Sciences de l'ingénieur (Spé) — Innovation et numérique
Intelligence artificielle et objets connectés (IoT industriel)
Principes de l'IA (apprentissage supervisé, réseaux de neurones), IoT et industrie 4.0, capteurs connectés, cloud industriel
Résumé synthétiqueFiche en 4 sectionsQuiz de 10 questionsGratuit, sans pub
Cours de spé Sciences de l'ingénieur. Même notion dans une autre matière : L'intelligence artificielle — Enseignement scientifique
Résumé
L'intelligence artificielle (IA) et l'Internet des Objets (IoT) font basculer l'usine dans l'ère du 4.0 : des machines qui apprennent, des capteurs qui parlent. L'IA repose sur des algorithmes qui s'améliorent à partir de données plutôt que de règles écrites à la main. En apprentissage supervisé, on entraîne le modèle sur des exemples étiquetés — des images de pièces conformes et défectueuses — pour bâtir un contrôle qualité automatique. Au cœur, le réseau de neurones empile des couches où chaque neurone calcule une somme pondérée $z = \sum w_i\,x_i + b$ avant de la transformer ; les poids $w_i$ sont ajustés pendant l'apprentissage. Côté terrain, l'IoT industriel (IIoT) tisse une chaîne capteur → microcontrôleur → passerelle → cloud → application : un capteur mesure une grandeur physique, la numérise et la transmet par un protocole sans fil (Wi-Fi, LoRa, Bluetooth, Zigbee) vers un serveur où les données sont stockées et analysées. Couplés, IA et IoT donnent la maintenance prédictive : un capteur de vibration surveille un moteur en continu, et l'algorithme repère l'anomalie pour prévenir la panne avant qu'elle n'arrive.
L'IA ne suit pas des règles écrites à l'avance : elle apprend à partir d'exemples. On distingue surtout l'apprentissage supervisé (on connaît la bonne réponse) de l'apprentissage non supervisé (on cherche des structures cachées). Le moteur le plus utilisé aujourd'hui est le réseau de neurones.
- L'IA est la capacité d'un programme à réaliser des tâches qui exigent d'ordinaire l'intelligence humaine : reconnaître, décider, prédire.
- Apprentissage supervisé : le modèle apprend sur des données étiquetées (entrée $+$ sortie attendue). Exemple : classer des images conformes/défectueuses.
- Apprentissage non supervisé : le modèle trouve seul des structures dans des données non étiquetées (regroupement, détection d'anomalies).
- Réseau de neurones : des couches (entrée → cachées → sortie) ; chaque neurone calcule une somme pondérée $z = \sum w_i\,x_i + b$ puis applique une fonction d'activation.
- Deep learning : réseaux profonds (nombreuses couches cachées), redoutables sur l'image, le son et le texte.
- L'apprentissage réclame beaucoup de données et une forte puissance de calcul ($\mathrm{GPU}$, cloud).
Exemple
Un neurone reçoit deux mesures $x_1 = 0{,}8$ et $x_2 = 0{,}3$, avec les poids $w_1 = 2$, $w_2 = -1$ et un biais $b = 0{,}1$. Il calcule $z = 2 \times 0{,}8 + (-1) \times 0{,}3 + 0{,}1 = 1{,}4$. Cette valeur passe ensuite dans la fonction d'activation, qui décide si le neurone « s'allume » ou non.
Piège à éviter
Erreur classique : croire qu'une IA « comprend ». Elle apprend des corrélations statistiques, pas la causalité : entraînée sur des données biaisées, elle reproduit le biais. Elle peut aussi échouer sur des cas jamais vus à l'entraînement.
L'IoT (Internet of Things) branche des objets physiques sur le réseau pour les superviser et les piloter à distance. Dans l'usine, l'IIoT est l'un des piliers de l'industrie 4.0, qui marie objets connectés, IA, big data et robotique. Tout repose sur une chaîne bien ordonnée, du terrain jusqu'au cloud.
La donnée remonte du terrain (le capteur) vers la supervision (l'application), en étant numérisée, transmise puis analysée à chaque étape.
- Architecture IoT : capteur → microcontrôleur → passerelle → cloud → application. La donnée remonte du terrain vers la supervision.
- Protocoles sans fil : Wi-Fi (haut débit, courte portée), LoRa (faible débit, longue portée, basse consommation), Zigbee (réseau maillé, domotique), Bluetooth Low Energy.
- L'industrie 4.0 intègre IoT, IA, big data, robotique collaborative et fabrication additive dans la production.
- Le jumeau numérique (digital twin) est un modèle virtuel d'un système physique, mis à jour en temps réel par les données IoT.
- La cybersécurité est un enjeu majeur : chiffrement des échanges, authentification des objets, mise à jour des firmwares.
Exemple
Pour relever la température de cuves dans un entrepôt de $3\,\mathrm{km}$ de long, on écarte le Wi-Fi (portée trop courte) au profit de LoRa : sa longue portée et sa très basse consommation permettent à des capteurs sur batterie de tenir plusieurs années sans intervention.
Piège à éviter
Erreur classique : confondre portée et débit. Un protocole longue portée comme LoRa transporte peu de données ; pour de la vidéo, il faut au contraire du haut débit (Wi-Fi). On choisit le protocole selon le besoin réel, pas « le plus puissant ».
