L’Intelligence Artificielle pour l’agriculture, quel avenir ?

Un groupe de producteurs de maïs se trouvent autour d’un agronome et de son ordinateur en Afrique centrale du Sud. L’agronome vient de survoler un pivot d’irrigation avec un drone hybride qui décolle et atterrit en utilisant des hélices maintenues à distance et capable de balayer de vastes hectares de terres à travers l’utilisation de ses ailes fixes.

Le drone est équipé d’un capteur de précision embarqué de quatre bandes spectrales qui effectue un traitement immédiat après le vol, permettant aux agriculteurs et au personnel sur le terrain de faire face, presque immédiatement, aux anomalies des cultures que le capteur peut avoir enregistrées, ce qui rend la collecte des données véritablement en temps réel.

Dans ce cas, les agriculteurs et les agronomes cherchent des logiciels spécialisés pour leur donner un exact dénombrement de plantations. Cela fait 10 jours que le maïs a émergé et l’agriculteur veut déterminer s’il y a des parties du champ qui nécessitent une replantation en raison d’un manque de pousse ou des plantes endommagées par le vent, qui peut être sévère dans les premiers stades de la saison des pluies estivales.


A ce stade du développement de la culture, l’agriculteur a encore 10 jours pour procéder à toute replantation avant que la majorité de ses applications d’engrais et de produits chimiques soient faites. Une fois que celles-ci ont été appliquées, il devient économiquement non viable de prendre des mesures correctives, ce qui rend les données historiques recueillies plus utiles pour informer les pratiques futures pour la saison à venir.

Le logiciel a terminé son traitement en moins de 15 minutes produisant une carte des plantations. Il est difficile de saisir à quel point c’est impressionnant, sans comprendre qu’il y a un peu plus d’un an, il aurait fallu trois à cinq jours pour traiter le même ensemble de données exactes, illustrant les progrès qui ont été réalisés dans l’agriculture de précision et la télédétection au cours de ces dernières années. Avec le logiciel ayant été développé aux États-Unis sur la même variété de cultures dans des conditions apparemment similaires, l’agronome est confiant que le logiciel produira un résultat proche de la précision.

Après avoir marché à travers les rangées plantées avant le vol pour acquérir une compréhension physique de la situation sur le terrain, il sait à l’instant où il voit les données sur son écran que le nombre de plantes n’est pas correct, la façon de lire des cartes de télédétection nécessite une vision en vrai.

Le potentiel de l’intelligence artificielle dans l’agriculture

Hypothétiquement, il est possible pour les machines d’apprendre à résoudre tous les problèmes sur la terre relative à l’interaction physique de toutes les choses dans un environnement défini ou contenu … en utilisant l’intelligence artificielle et l’apprentissage de la machine.

Le principe de l’intelligence artificielle est celui où une machine peut percevoir son environnement, et par une certaine capacité de rationalité flexible, prendre des mesures pour répondre à un but précis lié à cet environnement. L’apprentissage automatique est lorsque cette même machine, selon un ensemble précis de protocoles, améliore sa capacité à résoudre les problèmes et les objectifs liés à l’environnement quand la nature statistique des données qu’il reçoit augmente. Le système reçoit une quantité croissante d’ensembles de données semblables qui peuvent être classés dans les protocoles spécifiés, sa capacité à rationaliser augmente, ce qui lui permet de mieux « prédire »avec un éventail de résultats.

La montée de l’agriculture numérique et ses technologies connexes a ouvert une multitude de nouvelles possibilités de données. Les capteurs à distance, les satellites et les drones peuvent recueillir de l’information 24 h/24 sur un champ entier. Ceux-ci peuvent surveiller la santé des plantes, l’état du sol, la température, l’humidité, etc. La quantité de données que ces capteurs peuvent générer est écrasante, et la signification des nombres est caché dans l’avalanche de ces données.

L’idée est de permettre aux agriculteurs d’acquérir une meilleure compréhension de la situation sur le terrain grâce à la technologie de pointe (telles que la télédétection) qui peut leur donner une meilleure vue qu’ils peuvent voir à l’œil nu. Et pas seulement avec plus de précision, mais aussi plus rapidement que de devoir marcher ou conduire à travers champs.

Les capteurs à distance permettent aux algorithmes d’interpréter l’environnement d’un champ sous forme de données statistiques qui peuvent être comprises et utiles aux agriculteurs pour la prise de décision. Les algorithmes traitent les données, l’adaptation et l’apprentissage sur la base des données reçues. Plus d’informations statistiques sont collectées, mieux l’algorithme pourra prédire une série de résultats. Et le but est que les agriculteurs puissent utiliser cette intelligence artificielle pour atteindre leur objectif d’une meilleure récolte grâce à une meilleure prise de décisions dans le domaine.

En 2011, IBM, grâce à sa R&D à Haïfa, en Israël, a lancé un projet de cloud computing agricole. Le projet, en collaboration avec un certain nombre de partenaires IT spécialisés et agricoles, avait un objectif en tête : prendre une variété de sources de données académiques et physiques d’un environnement agricole et de les transformer en solutions prédictives automatiques pour les agriculteurs qui les aideraient à prendre des décisions en temps réel sur le terrain.

