Optimisation du placement
d’IA distribuée sur les smart grids
Le déploiement d’applications d’IA distribuée sur des smart grids motive l’utilisation d’une infrastructure de calcul fog computing, cette dernière permettant de répondre aux exigences de réactivité et de confidentialité. Toutefois, allouer des services hétérogènes sur une infrastructure matérielle aux ressources fortement contraintes et hétérogènes soulève la problématique complexe de leur placement, une question à laquelle tente de répondre la thèse de Jérémie Rodez, membre du projet AI-NRGY.
L’objectif de cette thèse est de proposer des algorithmes de placement optimisant la qualité de service par la minimisation du makespan et la réduction de la consommation énergétique. Afin de répondre à cette problématique, un modèle mathématique des applications d’IA et de la topologie physique (mist, edge, fog, cloud) a été proposé.
Une contribution portant sur le placement statique de services d’IA distribuée a été proposée à travers de nouveaux algorithmes.
- Le premier Data-and-Learning-Grouping (DLG) place les services d’IA en tenant compte de la topologie de la plate-forme fog computing, mettant l’accent sur la réduction de la congestion réseau.
- Le second algorithme, Most-Processing-Time-First (MPTF), en revanche, se base sur une approche de regroupement géographique des services d’une même application.
Ces heuristiques ont été évaluées et comparées à un ensemble d’algorithmes de référence. Un environnement de simulation a subséquemment été enrichi, permettant d’observer des résultats de temps et d’énergie de manière reproductible. Cet environnement de simulation a permis de valider les travaux. Les résultats ont montré que DLG présente une consommation énergétique significativement inférieure à celle induite par les autres algorithmes. Par ailleurs, les résultats de makespan sont quant à eux très similaires à un placement uniquement sur le cloud qui, contrairement à DLG, se fait au détriment de la consommation d’énergie.
Une autre contribution présentant une approche dynamique de placement a été proposée. Une version dynamique de Dynamic-Data-and-Learning-Grouping (DynDLG) a ensuite été comparée à une adaptation de Heterogeneous-Earliest-Finish-Time (HEFT) pour le placement de services d’IA distribuée. Si HEFT s’est montré plus efficace qu’un ensemble d’algorithmes de référence, DynDLG a montré des résultats significativement meilleurs en termes de consommation énergétique, mais aussi en termes de makespan.
Ces travaux démontrent l’efficacité d’un placement orienté par la topologie pour l’IA distribuée, ouvrant la voie à une meilleure anticipation de la congestion réseau lors des décisions dynamiques.
Placement of Distributed Machine Learning Services for AI and Smart Grid-Enabled IoT Platforms.
Rodez, J., Stolf, P., Monteil, T. (2026). Communications in Computer and Information Science, vol 2934. Springer, Cham.
https://doi.org/10.1007/978-3-032-22190-2_8Jérémie Rodez soutiendra le 13 novembre 2026 sa thèse intitulée : « Placement de services d’intelligence artificielle distribués sur une architecture Fog Computing sous des contraintes de qualité de service », dirigée par Thierry Monteil (INSA, IRIT) et Patricia Stolf (Univ. Toulouse, IRIT).
Cette thèse entre dans le cadre du projet AI-NRGY, piloté par Thierry Monteil (INSA, IRIT), qui vise à répondre aux contraintes majeures des réseaux énergétiques de demain (fortement distribués, dynamiques, hétérogènes, critiques et parfois volatiles) en contribuant à la mise en place de solutions d’intelligence distribuée tirant parti de différentes méthodes de calcul (edge, fog et cloud computing), et en proposant une architecture logicielle ainsi que les méthodes, modèles et algorithmes nécessaires à la mise en œuvre de solutions d’intelligence distribuée susceptibles d’accélérer la digitalisation des réseaux d’énergie.
Plus d'actualités Publication
