L’intelligence artificielle en agriculture : explication et application

Avec cette population mondiale qui ne cesse de croitre, l’agriculture joue un rôle primordial pour l’avenir de la planète. Malgré tous les changements structurels et techniques qu’elle a pu connaître, il est nécessaire de la rendre toujours plus durable, plus efficace et plus productive. Pour ce faire, l’intelligence artificielle pourrait bientôt devenir indispensable pour analyser les nombreuses données récoltées par les nouveaux outils utilisés par le monde agricole. Capteurs d’humidité, drones, caméras thermiques et autres outils d’aide à la prise de décision donnent tous accès à une quantité de données si immense que l’Homme n’est pas en mesure de les traiter et de les exploiter seul.

Le moyen le plus simple pour comprendre ce qu’est l‘Intelligence Artificielle (IA) est de la comparer à l’Homme. Après tout, les humains sont les créatures les plus intelligentes qui soient. L’IA est une vaste branche de l’informatique. Son but est de créer des systèmes capables de fonctionner de manière intelligente et indépendante.

Fonctionnement de l’Intelligence Artificielle (IA)

Source : datascientest.com

Machine Learning

Le Machine Learning est une technologie d’intelligence artificielle qui permet aux ordinateurs d’apprendre et se développer à partir de données. Il n’y a pas de Machine Learning sans données sur lesquelles s’entraîner. C’est pourquoi le Big Data (données massives dont le volume, la vélocité et la variété imposent l’utilisation de technologies et de méthodes analytiques particulières) représente l’essence du Machine Learning.

Les humains peuvent parler et écouter pour communiquer à travers le langage, c’est le domaine de la reconnaissance vocale. Une grande partie de la reconnaissance vocale est basée sur des statistiques, d’où le nom d’apprentissage statistique (Statistical Learning).

Les humains peuvent écrire et lire du texte dans une langue, c’est le domaine du traitement du langage naturel (NPL pour Natural Language Processing).

Les humains peuvent voir avec leurs yeux et traiter ce qu’ils voient, c’est le domaine de la vision par ordinateur (Computer Vision). La vision par ordinateur relève de la manière symbolique utilisée par les ordinateurs pour traiter les informations. Récemment, il y a eu une autre façon qui sera présentée ultérieurement.

Les humains peuvent reconnaitre la scène autour d’eux et leur contexte à travers leurs yeux qui créent des images de cet environnement. Ce domaine du traitement d’image qui, même s’il n’est pas directement lié à l’IA, est requis pour la vision par ordinateur.

Les humains peuvent comprendre leur environnement et se déplacer de manière fluide, c’est le domaine de la robotique.

Les humains ont la capacité de voir des modèles tels que le regroupement d’objets similaires, c’est le domaine de la reconnaissance de formes (Object Recognition). Les machines sont bien meilleures pour la reconnaissance de formes car elles peuvent utiliser plus de données et de dimensions de données. C’est ce qu’on appelle l’apprentissage automatique, plus connue sous le nom de Machine Learning.

Deep Learning

Maintenant, parlons du cerveau humain. Le cerveau humain est un réseau de neurones et nous les utilisons pour apprendre des choses. Si nous pouvons reproduire la structure et la fonction du cerveau humain, nous pourrions peut-être obtenir des capacités cognitives dans les machines. L’IA possède aussi en quelques sortes des réseaux de neurones. Si ces réseaux sont plus complexes et plus profonds, et que nous les utilisons pour apprendre des choses complexes, c’est ce qu’on appelle l’apprentissage approfondi ou Deep Learning. Il existe différents types de Deep Learning et de machines qui sont essentiellement différentes techniques pour reproduire ce que fait le cerveau humain.

Si nous faisons en sorte que le réseau scanne des images de gauche à droite et de haut en bas, on parle de réseau neuronal à convolution (CNN). On l’utilise pour reconnaître des objets dans une scène, c’est ainsi que la vision par ordinateur s’opère et que la reconnaissance d’objets est rendue possible grâce à l’IA.

Les humains peuvent se souvenir du passé, tel que votre dernier repas de la veille, donc nous disposons d’un réseau de neurones pour se souvenir d’un passé limité. Il s’agit alors d’un réseau neuronal récurrent (RNN).

Apprentissage automatique ou supervisé

Comme vous le voyez, l’IA fonctionne de deux manières: l’une est basée sur des symboles (automatique) et l’autre sur des données (supervisé).

Pour le côté base de données, appelé apprentissage automatique, nous devons fournir à la machine un grand nombre de données avant qu’elle ne puisse apprendre d’elle-même. Par exemple, si vous avez beaucoup de données sur vos ventes de fruits par rapport aux dépenses liées à la production, vous pouvez tracer ces données pour obtenir une sorte de modèle. Si la machine peut apprendre ce modèle, elle peut alors faire des prédictions basées sur ce qu’elle a appris. Alors qu’une, deux ou trois dimensions sont faciles à comprendre et à apprendre pour les humains, les machines peuvent apprendre dans de nombreuses autres dimensions, comme des centaines ou des milliers. C’est pourquoi les machines peuvent examiner de nombreuses données de grande dimension et déterminer des modèles. Une fois qu’il a appris ces modèles, il peut faire des prédictions dont l’homme ne peut même pas s’approcher. Nous pouvons utiliser toutes ces techniques d’apprentissage automatique pour faire une ou deux choses : la classification ou la prédiction. Par exemple, lorsque vous utilisez des informations sur les clients pour attribuer de nouveaux clients à un groupe tel que les jeunes adultes, vous classez ce client. Si vous utilisez des données pour prédire si elles sont susceptibles d’aller chez un concurrent, vous faites une prédiction.

Il existe une autre façon de penser aux algorithmes d’apprentissage utilisés pour l’IA. Si vous entraînez un algorithme avec des données contenant également la réponse, alors cela s’appelle l’apprentissage supervisé. Par exemple, lorsque vous apprenez à une machine à reconnaître une maladie foliaire, vous devrez les identifier pour l’ordinateur. Si vous entraînez un algorithme avec des données dans lesquelles vous souhaitez que la machine détecte les modèles, il s’agit d’un apprentissage non supervisé. Par exemple, vous voudrez peut-être alimenter les données sur les ravageurs dans vos cultures et vous attendre à ce que la machine crée elle-même des modèles à partir de ces données.

Une méthode consiste à laisser l’algorithme apprendre de ses propres erreurs, en laissant au développeur du modèle la liberté de fixer les règles déterminant si l’IA sera récompensée ou punie : c’est l’apprentissage par renforcement (Reinforcement Learning).

Cela fait déjà quelques temps que les agriculteurs utilisent différents drones et capteurs au champ. Hors les données produites par ces appareils ne serviraient pas beaucoup sans les capacités de l’IA. Les machine et deep learning permettent de créer de la valeur en analysant ces données récoltées. On peut l’utiliser pour faire des prédictions à partir de paramètres comme le climat, l’état des sols et des semences, le taux d’irrigation, les risques liés aux maladies, etc. L’objectif principal recherché est d’obtenir le meilleur rendement possible au moindre coût financier et environnemental possible et d’aider les agriculteurs à prendre des décisions cohérentes. Savoir quoi planter, quand, dans quelle zone ou quand récolter sont par exemple des utilisations concrètes de l’IA en agriculture. Ce n’est pas seulement le récoltes que l’on va chercher à améliorer mais aussi la manière dont l’agriculture est pratiquée. La valeur se créée aussi lorsque l’IA aide ces acteurs à développer une agriculture plus durable, plus raisonnée.

Source : Youtube video “What is Artificial Intelligence? In 5 minutes.“