IA explicable (XAI) de nouvelle génération pour les systèmes fédérés et distribués de l'Internet des objets : une revue à la pointe

Contexte : L'intelligence artificielle explicable (XAI) est déployée dans les écosystèmes de l'Internet des objets (IoT) pour les villes intelligentes et l'agriculture de précision, où les modèles opaques peuvent compromettre la confiance, la responsabilité et la conformité réglementaire. Objectif : Cette revue examine comment XAI est actuellement intégrée dans les architectures IoT distribuées et fédérées et identifie les lacunes systématiques dans l'évaluation sous contraintes de ressources du monde réel. Méthodes : Une recherche structurée à travers IEEE Xplore, ACM Digital Library, ScienceDirect, SpringerLink et Google Scholar a ciblé des publications relatives à XAI, IoT, edge/fog computing, villes intelligentes, agriculture intelligente et apprentissage fédéré. Les travaux évalués par des pairs pertinents ont été synthétisés selon trois dimensions : niveau de déploiement (appareil, edge/fog, cloud), portée de l'explication (locale vs globale) et méthodologie de validation. Résultats : L'analyse révèle un écart persistant entre ressources et interprétabilité : des explications computationalement intensives sont fréquemment appliquées sur des plateformes edge et fédérées contraintes sans prise en compte explicite de la latence, de l'empreinte mémoire ou de la consommation énergétique. Seule une minorité d'études quantifie les effets vie privée-utilité ou aborde l'attribution causale dans des environnements riches en capteurs, limitant la fiabilité des explications dans les applications IoT critiques pour la sécurité et les missions. Contribution : Pour pallier ces insuffisances, la revue introduit un cadre d'évaluation centré sur le matériel avec les métriques Computational Complexity Score (CCS), Memory Footprint Ratio (MFR) et Privacy–Utility Trade-off (PUT), et propose une architecture de référence hiérarchique IoT–XAI, ainsi que la norme conceptuelle Internet of Things Interpretability Evaluation Standard (IOTIES) pour une évaluation inter-domaines. Conclusions : Les résultats indiquent que la recherche IoT–XAI doit évoluer d’un rapport centré uniquement sur la précision vers des pipelines d'explications légers, agnostiques au modèle et respectueux de la vie privée, explicitement budgétés pour les ressources edge et alignés avec les besoins des parties prenantes hétérogènes dans les déploiements de villes intelligentes et d'agriculture.