L'IoT rencontre l'IA : edge AI, TinyML, détection d'anomalies et agents IA qui exploitent et agissent sur les flux de données MQTT.
Découvrez comment transformer des flux de mesures de capteurs MQTT en rapports de poste lisibles et en explications d'anomalies, en calculant les statistiques dans le code et en ne laissant au LLM que la rédaction.
Laisser un modèle de langage piloter de vrais équipements est un problème de contrôle-commande, pas de prompt. Découvrez comment placer entre l'IA et vos appareils MQTT une passerelle de commandes avec listes autorisées, limites, confirmations et piste d'audit.
Une introduction pratique à TensorFlow Lite for Microcontrollers : le modèle, l'op resolver, l'arène de tenseurs et l'interpréteur expliqués, un exemple complet sur une carte ESP32-S3 et un pont série vers MQTT qui fonctionne avec n'importe quelle carte.
Un regard réaliste sur les domaines où l'IA générative aide en atelier, des synthèses de poste aux assistants de dépannage, et sur la manière d'ancrer chaque réponse dans les données machine en direct diffusées via MQTT.
Un guide pratique pour détecter les anomalies dans les flux de capteurs : quelles méthodes conviennent à quels signaux, faut-il les exécuter sur l'équipement, en edge ou dans le cloud, et comment MQTT relie détecteurs et alertes.
Un tutoriel pratique de prévision de séries temporelles IoT : capter des données de capteurs depuis MQTT, les rééchantillonner, comparer un modèle statistique à un modèle de machine learning, réaliser un backtest honnête et republier les prévisions sur le broker.
Construisez un pipeline de vision edge sur NVIDIA Jetson : exécutez une détection accélérée par GPU, publiez des résultats JSON compacts et l'état de santé de l'équipement via MQTT avec TLS, et faites-en un service qui survit aux redémarrages.
Ce qu'est la fusion de capteurs, comment les filtres complémentaire et de Kalman combinent des capteurs bruités, quand fusionner en edge plutôt que dans le cloud, avec des exemples ESP32 et Python fonctionnels qui publient les valeurs fusionnées via MQTT.
Une comparaison pratique entre l'exécution des modèles IoT sur les appareils et dans le cloud, avec une checklist de décision et une architecture hybride où les résultats edge transitent via MQTT vers des modèles cloud.
Comment fonctionne la prédiction de la durée de vie résiduelle, quelles familles de modèles existent, quel historique de données chacune exige des actifs connectés via MQTT, et comment publier des estimations de RUL avec leur incertitude.
Exécutez un petit modèle de détection de personnes directement sur un ESP32-CAM, publiez un score de confiance et des alertes anti-rebond via MQTT, et gardez les images sur l'appareil sauf besoin explicite.
Un tutoriel complet qui diffuse des données de capteurs simulées via MQTT, évalue chaque mesure avec des statistiques glissantes en Python et publie des événements d'anomalie anti-rebond sur un topic d'alertes.
Entraînez un Isolation Forest sur des données de capteurs multivariées historiques avec scikit-learn, puis chargez-le dans un service Python qui évalue les mesures MQTT en direct et publie des événements d'anomalie.
Exécutez un modèle YOLO sur une webcam ou un flux RTSP en Python, transformez les détections de chaque image en JSON compact et publiez comptages et alertes via MQTT pour que n'importe quel tableau de bord ou automatisme puisse réagir.
Tutoriel pas à pas pour un serveur Model Context Protocol qui s'abonne à des topics MQTT, met en cache les dernières valeurs et expose des outils de lecture et de commande aux assistants IA.
Un cas d'usage concret de prévision de charge énergétique : collecter les données de compteurs via MQTT, convertir les index d'énergie en puissance appelée, ajouter des variables météo et calendaires, puis publier des prévisions J+1 pour bâtiments et usines.
Sortez un modèle Edge Impulse entraîné du Studio pour l'intégrer à un vrai système : exportez-le en bibliothèque Arduino ou en fichier .eim pour Linux, exécutez l'inférence sur l'appareil et publiez chaque prédiction via MQTT.
L'apprentissage fédéré permet aux appareils IoT d'améliorer un modèle commun tandis que leurs données brutes restent locales. Cet article explique son fonctionnement, ses cas d'usage, ses pièges et comment un broker MQTT peut transporter les mises à jour du modèle entre les appareils et un coordinateur.
Un comparatif pratique du matériel edge AI, des microcontrôleurs aux modules GPU, avec une checklist de décision et un script de benchmark qui publie la latence de votre propre modèle via MQTT pour comparer les cartes équitablement.
Un tutoriel pratique qui transforme des demandes comme « baisse les lumières de la cuisine à 30 % » en commandes MQTT validées, grâce à un LLM avec function calling, un registre d'appareils et une couche de validation stricte.
Un parcours TinyML ESP32 complet : entraîner un classificateur de vibrations en Python, le convertir en modèle TensorFlow Lite int8, l'exécuter sur un ESP32 avec esp-tflite-micro et publier les résultats de classification vers un broker MQTT.
Un guide pratique pour livrer des modèles de machine learning à des parcs d'appareils edge, en utilisant les retained messages MQTT pour annoncer les nouvelles versions et collecter l'état du déploiement sur chaque appareil.
Les machines sonnent souvent faux avant de tomber en panne. Découvrez comment fonctionne la détection d'anomalies acoustiques, quels modèles conviennent au matériel edge et comment publier des scores d'anomalie compacts via MQTT au lieu de diffuser l'audio brut.
Comment capturer les événements machine et les labels opérateur via MQTT à côté de la télémétrie, définir un schéma de labels, convertir les événements en intervalles étiquetés et les joindre à des fenêtres de capteurs pour l'apprentissage supervisé.
Un guide pratique de la génération augmentée par récupération pour les usines : indexer manuels et procédures, récupérer les valeurs actuelles depuis des topics MQTT et fournir aux techniciens des réponses fondées sur les deux, avec citations.
Pourquoi le publish/subscribe convient aux systèmes d'IA multi-agents, et quelles conventions de topics, fonctionnalités MQTT 5 et règles de sécurité permettent aux agents de se découvrir et d'échanger des messages via un broker.
L'edge AI consiste à exécuter l'inférence de machine learning sur l'appareil qui collecte les données, ou juste à côté. Cet article explique son fonctionnement, les niveaux de matériel et pourquoi les appareils edge doivent publier des résultats plutôt que des données brutes.
Un tutoriel pratique pour exécuter Ollama sur une passerelle IoT, s'abonner à la télémétrie MQTT et republier sur le broker des analyses structurées générées par l'IA, sans envoyer de données à un service d'IA externe.
Découvrez ce que Frigate NVR publie via MQTT, comment lire le payload frigate/events et comment ne relayer vers un broker cloud que les détections importantes pour recevoir des notifications à distance.
Un guide pratique pour combiner IA et IoT : où exécuter les modèles, comment les données des capteurs les atteignent, comment détecter les anomalies en temps réel et comment laisser des agents LLM agir sur les équipements en toute sécurité.
Créez un compte, récupérez les identifiants de votre broker et connectez votre premier appareil — aucun serveur à installer, mettre à jour ou dimensionner.
