Définition & Concepts

Edge Computing (Calcul en périphérie)

Version Décideur

L'essentiel

Edge computing = faire tourner les calculs là où ils naissent (à l'usine, dans la voiture, dans la caméra) plutôt que de tout envoyer dans le cloud. C'est crucial quand : (1) tu as besoin de latence très faible (computer vision sécurité, voiture autonome), (2) tu ne peux pas envoyer les données dans le cloud (souveraineté, RGPD), (3) ton réseau internet est instable. Stack courante : Jetson Nvidia, Raspberry Pi 5, industrial PC.

Version Expert

Détails Techniques

Paradigme architectural distribuant le traitement des données au plus près de leur source (capteurs IoT, terminaux, caméras industrielles) plutôt que vers un cloud centralisé. Avantages : latence ultra-faible (<10 ms), bande passante réduite, résilience pannes réseau, conformité RGPD (données sensibles non transférées), opérations offline-first. Stack typique 2026 : Jetson Nvidia (IA edge), Raspberry Pi 5, Coral Edge TPU, Intel NUC, industrial PC ruggedized. Coexiste avec cloud (architecture cloud-edge hybride) via MQTT, gRPC, WebRTC.

#Définition Edge Computing (Calcul en périphérie)

Paradigme architectural distribuant le traitement des données au plus près de leur source (capteurs IoT, terminaux, caméras industrielles) plutôt que vers un cloud centralisé. Avantages : latence ultra-faible (<10 ms), bande passante réduite, résilience pannes réseau, conformité RGPD (données sensibles non transférées), opérations offline-first. Pour approfondir, consultez la page service Agents IA Nehos (computer vision edge, assistants vocaux souverains).

Traduit en termes opérationnels, Stack typique 2026 : Jetson Nvidia (IA edge), Raspberry Pi 5, Coral Edge TPU, Intel NUC, industrial PC ruggedized. Coexiste avec cloud (architecture cloud-edge hybride) via MQTT, gRPC, WebRTC.

On voit trop de projets échouer par méconnaissance de Edge Computing (Calcul en périphérie). La théorie compte — mais la mise en pratique encore plus.

#Edge Computing (Calcul en périphérie) expliqué simplement

Situation classique dans les projets que Nehos accompagne. C'est exactement ce type de situation que Nehos rencontre chaque semaine chez ses clients.

#Cas d'usage concrets

Industrie manufacturière — computer vision qualité ligne production temps réel — Détection défauts visuels sur pièces usinées via caméras industrielles 4K et modèle YOLO embarqué sur Jetson Nvidia Orin AGX. Latence d'inférence sous 50 ms par pièce, décision binaire OK/KO transmise à l'automate via OPC-UA pour rejet en ligne. Aucun flux vidéo brut envoyé au cloud, seules les images des pièces NOK remontent pour ré-entraînement périodique. Retrouvez le détail dans cas ETI manufacturing — edge computing IIoT et maintenance prédictive.

Site SEVESO chimie — détection EPI offline-first — Caméras de zone ATEX couplées à un industrial PC ruggedized Advantech avec modèle de computer vision détectant le port effectif des EPI (casque, lunettes, gants, masque). Fonctionnement totalement offline-first : si le lien WAN tombe, la détection continue, les alertes sont stockées localement et synchronisées dès reconnexion. Conformité réglementation SEVESO + non-transfert d'images de salariés hors UE.

ETI services — assistant vocal souverain Mistral 7B local sur Mac M3 — Déploiement d'un voice assistant interne pour 80 collaborateurs, basé sur Mistral 7B Instruct quantifié 4-bit tournant en local sur des Mac mini M3 (poste cuisine, accueil, ateliers). Reconnaissance vocale Whisper.cpp embarquée, synthèse vocale Piper. Aucun token envoyé chez un LLM hébergé hors UE, souveraineté totale, latence perçue inférieure à 1,5 s par requête.

