Malgré la reconnaissance de la qualité des données médicales collectées par les objets connectés, l’Association for Computing Machinery (ACM) identifie plusieurs raisons du désintérêt des patients pour ces technologies pourtant prometteuses : préoccupations relatives à la sécurité et à la confidentialité des données, complexité des innovations technologiques et coûts élevés.
De fait, les contraintes techniques de ces appareils connectés, telles que des capacités de calcul et de mémoire limitées, une bande passante restreinte et une faible autonomie de batterie, compromettent à la fois leur performance et la sécurité des données. En outre, des techniques de sécurisation avancées telles que le chiffrement, la blockchain et la biométrie rendent la protection des données encore plus complexe, en particulier sur des serveurs centralisés.
Néanmoins, les avancées en technologie, sciences cognitives et intelligence artificielle offrent de nouvelles perspectives. Pour les patients préoccupés par l’éthique dans le domaine de la santé connectée, il est crucial que les appareils respectent des normes strictes de légalité, confidentialité et sécurité des données.
C’est dans ce cadre que les dispositifs edge basée sur un traitement local des données apportent plusieurs perspectives.
Un traitement des données local avec les dispositifs edge
L’approche privilégiée consiste à traiter les données de santé localement, via une IA opérant sur le même appareil. Cela permet de réduire la transmission externe des données, se limitant à l’échange d’informations nécessaires pour l’apprentissage fédéré, utilisées par les chercheurs et professionnels de santé. L’apprentissage fédéré, en conservant les données sur leur site d’origine, renforce la confidentialité et la sécurité, partageant uniquement les mises à jour de modèles pour améliorer l’ensemble du système.
Les dispositifs edge, tels que les pompes à insuline équipées de capteurs de glycémie en continu (CGM), les vêtements connectés, les agents virtuels opérant localement et les stimulateurs cardiaques, sont des exemples concrets de cette technologie. On peut également s’attendre à l’émergence d’innovations similaires dans un avenir proche.
De la sorte, ces méthodes pourraient renforcer l’éthique dans le traitement des données de santé tout en tirant parti des avancées technologiques.
De plus, à l’heure actuelle, le concept de mémoire unifiée, issu des domaines théoriques de l’informatique et des sciences cognitives, a le potentiel de permettre à des activités d’intelligence artificielle de s’exécuter localement sur un même appareil. Cette approche est déjà mise en œuvre dans des dispositifs comme les pompes à insuline fonctionnant en mode automatique grâce à l’IA, une technologie en place depuis 2018. Il serait envisageable d’étendre cette utilisation à d’autres appareils équipés de mémoire et de processeurs dédiés à l’IA.
Quelques défis à prendre en compte
En somme, bien que des systèmes d’IA avancés avec mémoire unifiée puissent théoriquement fonctionner localement sans aide externe, plusieurs défis se présentent :
- Ressources informatiques : La fusion du traitement des données, du stockage et de la communication au sein d’un système unique exige beaucoup de ressources, ce qui est difficile à réaliser sur un seul appareil.
- Complexité technique : Faire fonctionner une IA localement avec une mémoire unifiée nécessite des composants matériels et logiciels spécifiques et interconnectés, représentant un défi d’ingénierie majeur.
- Différence entre IA locale et basée sur le cloud : Contrairement aux IA basées sur le cloud qui utilisent des serveurs distants, les IA locales traitent les données directement sur l’appareil. Un modèle avec mémoire unifiée doit concilier ces deux méthodes tout en surmontant des défis spécifiques.
- Limitations des IA locales : Comparées aux solutions cloud, les applications d’IA locales ont des limites en termes de puissance, de calcul, de stockage et de bande passante, ce qui peut affecter leurs performances.
- Intégration dans l’infrastructure : Pour que l’IA avec mémoire unifiée soit efficace, elle doit s’intégrer dans l’infrastructure existante, y compris les aspects de sécurité et d’expérience utilisateur.
Bien que prometteuse en théorie, l’application pratique de la technologie edge pour les objets connectés en santé rencontre ainsi de nombreux obstacles. Toutefois, les progrès en informatique périphérique, en apprentissage profond distribué et en IA sur appareil pourraient mener à des solutions IA autonomes et efficaces, adaptées à un environnement local.
Pour conclure, cette dynamique nous ramène à l’époque où les ordinateurs centralisés étaient en opposition avec les micro-ordinateurs. Les utilisateurs de micro-ordinateurs favorisaient une puissance de calcul local plus diversifiée, sans se focaliser sur des problématiques excessivement complexes. Il est probable que ces deux philosophies technologiques coexistent à l’avenir, répondant chacune à des exigences particulières.
