Chaque déploiement IoT commence avec la même stratégie face aux anomalies : un seuil. Déclencher une alerte si la température dépasse 8 degrés. Ça marche, c’est simple, et ça détecte les pannes évidentes. Pendant un temps, ça semble suffisant.
Puis la réalité vient tout compliquer. Le congélateur qui affiche 7,9 degrés pendant six heures d’affilée reste techniquement dans les clous, mais il est clairement en train de lâcher. La pompe dont la vibration est normale dans l’absolu, mais anormale pour un mardi matin. Le capteur qui dérive lentement au lieu de flancher d’un coup. Les seuils fixes passent à côté de tout ça, car une anomalie n’est pas “un grand nombre”. C’est une mesure que le comportement habituel n’aurait pas laissé présager.
Détecter ce type d’anomalie demande une progression : des seuils aux références statistiques, puis à l’investigation assistée par IA. Voici cette progression, ce que chaque étape permet de repérer, et comment la mettre en place sans se lancer dans un chantier démesuré.
Étape 1 : les seuils, et leurs limites assumées
Commencez ici, parce que c’est la bonne façon de faire. Un seuil statique est peu coûteux, transparent, et parfaitement adapté aux limites strictes qui ne bougent jamais. Un réfrigérateur à vaccins ne doit jamais dépasser 8 degrés, point final. C’est un seuil, et les Actions de TagoIO le gèrent directement : on définit la condition, on définit la réponse, terminé.
La limite, c’est que les seuils ne connaissent que les valeurs absolues. Ils sont incapables de voir qu’une mesure est correcte prise isolément, mais aberrante dans son contexte. Ils réagissent trop tard face aux dérives lentes et restent muets face aux tendances. Les seuils sont donc le plancher de la détection d’anomalies, pas le plafond. Gardez-les pour les limites strictes, et ajoutez l’étape suivante pour tout le reste.
Étape 2 : les références statistiques
L’étape suivante consiste à comparer chaque mesure à ce qui est normal pour ce capteur, à ce moment-là, dans ce contexte précis, plutôt qu’à une ligne fixe. C’est là que se trouve l’essentiel de la valeur réelle, et il n’y a pas besoin de machine learning pour démarrer.
L’idée est celle d’une référence glissante. Calculez la moyenne et l’écart-type récents d’une variable, puis signalez les mesures qui sortent trop de la bande attendue, disons au-delà de trois écarts-types. Cette seule technique attrape les pics qu’un seuil laisserait passer et les dérives qu’un seuil manquerait, car la bande se déplace avec les données. Vous pouvez la mettre en place dès aujourd’hui avec un script Analysis de TagoIO qui lit l’historique récent, calcule la bande, et réécrit un indicateur d’anomalie sous forme de variable exploitable par votre dashboard et vos Actions.
L’affinement qui compte vraiment pour l’IoT, c’est le contexte. Une température normale à 2 h du matin peut devenir anormale à 14 h. Une référence segmentée par heure, par jour de la semaine ou par mode de fonctionnement est bien plus précise qu’une moyenne unique et plate. Ce sont des statistiques sans éclat, mais elles surpassent un modèle d’IA naïf sur la plupart des flux de capteurs, parce qu’elles encodent ce que vous savez réellement du procédé.
Étape 3 : l’investigation assistée par IA
Soyons honnêtes sur l’IA, car l’expression “détection d’anomalies par IA” est largement survendue. Pour l’étape de détection elle-même, une référence statistique bien construite vaut souvent un modèle, et elle est bien plus facile à comprendre et à déboguer. Là où l’IA gagne sa place, ce n’est généralement pas dans le signalement de l’anomalie. C’est dans son explication.
Une référence statistique vous dit que l’unité 4 a franchi le seuil à 3 h 20 du matin. Elle ne vous dit pas pourquoi, ni si cela s’inscrit dans une tendance, ni ce qu’il faut faire. Or cette investigation, qui consiste à corréler le dépassement avec d’autres variables, à vérifier si la même unité avait déjà déraillé la semaine précédente et à rédiger un premier correctif, c’est précisément ce qu’un assistant IA sait bien faire quand il a accès à vos données réelles.
Avec le serveur MCP de TagoIO, vous pouvez demander à un assistant d’enquêter sur une anomalie signalée en se basant sur votre compte réel : récupérer les mesures alentour, consulter l’historique de l’appareil et proposer une Action mieux calibrée. La détection reste statistique et auditable ; l’IA se charge de la corrélation fastidieuse et du premier jet de réponse. Nous détaillons ce flux d’interrogation dans comment interroger vos données IoT en langage naturel, et la vue d’ensemble dans ce que le MCP change pour l’IoT.
Un ordre de construction concret
Vous n’avez pas besoin des trois étapes dès le premier jour. Construisez dans cet ordre : chaque étape se rentabilise avant que vous n’ajoutiez la suivante.
Commencez par des seuils sur vos vraies limites strictes, avec les Actions. Ajoutez une référence statistique glissante pour les variables où le contexte compte, avec un simple script Analysis qui écrit un indicateur d’anomalie. Segmentez cette référence par plage horaire ou par mode dès que vous voyez des faux positifs se concentrer à des heures prévisibles. Puis, une fois que les anomalies sont signalées de façon fiable, connectez un assistant IA via le MCP : les investiguer devient une simple question au lieu d’un après-midi entier.
Le piège à éviter, c’est de commencer par l’étape trois. Une IA qui enquête sur des anomalies que vous ne savez pas encore détecter de manière fiable, c’est une supposition assurée bâtie sur des fondations bancales. La détection d’abord, l’explication ensuite.
À retenir
La détection d’anomalies est une progression, pas un produit. Les seuils attrapent les dépassements de limites strictes. Les références statistiques attrapent les pics et les dérives que les seuils manquent, et elles sont plus fiables que la plupart des gens ne l’imaginent. L’IA est plus utile pour enquêter sur les anomalies que vos références font remonter et pour les expliquer, en s’appuyant sur vos données réelles via le MCP. Construisez dans cet ordre et vous obtenez un système précis, débogable et réellement utile, plutôt qu’une démo impressionnante à laquelle personne ne fait confiance en production.
Envie de le construire ? Consultez Analysis et Actions dans la documentation, ou commencez gratuitement sur TagoIO et signalez votre première anomalie dès cette semaine.
