L'IoT rencontre l'IA : edge AI, TinyML, détection d'anomalies et agents IA qui exploitent et agissent sur les flux de données MQTT.
Un tutoriel pratique pour installer un Google Coral Edge TPU sur un Raspberry Pi, exécuter un classificateur MobileNet quantifié et publier chaque prédiction en JSON vers un broker MQTT.
Comment concevoir un agent LLM qui lit l'état des appareils via MQTT et envoie des commandes en toute sécurité, grâce à un cache d'état, des outils contraints par schéma, une couche de règles, une approbation humaine et une piste d'audit complète.
Comment fonctionne la détection de défauts par caméra sur une ligne de production, comment concevoir le poste d'inspection et comment publier les verdicts via MQTT pour que les automates, les tableaux de bord et les systèmes de traçabilité obtiennent tous la même réponse.
Un tutoriel pour définir des schémas JSON stricts pour les actions des appareils, valider dans le code chaque appel d'outil du LLM, demander au modèle de corriger les appels invalides et ne publier via MQTT 5 que des commandes vérifiées.
Le TinyML, c'est le machine learning sur des microcontrôleurs qui fonctionnent avec quelques milliwatts et kilo-octets. Cet article présente les contraintes, les frameworks, des cas d'usage concrets et pourquoi ces petits appareils publient des résultats d'inférence compacts via MQTT.
Les modèles déployés sur des équipements edge se dégradent sans bruit. Ce guide montre comment publier des métriques d'inférence via MQTT, mesurer la dérive de façon centralisée et déclencher des alertes lorsqu'un modèle sur le terrain nécessite une intervention.
Un copilote IA industriel ne vaut que par les données qu'il voit. Ce guide montre comment ancrer un assistant pour opérateurs dans des topics MQTT structurés selon ISA-95 et alimentés en direct, pour des réponses actuelles, traçables et sûres.
Un guide pratique de la maintenance prédictive par machine learning : quelles données d'état collecter via MQTT, comment construire features et labels, par quels modèles commencer et comment les valider honnêtement.
Trois méthodes simples et explicables pour repérer les valeurs aberrantes dans les flux de capteurs, avec des implémentations Python à exécuter sur un flux de température MQTT en direct et des conseils sur les cas où chacune échoue.
Un cas d'usage concret d'optimisation CVC par IA : quelles données de bâtiment collecter via MQTT, comment apprendre la réponse thermique d'une zone, comment calculer heures de démarrage et consignes optimales, et comment appliquer les recommandations 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.
