Déployer IoT, IA et ML pour sécuriser l'eau potable au Mexique

Les 120 millions d'habitants du Mexique comptent sur des milliers de fontaines publiques qui délivrent une eau propre, de haute qualité. Assurer un accès continu sur un si vaste territoire demande une infrastructure sophistiquée, pilotée par les données, qui garantit à la fois disponibilité et sécurité.

Cet article explique comment NDS Cognitive Labs a exploité l'IoT, l'intelligence artificielle et le machine learning pour construire une plateforme prédictive qui surveille le débit d'eau, prévoit la qualité et planifie la maintenance — transformant les données brutes des capteurs en insights actionnables.

En anticipant l'usure des composants, le système équipe les techniciens avec les pièces exactes et fournitures nécessaires pour des réparations opportunes, réduisant les temps d'arrêt et prolongeant la durée de vie des actifs.

Mesure du statut et de la qualité de l'eau

Pour capturer le statut de l'eau en temps réel dans les grandes villes, l'équipe a installé des capteurs mécaniques low-cost connectés au réseau LPWAN SigFox. Chaque module enregistre volume, pression et débit, fournissant des données granulaires sur la performance des fontaines, tuyaux et réservoirs.

Un microcontrôleur dédié stocke les lectures locales et tamponne les données pour assurer la fiabilité, même pendant les interruptions réseau.

Chaque capteur journalise les événements de consommation toutes les 10 minutes, produisant des motifs d'usage haute résolution qui alimentent le modèle prédictif.

Après chaque intervalle, le module télécharge une charge utile compressée via SigFox vers un hub central, puis commence le cycle d'échantillonnage suivant.

SigFox gère la validation des paquets, la correction d'erreurs, et transmet les données nettoyées vers le hub Azure IoT de NDS Cognitive Labs.

Une clé API authentifie l'en-tête de requête HTTP, et la charge utile suit cette structure JSON :

Une Azure Function ingère la charge utile, normalise les données, et les écrit dans une collection CosmosDB accessible via un driver MongoDB — formant le squelette du moteur d'analytics.

Capacités et bénéfices de la maintenance prédictive

Pour prédire la qualité de l'eau et les besoins de maintenance, les ingénieurs données ont agrégé des données structurées de CONAGUA, registres municipaux et laboratoires indépendants, aux côtés de rapports non structurés, puis extrait des métriques clés décrivant les conditions locales de l'eau.

Le modèle central est une régression linéaire qui prévoit la dégradation des filtres et capteurs basée sur pression, volume, débit, âge du filtre et qualité de l'eau régionale — permettant des plannings de remplacement proactifs.

Basé sur l'analyse, le système suggère les types de filtres optimaux — allant des unités d'osmose inverse haute capacité aux cartouches standard — adaptés au profil de pression, volume et contamination de chaque site.

Il signale aussi quand une fontaine doit être fermée, entretenue ou mise à niveau, assurant que seule de l'eau sûre atteint les consommateurs.

Pour les sites manquant de capteurs directs, l'équipe a employé l'interpolation de Kriging, combinant données échantillonnées et sources externes pour produire des estimations non biaisées des paramètres de l'eau avec variance minimale.

Le modèle incorpore 17 paramètres mandatés par standards nationaux et internationaux — incluant conductivité, pH, coliformes, solides dissous, turbidité, métaux lourds et dureté.

Des régressseurs machine learning séparés, pré-entraînés et sérialisés, prédisent chaque métrique aux points non mesurés, s'appuyant sur observations voisines et datasets gouvernementaux.

La plateforme intégrée atteint plus de 91 % de précision dans la détection des problèmes de tuyaux, fontaines et réservoirs, permettant des actions de maintenance plus rapides, plus précises, qui maintiennent l'approvisionnement en eau fiable.

Visualisation de données et protocoles IAM

Une API REST basée sur Flask alimente un front-end AngularJS responsive qui délivre des tableaux de bord temps réel aux opérateurs et décideurs.

Des cartes en couches affichent la qualité de l'eau potable, indicateurs socioéconomiques, stress hydrique, localisations laboratoires, actifs fontaines, et métriques eaux usées, tous rendus en GeoJSON sur Google Maps.

Des filtres interactifs permettent aux utilisateurs de descendre par niveau de contamination, type de capteur, heatmaps de rayon, et source, fournissant des vues sur mesure pour chaque rôle.

Auth0 gère la gestion des identités et accès, assignant des permissions basées sur les rôles qui limitent la vue de chaque utilisateur aux données pertinentes à leurs responsabilités — protégeant les informations sensibles tout en boostant l'efficacité opérationnelle.

Conclusion

Avec le système complet en place, les municipalités peuvent maintenant remplacer les filtres préventivement, couper les coûts de maintenance, étendre la disponibilité du système, et surtout, garantir une eau potable sûre et fiable pour tous les citoyens.

Cette initiative démontre comment l'IoT, l'IA et le ML, couplés à des pipelines de données robustes, peuvent transformer un service de base en une infrastructure intelligente protégeant la santé — un modèle essentiel pour toute nation engagée dans le bien-être public.