Transformer les data sheets de puces en flux de travail structurés par l’IA

L’intégration du matériel et des logiciels reste l’un des plus grands défis du développement embarqué, qu’il s’agisse de naviguer dans des fiches techniques complexes ou d’adapter les conceptions en fonction des contraintes changeantes de la chaîne d’approvisionnement. La startup londonienne Embedd cofondée par l’entrepreneur en hardware Michael Lazarenko, basée à Londres, s’attaque à ce problème grâce à une plateforme pilotée par l’intelligence artificielle qui convertit la documentation des puces en modèles structurés et lisibles par la machine. Le résultat : des outils indépendants des fournisseurs qui permettent aux ingénieurs de configurer les composants, de générer un code déterministe et de l’intégrer de manière transparente dans les flux de travail existants. eeNews Europe/ECInews s’entretient avec Michael Lazarenko au sujet des origines d’Embedd, de sa mission consistant à appliquer l’IA à l’intégration matériel-logiciel et des opportunités qu’elle ouvre dans des secteurs allant des applications grand public à l’automobile et à l’aérospatiale.

Michael Lazarenko, PDG et cofondateur d’Embedd

eeNews Europe/ECInews: Qu’est-ce qui vous a incité à cofonder Embedd? Quel problème étiez-vous le plus déterminé à résoudre dans l’industrie des systèmes embarqués ?

Nous avons créé Embedd après une décennie passée à relever nous-mêmes les défis de l’intégration matérielle et logicielle. Avant Embedd, nous avons créé une entreprise de détection sans fil et nous avons fait passer plusieurs produits de l’idée à la fabrication en série. Nous avons vu de nos propres yeux à quel point il est difficile d’intégrer des puces, de rester innovant et d’ajouter de nouvelles capacités – et à quel point vous pouvez être impuissant lorsque des problèmes de chaîne d’approvisionnement surviennent, vous obligeant à retravailler tout un projet de micrologiciel juste pour obtenir un soutien. La guerre en Ukraine a emporté notre site de production, ce qui a été la goutte d’eau qui a fait déborder le vase. Nous avons décidé de renverser la table et de construire pour les constructeurs – en changeant la façon dont le matériel et le logiciel s’associent.

La solution agnostique d’Embedd pour la configuration des MCU et la génération de l’arborescence accélère l’installation avec un large support MCU ou des téléchargements DTS personnalisés.

eeNews Europe/ECInews: Votre mission est de rendre les fiches techniques des puces lisibles par machine grâce à l’IA. En quoi cela modifie-t-il le flux de travail quotidien des ingénieurs en électronique embarquée ?

Notre thèse est que l’intégration matériel-logiciel est principalement un défi de données, et non un défi de développement logiciel. Nous utilisons l’IA pour récupérer et structurer les données, puis nous donnons aux ingénieurs des moyens pratiques d’y accéder et de les contrôler par le biais d’une interface utilisateur simple. Chaque point de données est relié à la fiche technique, de sorte que les ingénieurs disposent toujours d’un contexte complet. Il est important de noter qu’ils gardent le contrôle : ils configurent les données et génèrent un code déterministe, propre et documenté. Les ingénieurs peuvent ainsi se concentrer sur les défis applicatifs de plus haut niveau, tandis que nous rendons les abstractions matérielles agiles et flexibles. Et comme notre outil est agnostique, vous pouvez configurer des MCU de différents fabricants dans le confort d’une plateforme unique, ce qui n’a jamais été possible auparavant.

Le configurateur MCU d’Embedd transforme les spécifications brutes en une interface intuitive pour configurer les composants, générer des pilotes et réduire les erreurs de configuration.

eeNews Europe/ECInews: Où voyez-vous les plus grandes opportunités pour l’IA dans le développement embarqué aujourd’hui – et quels sont les défis qui restent à relever ?

Cela dépend de la couche logicielle et de l’industrie. Au niveau inférieur, notre thèse de base est que l’IA doit être utilisée pour résoudre les problèmes liés aux données, et non pour générer directement du code. Au niveau de l’application, l’IA peut potentiellement accélérer un grand nombre de tâches de développement banales. Mais le contexte industriel est important : dans les domaines de la sécurité fonctionnelle, le code d’application généré par l’IA n’est encore utile que dans de rares cas. Pour d’autres applications, il a le potentiel de devenir un accélérateur.

Le moteur de génération déterministe d’Embedd fournit un code et une documentation prêts pour la production, avec une sécurité fonctionnelle et une fiabilité de niveau entreprise.

eeNews Europe/ECInews: Quels sont les secteurs qui bénéficieront le plus de l’approche d’Embedd, et pourquoi ?

Les secteurs les plus contraignants sont ceux qui ont le plus à gagner. Une petite entreprise de produits grand public a la possibilité de choisir des pièces et des architectures sans trop se préoccuper de la conformité. En revanche, dans les secteurs de l’automobile, de la défense, de la médecine ou de l’aérospatiale, les architectures et les choix de pièces sont souvent fixes, l’assistance existante est limitée, les contraintes de conformité sont plus lourdes et les cycles sont plus longs. Cela dit, nous constatons une demande dans tous les domaines, du grand public à l’automobile en passant par la défense.

eeNews Europe/ECInews: Quels commentaires avez-vous reçus de la part des premiers utilisateurs ou partenaires, et comment cela a-t-il influencé votre feuille de route ?

Au début, nous nous sommes concentrés sur la prise en charge des périphériques. Mais le retour d’information le plus important que nous ayons reçu concernait les MCU – les mêmes défis, mais à un niveau de complexité beaucoup plus élevé. Les utilisateurs nous ont également poussés à aller au-delà du « bare-metal » pour prendre en charge Zephyr, Linux et AUTOSAR.

eeNews Europe/ECInews: Votre système analyse les fiches techniques, les errata et les fichiers SVD en modèles de données structurés. Quelles approches utilisez-vous pour gérer les incohérences, les ambiguïtés ou les détails manquants dans la documentation des fournisseurs ?

Pour chaque classe de composants, nous construisons une représentation intermédiaire interne – elle définit les points de données nécessaires et y associe les fonctions spécifiques à la classe. Cela nous donne une vision claire de l’exhaustivité de la documentation. Nous procédons ensuite à des vérifications automatisées et, dans les situations les plus ambiguës, à des vérifications humaines dans la boucle. Dans la mesure du possible, nous donnons la priorité aux données extraites de manière déterministe et validées par l’utilisateur, afin que les modèles restent robustes et fiables.