Plateforme IoT industrielle — 12 000 capteurs temps-réel

12 000 capteurs répartis sur 47 sites industriels, générant 8 millions d'événements/jour. L'infra existante (on-premise, MQTT + InfluxDB) saturait à 4 millions/jour.

Équipes maintenance voulaient des alertes prédictives (détection de panne avant défaillance) — pas seulement de la supervision.

Conformité NIS2 obligatoire : opérateur essentiel, gestion des incidents, traçabilité, plans de continuité.

Contrainte réseau : plusieurs sites en connexion cellulaire intermittente — l'edge devait continuer à fonctionner offline.

Architecture 3-tier : edge (gateway industrielle Linux + MQTT broker local + buffer SQLite), régional (agrégation, premières règles), central (time-series ClickHouse, dashboards, ML).

Edge computing : détection d'anomalies locale (modèle léger ONNX), alertes immédiates même hors connexion, sync différée au retour réseau.

ML prédictif : modèles XGBoost entraînés par type d'équipement, détection de dérive (data drift), MLOps via MLflow, retraining mensuel.

Stack central : Kafka pour l'ingestion, ClickHouse pour le time-series, Grafana pour les dashboards, Alertmanager pour les alertes.

Conformité NIS2 : cartographie des actifs, plan de gestion des incidents, sauvegardes géographiquement distribuées, exercices de crise annuels.

Déploiement infrastructure-as-code : Terraform, Ansible pour la configuration edge, OTA updates pour les gateways.

Capacité d'ingestion : 4 M → 12 M événements/jour, latence p95 bout-en-bout 1,8 s.

Maintenance prédictive : 73 % des pannes détectées avant défaillance (vs 0 avant). Économie estimée 2,4 M€/an en coût de panne évitée.

Conformité NIS2 : tous les contrôles techniques en place, premier audit passé avec 1 seul écart mineur.

Sites isolés : 100 % opérationnels même en coupure réseau longue durée (buffering local, replay au retour).