La plupart des projets IoT deviennent très bons pour vous montrer le présent. Un dashboard vous indique que la cuve est à 40 pour cent, que le moteur chauffe, que le congélateur a tenu sa température pendant la nuit. Cela répond à la question “que se passe-t-il en ce moment”, et pendant un temps, cela suffit.
Le problème, c’est que les opérateurs n’agissent pas sur le présent. Ils agissent sur ce que le présent laisse présager pour les prochaines heures ou les prochains jours. Quarante pour cent ne veut rien dire tant que vous ne savez pas si la cuve sera vide vendredi ou dans trois semaines. Un dashboard qui ne fait que rapporter la valeur actuelle rejette ce jugement sur un humain qui surveille une douzaine d’autres choses. La prévision fait entrer ce jugement dans le système.
Ce guide suit la progression que la plupart des équipes empruntent réellement, de la prévision utile la plus simple jusqu’au machine learning, et montre où chacune trouve sa place.
Commencez par la question, pas par le modèle
Une prévision n’est utile que si quelqu’un modifie une décision grâce à elle. Avant de choisir une méthode, écrivez la décision. “Recommander avant que le silo ne se vide.” “Planifier la maintenance avant la panne du roulement.” “Refroidir l’entrepôt par anticipation avant le pic de l’après-midi.” Chacune implique un horizon (jusqu’où dans le futur) et une tolérance (à quel point vous pouvez vous tromper avant que la décision ne s’effondre).
Une décision de réapprovisionnement qui exige trois jours de délai n’a pas besoin d’une prédiction à la minute près. Elle doit voir juste, en gros, sur une tendance à trois jours. Clarifier cela d’abord vous évite de construire un modèle précis pour un problème qui n’en avait jamais besoin.
Niveau 1 : moyennes mobiles et tendances
La première prévision qui mérite d’être mise en production est souvent une moyenne mobile et une tendance linéaire. Prenez la dernière fenêtre de relevés, faites-en la moyenne, ajustez une pente, projetez-la vers l’avant. Sur TagoIO, vous pouvez faire cela dans un script Analysis qui lit les données récentes d’un device, calcule la pente et réécrit une valeur prédite sous forme de sa propre variable qu’un widget de dashboard peut tracer à côté des valeurs réelles.
Cela semble trop simple pour compter. Pour un signal à évolution lente, comme une cuve de carburant qui se vide à un rythme régulier, c’est souvent assez précis pour déclencher une commande avec plusieurs jours d’avance. Le hic, c’est qu’une droite ignore que votre bâtiment consomme plus d’énergie les après-midi de semaine. Dès que votre signal a un rythme, une droite de tendance l’aplatit en une réponse fausse.
Niveau 2 : saisonnalité et lignes de base
La plupart des signaux IoT réels se répètent. La charge énergétique suit un cycle journalier et hebdomadaire. La température de la chaîne du froid oscille avec les ouvertures de porte pendant les heures de service. La demande en eau augmente le matin. Une prévision qui ignore ces cycles surestimera les jours calmes et sous-estimera les jours chargés.
La solution est une ligne de base saisonnière. Au lieu d’une seule moyenne, vous conservez une moyenne par heure de la journée, ou par jour de la semaine, construite à partir des données historiques. La prévision devient “la valeur habituelle pour cette heure, ajustée en fonction de la tendance actuelle.” C’est encore de l’arithmétique que vous pouvez exécuter dans un Analysis planifié, et cela couvre la majorité des cas d’usage de supervision sans aucun machine learning.
Des outils comme Prophet de Facebook formalisent cette approche : ils décomposent un signal en tendance plus saisonnalité journalière, hebdomadaire et annuelle, et vous donnent une prévision assortie d’une plage de confiance. Comme vous pouvez exécuter du Python dans TagoIO Analysis, un modèle Prophet peut lire le bucket d’un device, s’ajuster et écrire des prédictions selon une planification.
Niveau 3 : le machine learning pour les signaux difficiles
Certains signaux résistent à l’arithmétique. Quand le futur dépend de plusieurs entrées à la fois, température extérieure, occupation, cadence de production, et des interactions entre elles, une ligne de base construite à la main ne suit plus. C’est là que des modèles comme les arbres à gradient boosting ou un réseau LSTM justifient leur coût.
Ces modèles apprennent à partir de l’historique des motifs que vous n’avez pas encodés à la main. Ils exigent aussi davantage : des données d’entraînement propres, une vraie étape d’évaluation et un réentraînement à mesure que les conditions dérivent. L’erreur que commettent les équipes est de se ruer sur un LSTM en premier parce que cela fait sérieux, puis de passer un mois sur un problème qu’une ligne de base saisonnière aurait résolu en un après-midi. Le machine learning est la bonne réponse quand les niveaux plus simples ont échoué de façon mesurable, pas avant.
Comme TagoIO Analytics produit la prévision à côté de vos données, ses prédictions se réinjectent directement dans les dashboards et les alertes.
Mesurez la prévision, sinon vous n’en avez pas
Une prévision que vous n’évaluez jamais est une supposition accompagnée d’un graphique. Mettez de côté des données récentes que le modèle n’a jamais vues, prédisez-les et comparez avec ce qui s’est réellement passé. Suivez un simple chiffre d’erreur dans le temps. Quand il dérive, votre modèle est devenu obsolète et a besoin d’un réentraînement ou d’une remise à plat.
Cette étape est ce qui distingue une prévision à laquelle les opérateurs se fient d’une prévision qu’ils ignorent discrètement après deux échecs. Intégrez l’évaluation dès le départ, exécutez-la selon la même planification que la prévision, et affichez l’erreur sur le même dashboard.
Par où commencer cette semaine
Choisissez un signal lié à une vraie décision. Construisez la version à moyenne mobile dans un script Analysis, tracez la prédiction à côté des valeurs réelles, et laissez-la tourner. Vous apprendrez davantage d’une prévision en direct qui se trompe parfois que d’un mois passé à planifier le modèle parfait. Ajoutez la saisonnalité quand la droite de tendance vous fait honte, et ne vous tournez vers le machine learning que lorsque les chiffres montrent que les versions plus simples ne suffisent pas.
La prévision n’est pas une fonctionnalité que l’on active. C’est l’habitude de transformer les données que vous collectez déjà en la décision suivante, et le rôle de la plateforme est de rendre cette boucle courte. Découvrez comment TagoIO Analytics produit les prévisions qui la sous-tendent.
Pour l’approche sans code, TagoIO Analytics construit la prévision à votre place. Connectez-vous à TagoIO Analytics sur sight.tago.io/login avec votre compte TagoIO et entraînez un modèle sur vos données en quelques minutes. Vous obtenez des prévisions et une détection d’anomalies sur vos propres signaux, sans écrire la moindre ligne de code ni être data scientist.
