L’IA générative change qui peut construire un système IoT, et en combien de temps. Pendant la majeure partie de la dernière décennie, relier des capteurs à quelque chose d’utile voulait dire faire appel à un intégrateur : quelqu’un qui savait quel appareil acheter, comment décoder ses messages, comment modéliser les données et comment écrire la logique qui transforme une mesure en alerte. Les modèles de langage peuvent désormais prendre en charge une bonne part de ce travail de configuration à partir d’une simple description de l’objectif.

C’est un changement important, et il est facile de l’exagérer. Un modèle qui écrit une règle convaincante peut aussi écrire une règle convaincante avec la mauvaise unité. Les questions utiles sont de savoir quelles parties du travail passent à l’IA, lesquelles restent aux personnes, et comment distinguer un outil réellement utile d’un outil qui ne brille qu’en démo.

L’essentiel

  • Dans l’IoT, l’IA générative est surtout utile pour construire : choisir le matériel, écrire des décodeurs, ébaucher des règles et des tableaux de bord à partir d’un objectif décrit.
  • Les décisions répétitives et soumises à des contraintes de temps restent du ressort de règles déterministes, qui s’exécutent de la même façon à chaque fois.
  • Le principal risque, ce sont les erreurs plausibles : chaque configuration générée doit donc pouvoir être testée et relue avant de s’exécuter.
  • Pour comparer des logiciels, regardez comment les modifications faites par l’IA sont vérifiées et annulées, pas seulement ce que l’IA sait générer.

Comment l’IA générative est-elle utilisée dans l’IoT ?

Dans l’IoT, l’IA générative intervient dans quatre types de travail, et il vaut mieux les distinguer, car leurs risques sont très différents.

La configuration vient en premier. Une personne décrit ce qu’elle veut, « préviens-moi quand la salle serveur dépasse 27 °C, et affiche les mesures sur un écran », et le modèle propose les appareils, la règle et le tableau de bord. C’est là que le gain de temps est le plus important, car la configuration demandait auparavant de nombreuses petites étapes techniques.

Le code suit de près. Beaucoup de capteurs envoient des charges utiles binaires compactes qui ont besoin d’un décodeur, une courte fonction qui transforme des octets en valeurs nommées. Les modèles savent bien ébaucher ces décodeurs à partir d’une fiche technique, avec les formules de conversion et des entrées de test.

Viennent ensuite les questions. Au lieu de construire un graphique, une personne demande « quels congélateurs ont été trop chauds la nuit dernière ? » et obtient une réponse. C’est utile, même s’il s’agit d’un outil d’analyse plutôt que d’un outil de construction. La réponse ne vaut que ce que valent les données sur lesquelles elle repose : le modèle doit donc voir les horodatages et les trous dans les données, pas seulement les valeurs.

La documentation et la passation complètent la liste : transformer un système configuré en une description lisible de ce que fait chaque règle et de qui reçoit quelle alarme. C’est un travail ingrat, souvent sauté, et les modèles le font bien. Lire un résumé généré de vos propres règles est aussi une étape de relecture étonnamment efficace : si la description indique que l’alarme de nuit part vers la mauvaise personne, c’est probablement aussi le cas de la règle.

Ce qui manque à la liste compte aussi. Les modèles génératifs ne conviennent pas aux décisions en temps réel elles-mêmes. Un capteur de fuite qui doit fermer une vanne en quelques secondes, à chaque fois, a besoin d’une règle fixe. Un modèle raisonne de façon légèrement différente à chaque exécution et coûte une requête chaque fois qu’on l’interroge.

Il y a une raison plus discrète pour laquelle la configuration est le terrain idéal. Quand un modèle génère la configuration d’une plateforme, le résultat prend place dans la structure propre à cette plateforme : un appareil avec un type, une règle avec une condition, une alarme avec des destinataires. La plateforme peut tout valider avant que quoi que ce soit ne s’exécute, et une personne peut ouvrir chaque élément dans les écrans habituels.

Comment fonctionne le développement AIoT ?

Le développement AIoT, c’est-à-dire la construction de systèmes connectés qui combinent données IoT et IA, suit les mêmes étapes que toujours. Ce qui a changé, c’est la part de chaque étape qu’une personne réalise à la main.

