L'article décrit les principes et les résultats de la mise en œuvre d'algorithmes d'apprentissage par renforcement sur des appareils de l'Internet des Objets pour l'atténuation des collisions radio dans les bandes non licenciées ISM. L'apprentissage est ici utilisé pour améliorer à la fois la capacité du réseau IoT à supporter un plus grand nombre d'objets ainsi que l'autonomie des appareils IoT. Nous illustrons d'abord l'efficacité de l'approche proposée dans une preuve de concept basée sur des plates-formes radio logicielles USRP fonctionnant sur des signaux radio réels. Cette démonstration montre comment les collisions avec d'autres signaux RF présents dans la bande ISM sont réduites pour un dispositif IoT donné. Ensuite, nous décrivons la première implémentation d'algorithmes d'apprentissage sur des appareils LoRa fonctionnant dans un réseau LoRaWAN réel, que nous avons nommé IoTligent. La solution proposée n'ajoute aucune surcharge de traitement pour qu'elle puisse être exécutée dans les périphériques IoT, ni de surcharge sur le réseau de sorte qu'aucune modification n'est nécessaire pour LoRaWAN. Des expériences réelles ont été réalisées dans un réseau LoRa, et elles montrent que la durée de vie de la batterie d'un appareil IoTligent peut être augmentée d'un facteur 2 dans les scénarios auxquels nous avons été confrontés pendant notre expérience.