Embarqué
Machine Learning
Modèles d'anti-spoofing vocal entraînés, quantifiés en INT8 et déployés sur des processeurs neuronaux à très faible consommation. Inférence audio au microphone, jamais dans le cloud.
Pipeline d'entraînement
Pipeline d'entraînement fondée sur PyTorch sur ASVspoof 2019 Logical Access. Exécutions reproductibles avec hyperparamètres figés, versionnage des jeux de données et contrôle des graines.
- PyTorch + ASVspoof 2019 LA
- Entraînement reproductible sous contrôle des graines
- Métrique EER suivie au fil des époques
Quantification pour très faible consommation
Quantification post-entraînement en INT8 avec jeu de calibration représentatif. Taille du modèle et latence d’inférence toutes deux réduites de façon substantielle, la perte de précision due à la quantification étant maintenue au minimum grâce à la calibration.
- PTQ avec jeu de calibration représentatif
- Perte de précision due à la quantification maintenue au minimum
- Empreinte mémoire adaptée aux NPU embarqués
Déploiement sur NPU
Export ONNX → intermédiaire TFLite → conversion au format du vendor NPU. Validé sur NPU embarqué de fournisseur UE et d'autres accélérateurs basse consommation. Latence d'inférence <30 ms par frame audio.
- ONNX comme format d'échange
- TFLite comme format intermédiaire
- Intégration des runtimes NPU spécifiques au fournisseur