Étape Traditionnellement Avec l’aide de l’IA générative
Choisir le matériel Étudier les fiches techniques, interroger les fournisseurs Décrire l’objectif, obtenir des suggestions de types et de modèles de capteurs
Connecter les appareils Configurer les clés réseau et les profils appareil par appareil L’agent enregistre les appareils et vérifie qu’ils remontent des données
Décoder les données Écrire et tester un décodeur par modèle d’appareil Le modèle ébauche le décodeur à partir de la fiche technique, une personne le teste
Construire la logique Écrire des règles ou des scripts à la main Le modèle ébauche la règle à partir d’une phrase, une personne la relit
Alertes Configurer les destinataires et les canaux écran par écran Le modèle propose une gravité et une chaîne d’escalade
Tableaux de bord Placer et configurer chaque widget Le modèle crée le tableau de bord, une personne ajoute les vues
Tester et livrer Tests manuels et documentation rédigée Mesures simulées, documentation générée, validation humaine

Prenons un gestionnaire immobilier qui veut des alertes de fuite dans les placards techniques de 12 appartements. À la main, les étapes sont les suivantes : choisir un capteur de fuite, enregistrer 12 appareils, écrire ou trouver un décodeur, construire une règle, définir qui est prévenu la nuit et créer un tableau de bord. Avec un assistant capable d’agir sur la plateforme, la personne décrit l’objectif une seule fois, vérifie ce qui a été créé et consacre son temps aux parties qui demandent du discernement, comme savoir qui appeler quand une fuite apparaît en pleine nuit.

Certaines étapes ne raccourcissent pas du tout. Il faut toujours que quelqu’un parcoure le bâtiment pour vérifier la couverture radio, décide où installer la passerelle, fixe les capteurs là où l’eau s’accumule réellement et remplace celui qui a été posé à l’envers.

Kilo AI, l’IA intégrée à Kilo, est conçue pour ce travail à l’écran. Vous décrivez l’objectif, et elle ajoute les appareils, configure les règles et les alarmes et crée le tableau de bord, dans lequel vous placez ensuite les graphiques que vous voulez. Elle écrit la condition d’une règle à partir de votre demande formulée en langage courant et, après le déploiement, peut simuler une mesure qui remplit la condition et une qui ne la remplit pas, pour que vous voyiez la règle réagir aux deux. Toute action destructive, comme la suppression d’un appareil ou d’une règle, attend votre confirmation explicite. Pour comparer ce mode de construction avec la façon dont votre équipe met en place ses projets aujourd’hui, prenez un projet récent, comptez les écrans et les étapes qu’il a demandés, et mettez-les en regard de ce que crée Kilo AI pour construire et exploiter une installation IoT à partir d’une seule description.

Quels sont les risques de l’IA générative dans l’IoT ?

Les risques sont rarement spectaculaires. Ce sont des erreurs crédibles, car une configuration générée a généralement l’air correcte. Voici les cas qui posent problème en pratique.

L’ordre des octets est un classique. Supposons qu’un capteur envoie la température sur deux octets, 00 F5, soit 245, que la fiche technique dit de diviser par 10 : 24,5 °C. Un décodeur ébauché en lisant les octets dans l’ordre inverse obtient F5 00, soit 62 720, ou 6 272 °C. Cette erreur-là saute aux yeux. Un mauvais facteur d’échelle qui transforme 24,5 en 2,45 se voit moins, et une règle construite dessus pourrait ne jamais se déclencher.

Les unités sont un autre piège. Un seuil de « 80 » veut dire une chose en Fahrenheit et tout autre chose en Celsius, et un modèle qui remplit une règle à partir d’une phrase informelle doit deviner laquelle vous vouliez dire.

Les seuils peuvent être plausibles mais inadaptés au site. « Alerte au-dessus de 8 °C » est une valeur par défaut raisonnable pour un réfrigérateur de pharmacie, et un mauvais choix pour une cave à vin. L’IA générative comble les vides avec des valeurs typiques : chaque seuil doit donc être vérifié par rapport au site auquel il est destiné.

La reproductibilité est un problème plus subtil. Posez deux fois la même question à un modèle et vous pourriez obtenir deux configurations légèrement différentes, toutes deux raisonnables. Ce n’est pas gênant pour un premier jet, mais cela signifie que ce qu’il faut conserver, relire et versionner, c’est la règle ou le décodeur générés eux-mêmes, pas la demande qui les a produits.

Reste le périmètre. Une demande comme « éteins tout dans l’aile est la nuit » peut être interprétée plus largement que prévu si le modèle voit des appareils dont vous aviez oublié qu’ils portaient cette étiquette.

