4. Protocole de Validation : Pour gérer la dérive de concept, l'étude utilise une validation croisée temporelle glissante. Les modèles sont entraînés sur les câbles vus jusqu'à présent et évalués sur le suivant, garantissant l'absence de fuite de données futures. Les statistiques de standardisation sont dérivées exclusivement des données passées.

Principales Contributions

1. Architecture de Pipeline : Un pipeline TinyMLOps réutilisable et configurable qui fusionne la physique du domaine, la spéculation d'expert et les flux de capteurs en modèles de moins de 32 ko déployables sur ARM Cortex-M4.
2. Méthode d'Ingénierie de la Connaissance : Une approche systématique pour encoder la spéculation d'expert sous forme de caractéristiques décalées testables. Cela transforme le savoir-faire tacite des opérateurs en preuves de modèle auditables, permettant au système de valider ou de réfuter empiriquement des hypothèses.
3. Évaluation Empirique : Une évaluation complète de 4,4 Go de données réelles démontrant la performance prédictive et l'impact opérationnel.
4. Artefacts de Reproductibilité : Publication du code open-source (Python/MicroPython) et d'un ensemble de données annotées pour soutenir l'ingénierie de la connaissance reproductible dans les CPS à ressources contraintes.

Résultats

L'étude a été évaluée sur la campagne Kaskasi II et validée hors échantillon sur la campagne South Fork.

• Performance Prédictive : Le classificateur anticipe les pics de charge nuisibles du guide de câble jusqu'à trois minutes à l'avance avec une AUC de 0,84 sous validation croisée temporelle glissante.
• Impact de l'Injection de Connaissance : Une étude d'ablation comparant le pipeline informé par la connaissance contre une base sans connaissance a montré que l'injection de connaissances préalables a divisé par deux le taux de fausses alarmes à rappel égal. Cela confirme que la méthode d'ingénierie de la connaissance, et non seulement la classe du modèle, génère les gains de performance.
• Bénéfice Opérationnel : La relecture des recommandations du modèle par rapport aux campagnes enregistrées a indiqué une réduction de 11 % du temps non productif.
• Validation des Connaissances :
  • Confirmé : L'augmentation de la Profondeur de Descente (DoL) augmente systématiquement le risque de pic. La cohérence de la charge des instruments (variance) est également corrélée aux pics.
  • Réfuté : Les changements de vitesse de la trancheuse (immédiats ou décalés) n'ont pas montré d'effet constant sur la probabilité de pic, réfutant une croyance largement répandue.
  • Généralisation : La connaissance confirmée (spécifiquement l'effet de la DoL) a été transférée avec succès à la campagne South Fork, qui présentait des conditions de sol matériellement différentes, validant l'extériorité de l'approche.

Signification et Revendications

L'article affirme démontrer qu'un TinyMLOps explicable et centré sur la connaissance peut être ingéniéré et déployé avec succès au sein de CPS critiques pour la sécurité afin de fournir un support de décision fiable.

• Changement d'Ingénierie : L'étude soutient que dans les CPS à forte intensité de connaissances, l'interface MLOps la plus précieuse est un encodage déclaratif de la connaissance du domaine (caractéristiques configurables) plutôt qu'un registre de modèles traditionnel. Cela permet aux parties prenantes non spécialisées en ML de piloter l'expérimentation et de transformer l'expertise tacite en hypothèses testables.
• Synergie des Contraintes : Les auteurs postulent que l'explicabilité et la frugalité des ressources se renforcent mutuellement. Des modèles interprétables à faible nombre de paramètres sont non seulement auditables pour la sécurité, mais aussi assez petits pour s'exécuter sur l'appareil, supprimant la latence côté bureau de la boucle de contrôle.
• Rigueur de l'Évaluation : L'article souligne que l'évaluation des données de flux de CPS doit respecter la dérive. Les divisions aléatoires conventionnelles sont insuffisantes ; la validation croisée temporelle glissante est présentée comme le protocole honnête pour ces environnements.

Les auteurs concluent que bien que les coefficients spécifiques puissent ne pas se généraliser à toutes les classes de CPS, le schéma de pipeline — intégrant un biais informé par la physique avec une ingénierie rigoureuse et sensible à la dérive — constitue une voie viable vers une adoption plus large et plus fiable du TinyMLOps dans l'Industrie 4.0. Ils reconnaissent des limites, notamment l'absence d'un essai de terrain en direct pour l'estimation du bénéfice opérationnel et la nécessité de méthodes plus formalisées d'élicitation de la spéculation pour les travaux futurs.