De integratie van het IIoT (Internet of Industrial Things) heeft tot doel de prestaties van de installatie te verbeteren door gebruik te maken van de door de verschillende sensoren/actoren verzamelde gegevens. De IIoT zal het mogelijk maken om de plant beter te kennen, problemen op te sporen en te reageren (panks, voorraadbreuken) en downtime met machine learning te verminderen of zelfs te elimineren op basis van de door de sensoren verzamelde gegevens. Tot de toepassingen van IIoT in de fabriek van de toekomst behoren voorspellend onderhoud, voorraadbeheer en beheer van het energieverbruik. Het doel van dit proefschrift is om algoritmen op basis van kunstmatige intelligentie voor te stellen als middel voor besluitvorming met betrekking tot de verwerking van gegevens die worden gegenereerd door de objecten van een IIoT-netwerk, afhankelijk van het niveau van kritiek van de applicatie, de aard van het object dat de gegevens heeft gegenereerd en de toestand van het netwerk. De acties van de verschillende entiteiten hebben tot doel optimaal gebruik te maken van de beschikbare middelen (opslag, berekening, bandbreedte, radiobron..) om te voldoen aan de behoeften van toepassingen/objecten. Speltheorie, multi-agent leren en onderhandelen zijn de tools die we zullen gebruiken om het IIoT netwerk autonoom te maken. Onze voorstellen worden analytisch gevalideerd, door simulatie, maar ook op het CPER PFEEXECL ffca platform „Factories of Future Champagne-Ardenne” waarbij we betrokken zijn.