Stratégies d'ordonnancement temps réel pour l'IA embarquée sur des plateformes Edge à récupération d'énergie

Le déploiement de l'intelligence artificielle (IA) sur des dispositifs Edge monoprocesseurs aux ressources contraintes nécessite le respect des échéances d'exécution strictes malgré une capacité de calcul limitée et une disponibilité énergétique fluctuante. Les technologies de collecte d'énergie (energy harvesting) permettent le fonctionnement perpétuel des systèmes autonomes mais elles introduisent des profils de puissance imprévisibles et des comportements non deterministes en cas de surcharge ou de pénurie d'énergie. Les charges de travail de l'IA embarquée moderne offrent de nouvelles flexibilités — telles que les architectures à sorties précoces (early-exit), d'élagage dynamique (dynamic pruning) et de calcul imprécis — qui n'ont pas encore été intégrées de manière systématique dans la théorie de l'ordonnancement temps réel économe en énergie. En résumé, cette thèse de doctorat étudie la synergie entre les modèles d'ordonnancement temps réel et l'inférence d'IA adaptative sur des plateformes monoprocesseurs. École doctorale : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication Direction : Maryline CHETTO Financement : Rémunération non dédiée à la préparation du doctorat