La relecture humaine compte surtout à trois moments. Vérifiez les décodeurs avec une mesure connue, par exemple un thermomètre placé à côté du capteur. Vérifiez les conditions des règles avec une valeur qui doit déclencher la règle et une qui ne doit pas la déclencher. Et vérifiez toute action qui envoie une commande à un équipement avant qu’elle ne tourne sans surveillance. Une plateforme qui permet d’exécuter une règle pas à pas avec des valeurs de test, ou de simuler des mesures avant la mise en service, intègre ces vérifications au travail courant.

Comment choisir une solution logicielle IoT avec IA

Les solutions logicielles IoT avec IA varient beaucoup, et les démos ont tendance à montrer l’étape de génération, parce qu’elle rend bien à l’écran. Les questions suivantes portent sur ce qui compte une fois le système en service. Elles s’appliquent à n’importe quel fournisseur, y compris à un logiciel IoT avec IA développé en interne.

Connecte-t-il les appareils que vous avez déjà, via les protocoles qu’ils utilisent, sans remplacer le matériel ? Pouvez-vous voir et modifier tout ce que l’IA a créé, dans les mêmes écrans qu’une personne utiliserait ? Comment vous montre-t-il ce que l’IA a modifié, et une modification peut-elle être annulée ? Le système continue-t-il de fonctionner sur le site si la connexion internet tombe ? L’IA agit-elle avec les droits de la personne qui l’utilise, ou avec des droits plus larges qui lui sont propres ? Quelle est la taille de la communauté d’utilisateurs et d’intégrateurs à qui vous pouvez demander de l’aide ? Comment est-il facturé, par appareil, par utilisateur ou par requête IA, et que devient le coût quand vous passez de 20 appareils à 2 000 ? Et pouvez-vous exporter vos données si vous partez ?

Pour la question du prix, faites un calcul rapide avec vos propres chiffres. Un prix par utilisateur paraît bon marché pour une équipe de trois personnes et cher pour une entreprise qui veut que 40 responsables de site voient leur propre bâtiment. Un prix par appareil, lui, suit le volume de matériel. Si l’usage de l’IA est facturé à la requête, demandez combien de requêtes il faut pour une configuration type ou un résumé quotidien, car un agent qui vérifie chaque appareil toutes les heures peut faire des milliers d’appels par jour.

Un fournisseur qui propose des services de développement AIoT doit pouvoir répondre simplement à chacune d’elles.

FAQ sur l’IA générative dans l’IoT

L’IA générative peut-elle écrire le code d’un appareil IoT ?

Oui, pour des éléments bien définis comme les décodeurs de charge utile, les conversions de données et les petits scripts, c’est souvent un bon premier jet. Le firmware qui tourne sur l’appareil lui-même est plus difficile, car les limites de mémoire, les contraintes de temps et la consommation dépendent de la puce exacte, et les erreurs peuvent n’apparaître qu’après des semaines sur le terrain. Un firmware généré doit passer par les mêmes tests que n’importe quel autre.

Le développement AIoT, est-ce la même chose que l’IA générative ?

Non. L’AIoT, ou intelligence artificielle des objets, couvre toute IA qui travaille sur des données IoT, y compris l’apprentissage automatique classique, comme la détection d’anomalies et la vision par ordinateur sur des caméras. L’IA générative n’en est qu’une branche, celle qui produit du texte, du code et des configurations, et dans le développement AIoT, elle aide surtout à construire et à expliquer le système.

L’IA générative va-t-elle remplacer les intégrateurs IoT ?

Elle transforme leur travail plus qu’elle ne le supprime. La configuration courante devient plus rapide, ce qui permet aux intégrateurs de consacrer plus de temps aux visites de site, à la couverture radio, au montage, à la logique critique pour la sécurité et aux discussions pour savoir qui doit réagir à quelle alarme. L’installation physique et la responsabilité du résultat demandent toujours des personnes.

Un local de stockage qui a un problème d’humidité est un bon terrain d’essai pour le volet construction. Décrivez l’objectif en une phrase, par exemple un avertissement quand l’humidité dépasse 70 %, et laissez Kilo AI ajouter l’appareil, écrire la règle et créer un tableau de bord avec l’offre gratuite, qui permet exactement une règle. Ajoutez ensuite un graphique d’humidité à ce tableau de bord dans l’éditeur. Puis vérifiez la condition générée avec une mesure au-dessus de la limite et une en dessous avant de vous y fier.