Des entretiens avec quelques-uns des membres de l’équipe de projet IBM à l’époque ont révélé que l’équipe a estimé qu’il était tout à fait possible de faire une agriculture « algorithme », ce qui signifie que les algorithmes peuvent résoudre tous les problèmes dans le monde. Plus tôt cette année, le système d’apprentissage cognitif d’IBM, Watson, a participé à Jeopardy contre les anciens Brad Rutter et Ken Jennings avec des résultats étonnants. Quelques années plus tard, Watson a continué à produire des réalisations novatrices dans le domaine de la médecine, ce qui a conduit à réduire les projets agricoles d’IBM. En fin de compte, IBM a réalisé que la tâche de produire des solutions cognitives d’apprentissage automatique pour l’agriculture était beaucoup plus difficile qu’ils ne l’auraient imaginé.

Alors pourquoi le projet a un tel succès dans la médecine, mais pas dans l’agriculture?

Ce qui fait que l’agriculture est différente ?

L’agriculture est l’un des domaines les plus difficiles à contrôler dans le but de quantification statistique.

Même au sein d’un seul champ, les conditions changent toujours d’une section à l’autre. Il y a des conditions météorologiques imprévisibles, des changements dans la qualité des sols, et la possibilité toujours présente que les ravageurs et les maladies soient présents. Les producteurs peuvent sentir que leurs perspectives sont bonnes pour une récolte à venir, mais jusqu’à ce que ce jour arrive, le résultat sera toujours incertain.

Par comparaison, nos corps sont un environnement confiné. L’agriculture a lieu dans la nature, parmi les écosystèmes d’organismes et de l’activité en interaction, et la production agricole a lieu dans cet environnement de l’écosystème. Et ces écosystèmes ne sont pas contenus. Ils sont soumis à des événements climatiques tels que les systèmes météorologiques, qui ont un impact sur les hémisphères dans leur ensemble, et de continent à continent. Par conséquent, la compréhension de la façon de gérer un environnement agricole signifie prendre littéralement des centaines sinon des milliers de facteurs en compte.

Ce qui peut se produire avec une même graine et un même programme de traitement d’engrais dans la région du Midwest des États-Unis est presque certainement sans rapport à ce qui peut se produire avec le même programme de semences et d’engrais en Australie ou en Afrique du Sud. Quelques facteurs qui pourraient avoir un impact sur la variabilité incluent généralement la mesure de pluie par unité d’une culture plantée, le type de sol, les modèles de la dégradation des sols, les heures de clarté, la température et ainsi de suite.

Donc, le problème avec le déploiement de l’apprentissage machine et de l’intelligence artificielle dans l’agriculture n’est pas que les scientifiques n’ont pas la capacité d’élaborer des programmes et des protocoles pour commencer à régler la plus grande des préoccupations des producteurs ; le problème est que, dans la plupart des cas, pas deux environnements seront exactement les mêmes, ce qui rend les essais, la validation et le déploiement réussi de ces technologies beaucoup plus laborieux que dans la plupart des autres industries.

Pratiquement, reconnaître que l’AI et l’apprentissage automatique peuvent être développés pour résoudre tous les problèmes liés à notre environnement physique revient essentiellement à dire que nous avons une compréhension complète de tous les aspects de l’interaction de l’activité physique ou matérielle sur la planète. Après tout, c’est seulement grâce à notre compréhension de la nature des choses que les protocoles et les processus sont conçus avec les capacités rationnelles des systèmes cognitifs et mis en place. Et, bien que l’IA et l’apprentissage automatique nous enseignent beaucoup de choses sur la façon de comprendre notre environnement, nous sommes encore loin d’être en mesure de prédire les résultats critiques dans des domaines tels que l’agriculture, uniquement grâce à la capacité cognitive des machines. 

Conclusion

Soutenu par la communauté du capital-risque, qui maintenant canalise des milliards de dollars dans le secteur, la plupart des start-up de technologie agricole d’aujourd’hui sont poussées à achever le développement le plus rapidement possible et encouragés à inonder le marché le plus rapidement possible avec leurs produits.

Cela se traduit généralement par un échec d’un produit, ce qui conduit au scepticisme du marché et porte un coup à l’intégrité de la technologie d’apprentissage machine. Dans la plupart des cas, le problème n’est pas que la technologie ne fonctionne pas, le problème est que l’ industrie n’a pas pris le temps de respecter que l’agriculture est l’un des environnements les plus non endigués à gérer. Pour que la technologie ait vraiment un impact sur le terrain, plus d’efforts, de compétences et de financements sont nécessaires pour tester ces technologies dans les champs des agriculteurs.

Il y a un énorme potentiel pour l’intelligence artificielle et l’apprentissage automatique de révolutionner l’agriculture par l’intégration de ces technologies dans les marchés critiques à l’échelle mondiale. Seulement alors cela pourra faire une différence pour le producteur, pour ce qui compte vraiment.

Publicités

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s