Les territoires disposent de volumes d’informations de plus en plus importants : IoT, météo, voirie, bâtiments, équipements techniques, remontées terrain, données nationales de surveillance. Le défi consiste moins à détecter davantage d’événements qu’à identifier ceux qui nécessitent réellement une réaction.
Une chaîne d’alerte efficace doit distinguer l’événement, qui correspond à un changement détecté ; l’information, qui le replace dans son contexte ; et l’alerte, qui attire activement l’attention parce qu’une situation nécessite une action ou un changement de comportement.
La plateforme de données intervient dans la qualification du signal. L’hypervision permet de consolider et de restituer les événements prioritaires. L’IA peut ensuite renforcer cette capacité lorsque les historiques permettent d’identifier des anomalies ou d’anticiper certains franchissements de seuil.
Les systèmes institutionnels suivent eux-mêmes cette logique. La Vigilance météorologique utilise quatre niveaux de danger et associe aux situations les plus importantes leurs conséquences potentielles et les comportements recommandés. FR-Alert est quant à lui réservé aux situations graves nécessitant une réaction immédiate des populations : le guide PCS/PICS précise explicitement qu’il ne doit pas servir à diffuser de l’information générale.
Introduction
Une chaussée verglacée, une montée rapide d’un cours d’eau, une température anormale dans un bâtiment sensible, une rafale supérieure à un seuil ou le dysfonctionnement d’un équipement sont autant d’événements qu’un territoire peut aujourd’hui détecter rapidement. La multiplication des capteurs, des données météorologiques, des logiciels métiers et des remontées terrain augmente mécaniquement le nombre de signaux disponibles.
Mais un événement détecté n’est pas nécessairement une alerte.
L’information peut simplement être historisée, enrichir un tableau de bord ou justifier une surveillance renforcée. L’alerte intervient lorsqu’une situation atteint un niveau de criticité qui nécessite l’attention d’un destinataire et, surtout, lorsqu’une action est encore possible.
C’est précisément dans cette transformation du signal en information exploitable que la data et l’hypervision prennent leur intérêt. Une plateforme de données permet de replacer l’événement dans son historique, de le croiser avec d’autres sources et de lui associer une localisation ou un contexte métier. L’hypervision peut ensuite hiérarchiser cette information et la restituer selon le niveau de criticité, le périmètre géographique ou le profil de l’utilisateur.
« Si tout devient une alerte, plus rien n’est une alerte. »
Définir des niveaux de criticité utilisables
La criticité permet de transformer un ensemble d’événements hétérogènes en priorités compréhensibles.
Un dépassement ponctuel, une anomalie durable et une situation présentant un danger immédiat peuvent ainsi suivre des circuits différents. La gradation doit être définie avec les métiers, car eux seuls connaissent les conséquences opérationnelles d’une valeur, d’une durée ou d’une évolution.
La retranscription d’un déploiement IoT territorial montre cette étape très concrètement : les seuils de gravité nécessitant une alerte doivent être définis par métier, lors d’ateliers avec les services concernés. Le système prévoit également des alertes sur des valeurs trop élevées ou trop basses, selon le phénomène surveillé.
Niveau |
Situation |
Traitement possible |
|---|---|---|
Cette séparation existe déjà à l’échelle nationale. La Vigilance de Météo-France ne constitue pas uniquement une prévision météorologique : elle qualifie le niveau de danger, précise sa temporalité et fournit des recommandations adaptées aux phénomènes attendus.
FR-Alert intervient encore plus loin dans la chaîne. Il est activé pour des événements graves nécessitant une réaction immédiate et indique aux personnes présentes dans la zone le danger auquel elles sont exposées ainsi que les comportements à adopter.
Cette graduation est également pertinente pour les dispositifs territoriaux. Dans un projet IoT, les seuils de gravité nécessitant une alerte doivent être déterminés avec chaque métier, parce qu’un niveau d’eau, une température ou une consommation anormale n’ont pas la même conséquence opérationnelle. Les alertes peuvent également porter sur une valeur trop haute ou trop basse selon l’usage surveillé.
La qualité du système dépend donc d’abord de sa capacité à filtrer et hiérarchiser les événements avant de solliciter les utilisateurs.
La donnée permet de qualifier ce qui vient d’être détecté
Focus : surveiller localement un niveau d’eau
Un seuil apporte une première information. Il n’explique pas nécessairement la situation.
Une température de -2 °C sur une route sèche n’a pas la même conséquence que la même température après des précipitations. Une hauteur d’eau doit être interprétée en fonction de sa vitesse d’évolution, des pluies enregistrées en amont et des infrastructures exposées. Une valeur inhabituelle provenant d’un équipement doit également être distinguée d’une donnée erronée ou trop ancienne.
