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
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.
- **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
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.