#Edge Computing (Calcul en périphérie) chez Nehos Groupe

Nehos Groupe applique ce concept au quotidien. Sur les 3 derniers projets impliquant Edge Computing (Calcul en périphérie), on a documenté les résultats avec des KPIs précis. Notre service Agents IA Nehos (computer vision edge, assistants vocaux souverains) couvre ce périmètre de A à Z.

La méthode Nehos est documentée sur méthode Legacy Strangler IA-assisted (intégration edge progressive sur SI legacy). Chaque mission démarre par un cadrage structuré : objectifs chiffrés, périmètre technique, jalons à 30/60/90 jours. On livre, on mesure, on itère. Pas de slides sans livrable. Voir aussi : service Applications IA (architecture cloud-edge hybride sur mesure).

#Termes associés

Pour aller plus loin, explorez les termes connexes.

Chaque terme est défini dans notre glossaire avec la même approche : définition technique, vulgarisation, cas concrets et méthode Nehos.

Applications Concrètes

Contexte : Industrie manufacturière — computer vision qualité ligne production temps réel

"Détection défauts visuels sur pièces usinées via caméras industrielles 4K et modèle YOLO embarqué sur Jetson Nvidia Orin AGX. Latence d'inférence sous 50 ms par pièce, décision binaire OK/KO transmise à l'automate via OPC-UA pour rejet en ligne. Aucun flux vidéo brut envoyé au cloud, seules les images des pièces NOK remontent pour ré-entraînement périodique."

Contexte : Site SEVESO chimie — détection EPI offline-first

"Caméras de zone ATEX couplées à un industrial PC ruggedized Advantech avec modèle de computer vision détectant le port effectif des EPI (casque, lunettes, gants, masque). Fonctionnement totalement offline-first : si le lien WAN tombe, la détection continue, les alertes sont stockées localement et synchronisées dès reconnexion. Conformité réglementation SEVESO + non-transfert d'images de salariés hors UE."

Contexte : ETI services — assistant vocal souverain Mistral 7B local sur Mac M3

"Déploiement d'un voice assistant interne pour 80 collaborateurs, basé sur Mistral 7B Instruct quantifié 4-bit tournant en local sur des Mac mini M3 (poste cuisine, accueil, ateliers). Reconnaissance vocale Whisper.cpp embarquée, synthèse vocale Piper. Aucun token envoyé chez un LLM hébergé hors UE, souveraineté totale, latence perçue inférieure à 1,5 s par requête."

Questions & Réponses

Questions fréquentes sur l'Edge Computing

Tout les sépare au-delà du fait qu'il s'agit de deux modèles de calcul. Le cloud centralise dans des datacenters distants (AWS, GCP, Azure, OVH), mutualise massivement, scale à la demande et facture à la consommation, mais paie une latence aller-retour rarement inférieure à 30 ms en Europe et dépend du lien internet. L'edge décentralise le calcul sur des machines physiques posées sur site (gateway industriel, Jetson, Mac mini, industrial PC), assure une latence inférieure à 10 ms, fonctionne en offline-first et garde les données sensibles localement. Le cloud excelle pour le stockage long terme, l'entraînement ML lourd, l'analytique multi-sites et les dashboards exécutifs. L'edge excelle pour les boucles de contrôle temps réel, la computer vision, la conformité RGPD stricte et les sites à connectivité instable. La quasi-totalité des projets sérieux en 2026 combinent les deux dans une architecture cloud-edge hybride — opposer les deux n'a plus aucun sens.

L'arbitrage économique se calcule sur 24 à 36 mois et il bascule très vite en faveur de l'edge dès qu'il y a un usage continu. Un Jetson Orin Nano (8 Go) se trouve autour de 500 euros, un Orin NX 16 Go autour de 900 euros, un Orin AGX 64 Go autour de 2 200 euros. Côté cloud, une instance GPU type AWS g5.xlarge (A10G) coûte environ 1,2 dollar par heure soit ≈ 870 dollars par mois en 24/7, et une A100 dépasse les 3 dollars par heure. Pour une charge stable et continue type computer vision sur ligne de production, le Jetson Orin AGX est amorti en 3 à 4 mois face à une instance A100 cloud. Le cloud reste meilleur sur les charges sporadiques, les pics ponctuels et l'entraînement de gros modèles. À cela s'ajoute le bénéfice qualitatif edge : pas de transfert de données vidéo, pas de dépendance hyperscaler hors UE, et pas de surprise de facture en cas de pic d'usage.