La plateforme de données permet précisément de sortir de cette lecture isolée.
Elle peut rapprocher :
- la mesure actuelle et son historique, pour identifier une évolution ou une rupture ;
- la localisation, afin de déterminer les secteurs ou équipements concernés ;
- les données météorologiques, lorsqu’elles peuvent expliquer ou aggraver le phénomène ;
- les données issues d’autres capteurs ou logiciels métiers, pour confirmer ou contextualiser le signal ;
- l’état du système de mesure lui-même, afin de distinguer une anomalie réelle d’une panne de transmission ;
- les règles définies par le métier, qui traduisent la donnée technique en niveau de criticité.
La différence est importante. Un capteur produit une mesure. Le croisement de données permet de commencer à répondre à une question métier.
Le principe des systèmes d’alerte précoce défendu par l’UNDRR repose d’ailleurs sur cette continuité : détection et analyse du danger, diffusion d’une information compréhensible puis capacité réelle des destinataires à agir. Un système d’alerte efficace doit couvrir l’ensemble de cette chaîne et produire des messages actionnables, pas uniquement détecter le phénomène. UNDRR
Pour une collectivité, la plateforme de données devient ainsi le niveau où plusieurs signaux jusque-là indépendants peuvent être comparés et qualifiés avant d’être remontés vers les utilisateurs.
L’hypervision hiérarchise et distribue l’information
Qualifier l’événement ne résout qu’une partie du problème. Encore faut-il présenter la bonne information à la bonne personne.
Un agent chargé de la voirie peut avoir besoin du détail d’un tronçon, d’un relevé terrain et de l’historique récent. Un responsable d’astreinte doit surtout connaître le niveau de criticité, les secteurs concernés et les actions à engager. Un automobiliste a besoin de savoir qu’une route est difficilement praticable et qu’il doit adapter son itinéraire.
L’information provient éventuellement du même événement initial, mais sa restitution dépend du rôle du destinataire.
L’hypervision apporte cette couche transversale. Elle permet de regrouper dans une même vue des événements provenant de plusieurs sources, de les classer selon leur criticité et de restituer des informations différentes selon le profil ou le périmètre de l’utilisateur.
Cette logique est particulièrement utile lorsque le territoire commence à multiplier ses systèmes. Les données peuvent provenir d’un réseau IoT, d’un logiciel métier, de données météorologiques, d’un SIG ou d’une source nationale. L’objectif n’est pas de supprimer les outils spécialisés : un superviseur métier reste souvent le meilleur outil pour exploiter finement un réseau ou un équipement. L’hypervision permet plutôt de faire remonter ce qui nécessite une lecture transversale ou une coordination.
La source Somme Numérique illustre cette logique : l’hypervision est conçue comme un environnement multi-métiers capable d’intégrer les capteurs du territoire mais aussi des données externes comme Météo-France ou des flux de mobilité. Les seuils et niveaux de gravité sont ensuite déterminés avec les services qui connaissent réellement les usages.
La personnalisation doit également porter sur la diffusion. Selon le besoin, une information peut rester dans un tableau de bord, produire une notification mobile, générer un courriel ou un SMS, ou être transmise uniquement aux responsables chargés du traitement.
La logique est alors simple : plus la sollicitation est intrusive, plus le niveau de criticité doit la justifier.
Inforoute 63 : de la remontée terrain à l’alerte personnalisée
Le Puy-de-Dôme exploite près de 7 000 kilomètres de routes, dans un territoire où le relief et les conditions hivernales peuvent rapidement modifier les conditions de circulation. L’objectif du dispositif de l’information routière d’Inforoute 63 est de permettre aux usagers d’anticiper leurs déplacements, mais aussi de fiabiliser et accélérer la circulation de l’information entre le terrain, les agents et le public.
Le dispositif repose sur deux briques complémentaires développées par Eridanis : une plateforme de données pour les agents et une application mobile pour les usagers. Cette séparation permet de ne pas diffuser directement chaque remontée terrain, mais de la qualifier, de la contextualiser et de choisir la forme de restitution la plus adaptée.
Côté agents : qualifier et organiser l’information
Le backoffice permet aux agents de saisir et mettre à jour en temps réel les conditions de circulation selon un code couleur commun, de qualifier les événements, de publier des bulletins départementaux, de planifier l’affichage de certains événements et de gérer les alertes.
