Integreringen av IIoT (Internet of Industrial Things) syftar till att förbättra anläggningens prestanda genom att utnyttja de data som samlas in av de olika sensorerna/aktörerna. IIoT kommer att göra det möjligt att bättre känna anläggningen, upptäcka och reagera på problem (pankar, lagerbrott) och lyckas minska eller till och med eliminera driftstopp med maskininlärning på grundval av data som samlats in av sensorerna. Bland tillämpningarna av IIoT i framtidens fabrik finns prediktivt underhåll, lagerhantering och hantering av energiförbrukningen. Syftet med denna avhandling är att föreslå algoritmer som härrör från artificiell intelligens som ett sätt att fatta beslut om behandling av data som genereras av objekten i ett IIoT-nätverk, beroende på applikationens kriticitetsnivå, arten av det objekt som genererade datan och nätverkets tillstånd. De åtgärder som vidtas av de olika enheterna syftar till att på bästa sätt utnyttja tillgängliga resurser (lagring, beräkning, bandbredd, radioresurs..) för att tillgodose behoven hos applikationer/föremål. Spelteori, multiagentinlärning och förhandling är de verktyg vi kommer att använda för att göra IIoT-nätverket självständigt. Våra förslag kommer att valideras analytiskt, genom simulering men också på CPER PFEEXECL ffca-plattformen ”Factories of Future Champagne-Ardenne” där vi är involverade.