Le RGPD impose une logique de minimisation et de localisation des données personnelles. L'edge sert cette logique au niveau architectural, pas seulement contractuel. Concrètement, les données sensibles (visages détectés par caméra, voix enregistrée, biométrie, données de santé, traces salariés) sont traitées sur le matériel local et seules les sorties dépersonnalisées remontent — un compteur 'EPI conformes : 142, EPI non conformes : 3' au lieu des images brutes du personnel. Cela permet d'argumenter une analyse d'impact (AIPD) solide auprès de la CNIL, d'éviter le transfert hors UE (Schrems II et CLOUD Act américain), de réduire la surface d'attaque (rien qui voyage = rien qui peut être intercepté), et de répondre simplement aux droits d'accès et d'effacement RGPD puisque les données restent sous contrôle direct. L'edge ne dispense pas du RGPD, mais il transforme une obligation juridique difficile en design technique évident.

Oui, c'est même l'un des cas d'usage les plus solides de l'edge IA en 2026, et la configuration est devenue accessible. Mistral 7B Instruct quantifié en 4-bit (≈ 4 Go) tourne confortablement sur un Mac mini M3 16 Go ou un MacBook Pro M3 Pro/Max via llama.cpp, Ollama ou LM Studio, avec une vitesse de génération typique de 20 à 35 tokens par seconde. Pour les besoins d'entreprise, un Mac Studio M3 Ultra 128 Go encaisse Mistral 8x7B Mixtral, Llama 3 70B quantifié et même certains Qwen 2.5 32B avec un confort de production sérieux. La stack souveraine type 2026 chez une ETI française : Mistral 7B/Mixtral 8x7B local sur Mac Studio + RAG sur PostgreSQL pgvector + frontend Next.js. Zéro token envoyé chez un fournisseur LLM hyperscaler, zéro fuite de prompt, conformité AI Act native, et un coût d'usage en marche stationnaire qui s'écrase totalement face à GPT-4 ou Claude Sonnet en API.

Le découpage qui fonctionne sur le terrain repose sur quatre étages bien séparés. Premier étage, edge temps réel : Jetson Nvidia ou industrial PC sur ligne de production, traitement inférence ML temps réel, boucle de contrôle sous 50 ms, fonctionnement offline-first 72 heures minimum. Deuxième étage, edge gateway agrégation : industrial PC Moxa ou Advantech, agrégation MQTT, base séries temporelles locale (InfluxDB ou TimescaleDB), buffer en cas de coupure WAN, pré-traitement avant remontée. Troisième étage, cloud souverain régional : OVH SecNumCloud ou Scaleway en France, stockage long terme, dashboards multi-sites, entraînement périodique des modèles ML edge, analytics cross-sites. Quatrième étage, applications métier : Next.js, ERP, MES, GED, accès par les utilisateurs business via SSO Keycloak. Le découpage par étage suit quatre critères de décision : latence cible (sous 100 ms = edge obligatoire), volume brut généré (vidéo 4K continue = pré-traitement edge indispensable), sensibilité RGPD (santé, biométrie, salariés = pas hors UE), et tolérance à la panne réseau (site isolé = autonomie edge longue durée).

Exploration associée

service Agents IA Nehos (computer vision edge, assistants vocaux souverains)secteur énergie-industrie (edge computing sites SEVESO et lignes production)définition IoT industriel (gateways edge, capteurs, brokers MQTT)définition computer vision (inférence edge Jetson, contrôle qualité)définition OPC-UA (communication automates et gateways edge)définition RAG (assistants IA edge avec Mistral 7B local)méthode Legacy Strangler IA-assisted (intégration edge progressive sur SI legacy)