Un capteur connecté ne se contente pas de mesurer : il numérise, traite et transmet. Comprendre sa structure interne et le format des données échangées est la clé pour relier le monde physique au cloud.
- Un capteur connecté intègre : un élément sensible, un CAN (convertisseur analogique-numérique), un microcontrôleur et un module de communication.
- Grandeurs mesurées : température, pression, vibration, courant, position, luminosité, qualité de l'air…
- Les données partent en trames structurées (JSON) vers un broker ou un serveur, souvent via le protocole MQTT.
- MQTT (Message Queuing Telemetry Transport) : protocole léger en mode publication/abonnement (publish/subscribe), taillé pour l'IoT.
- L'edge computing traite les données localement, au plus près du capteur, pour réduire la latence et la bande passante.
- La consommation d'énergie est un critère clé : protocoles basse consommation, mode veille, récupération d'énergie.
Exemple
Un capteur publie sa mesure sur le sujet (topic) MQTT
usine/moteur1/temperature avec la trame JSON {"t": 72.4, "unit": "C"}. Tous les services abonnés à ce sujet (tableau de bord, base de données, alerte) la reçoivent aussitôt, sans que le capteur ait à les connaître.Piège à éviter
Erreur classique : tout envoyer brut vers le cloud. Transmettre $1000$ mesures par seconde sature la liaison et vide la batterie. Le bon réflexe : filtrer/agréger localement (edge) et n'envoyer que l'utile (moyenne, alerte de seuil).
IA et IoT prennent tout leur sens ensemble : les capteurs fournissent les données, l'IA les transforme en décisions. Ces usages réinventent la production, mais soulèvent aussi des questions éthiques qu'un ingénieur doit savoir poser.
- Maintenance prédictive : capteurs de vibration $+$ IA détectent l'anomalie et anticipent la panne avant qu'elle ne survienne.
- Contrôle qualité automatique : une caméra $+$ un réseau de neurones classe les pièces conformes / non conformes en temps réel.
- Optimisation de la production : l'analyse des données IoT règle au mieux les paramètres (température, vitesse, pression).
- Cobots : robots collaboratifs travaillant aux côtés des humains, guidés par capteurs et IA.
- Enjeux éthiques : biais des algorithmes, protection des données personnelles (RGPD), impact sur l'emploi.
- Limites : l'IA apprend des corrélations, pas la causalité, et peut échouer face à une situation jamais rencontrée.
Exemple
Sur une ligne d'embouteillage, une caméra photographie chaque bouchon ; le réseau de neurones, entraîné sur des milliers d'images étiquetées, signale en $20\,\mathrm{ms}$ les bouchons mal vissés et commande l'éjection automatique. Le taux de défauts livrés chute fortement, sans ralentir la cadence.
Piège à éviter
Erreur classique : faire une confiance aveugle au modèle. Une IA de tri peut atteindre $99\,\%$ de réussite et rater pile la nouvelle référence absente de son entraînement. Un contrôle humain et une mise à jour régulière des données restent indispensables.
Quiz - IA et objets connectés (IoT industriel)
10 questions
S'entraîner
- Quiz : Intelligence artificielle et objets connectés (IoT industriel)10 questions corrigées sur ce chapitre
- Bac 2026 Sciences de l'ingénieur – MétropoleSujet officiel
- Bac 2025 Sciences de l'ingénieur – MétropoleSujet officiel
- Bac 2024 Sciences de l'ingénieur – MétropoleSujet officiel
- Annales du bac de Sciences de l'ingénieurTous les sujets officiels, par année
Articles utiles
Questions fréquentes
Les points clés à retenir sur Intelligence artificielle et objets connectés (IoT industriel), extraits du quiz de révision.
En apprentissage supervisé, l'algorithme apprend à partir de :
Réponse :
Données étiquetées (entrées + résultats attendus)
L'apprentissage supervisé s'appuie sur des données étiquetées : chaque entrée est associée à la sortie attendue. Le modèle apprend la correspondance entrée → sortie. Sans étiquettes, on parle d'apprentissage non supervisé.
Dans un neurone artificiel, la sortie avant activation est une :
Réponse :
Somme pondérée $z = \sum w_i\,x_i + b$ des entrées
Chaque neurone calcule la somme pondérée $z = \sum w_i\,x_i + b$ : les entrées $x_i$ sont multipliées par les poids $w_i$ ajustés à l'apprentissage, puis $z$ passe dans une fonction d'activation.
Quel protocole IoT fonctionne en mode publication/abonnement (publish/subscribe) ?
Réponse :
MQTT
MQTT (Message Queuing Telemetry Transport) est un protocole léger en mode publish/subscribe : les capteurs publient sur un sujet (topic) et les services abonnés reçoivent la donnée. Sa faible consommation le rend idéal pour l'IoT.
Le protocole LoRa est caractérisé par :
Réponse :
Faible débit, longue portée et basse consommation
LoRa (Long Range) est un protocole LPWAN : faible débit (quelques $\mathrm{kbit/s}$) mais longue portée (plusieurs $\mathrm{km}$) et très basse consommation, parfait pour des capteurs sur batterie.