AI Funnel — décrivez votre flux d'IA edge en TOML.

Phase de build du cycle de vie de déploiement AI Funnel, dans Cloud Connect. Le conteneur client — funnel.toml, modèles, dataset COCO et code conteneur — est poussé vers un registre hébergé Munic ou client. Depuis le registre, les artefacts alimentent l'entraîneur de triage, qui fusionne plusieurs funnels clients en un seul détecteur de triage unifié. Le résultat alimente l'optimiseur NPU, qui impose les opérations NPU uniquement et l'inférence basse précision. Le modèle optimisé alimente le validateur hardware-in-the-loop, qui exécute le candidat sur du matériel cible de référence et applique une porte sur la précision et la latence. Un bundle qui passe est signé et émis comme bundle de déploiement.

flowchart LR
  CB["Conteneur client<br/>funnel.toml + modèles<br/>+ dataset COCO + code conteneur"]
  REG[("Registre<br/>hébergé Munic ou<br/>hébergé client")]
  TT["Entraîneur de triage<br/>plusieurs funnels → un seul triage"]
  OPT["Optimiseur NPU<br/>ops NPU uniquement · inférence basse précision"]
  HIL["Validateur hardware-in-the-loop<br/>matériel cible de référence<br/>porte précision + latence"]
  BUNDLE["Bundle de déploiement signé"]
  CB --> REG --> TT --> OPT --> HIL --> BUNDLE
  class TT,OPT,HIL ai-node

Phase de provisionnement du cycle de vie de déploiement AI Funnel, sur l'appareil. Le bundle signé est récupéré via le même canal OTA que les mises à jour de code. Le DAG compilé depuis funnel.toml est dispatché, et trois configurations divergent en parallèle : routage caméra et capteur, runtime IA chargeant les modèles dans le NPU, shader GPU ROI configurant le format de tenseur, le letterboxing et l'extraction ROI. Les trois convergent vers un signal prêt — l'appareil est armé pour le premier frame.

flowchart LR
  PULL["Bundle récupéré<br/>même canal OTA que le code"]
  DAG["DAG dispatché<br/>compilé depuis funnel.toml"]
  CFG_CAM["Routage caméra / capteur<br/>configuré"]
  CFG_NPU["Runtime IA<br/>modèles chargés dans le NPU"]
  CFG_GPU["Shader GPU ROI<br/>format tenseur · letterbox · ROI"]
  READY["Prêt · premier frame"]
  PULL --> DAG
  DAG --> CFG_CAM --> READY
  DAG --> CFG_NPU --> READY
  DAG --> CFG_GPU --> READY
  class CFG_NPU ai-node

Phase d'exécution du cycle de vie de déploiement AI Funnel, par frame sur l'appareil. La caméra ou le capteur produit un frame GPU partagé. Le GPU produit un tenseur de triage. Le modèle de triage NPU émet des labels et des boîtes englobantes vers le routeur DAG AI Funnel. Le routeur dispatche par détection : le GPU recadre la région d'intérêt avec letterboxing et normalisation, le NPU exécute le modèle aval et retourne les labels et la confiance. Le routeur boucle soit vers un autre modèle dans le DAG, soit sort vers le conteneur client, où la charge se termine en tracking, carte, message cloud ou message CAN — selon le nœud terminal du DAG.

flowchart LR
  SRC["Caméra / capteur<br/>frame GPU partagé"]
  GPU1["GPU<br/>tenseur de triage"]
  NPU1["Triage NPU<br/>labels + bboxes"]
  AIF["AI Funnel<br/>routeur DAG"]
  GPU2["GPU<br/>ROI par détection<br/>letterbox · normalise"]
  NPU2["Modèle NPU<br/>labels + confiance"]
  SINK["Conteneur client<br/>tracking · carte · message cloud · CAN"]
  SRC --> GPU1 --> NPU1 --> AIF
  AIF --> GPU2 --> NPU2 --> AIF
  AIF --> SINK
  class NPU1,NPU2 ai-node