Un même événement peut donc suivre plusieurs traitements. Il peut simplement être enregistré et visible sur la carte, être intégré à un bulletin, être programmé lorsqu’il concerne une perturbation à venir ou déclencher une notification lorsque sa criticité le justifie.
Cette distinction est essentielle pour la gestion des alertes : la plateforme ne transforme pas chaque remontée terrain en notification. Elle permet de maintenir plusieurs niveaux d’information selon la nature de l’événement, sa temporalité et les personnes concernées.
La rapidité du dispositif repose également sur l’organisation opérationnelle. Sur certains secteurs, la surveillance débute dès 4 heures du matin ; les premières informations remontent vers 5 heures et, autour de 5 h 30, les données sont déjà disponibles pour les usagers qui commencent leurs déplacements. La donnée est donc produite et qualifiée avant le moment où elle doit réellement influencer une décision.
Côté usagers : personnaliser l’information reçue
L’application restitue une carte actualisée des conditions de circulation, le détail des événements par tronçon, les bulletins d’information ainsi que les images de 19 webcams départementales.
Les notifications peuvent être ciblées géographiquement et personnalisées selon les secteurs suivis par l’utilisateur. Une perturbation située à l’autre extrémité du département reste ainsi accessible sur la carte sans nécessairement générer une notification. À l’inverse, un événement important situé sur une zone suivie peut être directement porté à l’attention de l’usager.
Le système prend également en compte les événements planifiés et les perturbations à venir. Cette fonction permet d’informer suffisamment tôt sur des travaux, fermetures ou contraintes prévisibles, là où un événement soudain exige une diffusion beaucoup plus rapide.
« Cette application est une aide à la décision de transport et pour la sécurité dans le département. »
— Lionel Chauvin, président du Conseil départemental
Cette notion d’aide à la décision correspond exactement au rôle du dispositif. L’application ne choisit pas l’itinéraire de l’automobiliste. Elle lui apporte une information locale, qualifiée et actualisée afin qu’il puisse maintenir, reporter ou adapter son déplacement.
L’application a enregistré plus de 6 000 téléchargements dès sa première semaine. Ce chiffre ne permet pas de mesurer directement l’efficacité du système d’alerte, mais il montre que l’accès rapide à une information routière locale répond à un usage concret.
Derrière l’application, la plateforme de données assure la continuité entre les remontées terrain, leur qualification et leur diffusion. C’est cette capacité à traiter différemment un événement selon sa criticité, sa localisation et son destinataire qui évite de transformer chaque information en alerte.
De l’alerte à l’anticipation grâce aux historiques et à l’IA
Une alerte classique intervient lorsqu’une règle est satisfaite : un seuil est franchi, une situation est déclarée ou plusieurs conditions sont réunies.
L’historisation ouvre une possibilité supplémentaire : identifier ce qui se produit avant le franchissement.
Plusieurs mois ou années de données permettent de comparer un événement actuel avec des situations antérieures, de repérer des trajectoires récurrentes et d’identifier les variables qui précèdent certaines situations critiques.
C’est à ce niveau que l’IA peut apporter une capacité supplémentaire. Selon les usages et les données disponibles, elle peut contribuer à :
- détecter des combinaisons inhabituelles de plusieurs variables ;
- reconnaître plus tôt une évolution similaire à des situations déjà observées ;
- estimer la probabilité qu’un seuil soit franchi dans un horizon donné ;
- réduire certains faux positifs en tenant compte du contexte ;
- adapter progressivement les règles d’alerte à partir des historiques.
Le passage au prédictif impose néanmoins une condition : disposer de données suffisamment fiables, continues et contextualisées. Une série comportant des périodes manquantes, des changements de capteurs non documentés ou des valeurs mal qualifiées dégrade directement les modèles qui l’exploitent.
La donnée collectée aujourd’hui a donc également une valeur future. Elle permet d’améliorer les seuils, de comparer les événements et, lorsque le volume devient suffisant, de construire des modèles capables d’anticiper certaines situations plutôt que d’attendre leur matérialisation.
L’hypervision évolue alors d’un outil de restitution vers un environnement capable de présenter des événements observés, leur niveau de criticité et des risques détectés en amont. L’IA enrichit cette capacité d’analyse ; elle ne supprime ni les règles métier ni la responsabilité de ceux qui décident.
L’enjeu reste le même à chaque étape : transformer davantage de données en moins d’informations inutiles et davantage d’informations réellement exploitables.
Une bonne alerte n’est donc pas celle qui part automatiquement à la première variation détectée. Elle résulte d’une donnée qualifiée, replacée dans son contexte, hiérarchisée et adressée à un destinataire qui dispose encore du temps et des moyens nécessaires pour agir.
