Si aujourd’hui l’expression “intelligence artificielle” peut faire peur, c’est parce qu’elle est souvent mal comprise. Derrière cette expression “intelligence artificielle” se cachent des choses qui sont à la portée de tous. La plupart des gens sont en contact permanent avec l’intelligence artificielle sans même s’en rendre compte.

Voici une liste non exhaustive d’applications de l’IA utilisées au quotidien (Source) :

• Filtre anti-spam de vos mails
• Recommandation de posts ou de contact sur les réseaux sociaux
• Service de traduction automatique en ligne
• Recommandation d’articles sur les sites de vente en ligne
• Applications de navigation

Par exemple, une étudiante a développé un algorithme d’intelligence artificielle qui arrive à traduire la langue des signes américaine en anglais (Source). L’IA permet de répondre à une multitude de problématiques dans des domaines très divers tels que la santé, l’éducation, et également l’agriculture, comme un simple outil au service de la personne qui le développe.

Et si vous pensiez que les robots faisaient partie du domaine scientifique de l’intelligence artificielle, vous vous trompez. Ce sont deux domaines scientifiques bien différents qui commencent à se retrouver depuis quelques années.

Maintenant quand quelqu’un vous parlera d’intelligence artificielle, vous penserez plus à la figure 1 qu’au robot de Terminator de la figure 2.

Dans la figure 1, l’algorithme doit reconnaître une image en signifiant le contenu de l’image. Il a été programmé pour reconnaître soit un chat soit un chien, et il fait une erreur ici !
Les concepts qui se cachent derrière l’intelligence artificielle sont par exemple : prédiction, recommandation, aide à la décision ou bien optimisation. Divers concepts que nous utilisons au final plus souvent que nous le pensons dans notre vie de tous les jours et c’est précisément à ces moments là que l’IA peut nous être utile.

Pour fonctionner, les algorithmes d’IA utilisent des mécanismes provenant des mathématiques, de la statistiques ou de la logique pour analyser les données et construire des modèles qui vont arriver à prédire différentes choses comme nous l’avons vu précédemment. Une partie des algorithmes d’intelligence artificielle ont pour pré-requis d’avoir une base de données importante en amont. Cette base va être analysée par l’algorithme qui va extraire des comportements des données pour pouvoir ensuite prédire les futures actions à réaliser. Avec un jeu de données trop faible, ces algorithmes sont inutilisables car leur assimilation des mécanismes est trop faible, ce qui entraîne un pourcentage de réussite très bas.

“L’agriculture numérique se définit comme la convergence de l’agriculture et des technologies de l’information (capteurs, réseaux intelligents, outils de la science de la données, application, voire automatisme et robotique) pour, tout au long de la chaîne de valeurs, améliorer la productivité et répondre aux attentes environnementales et sociétales.” (source : Wikipedia)

Par agriculture numérique, nous parlons de ces technologies qui sont vouées à aider les acteurs du métier, d’un bout à l’autre de la chaîne de production, c’est-à-dire de l’organisation de la ferme et des achats (plants, semences…) jusqu’à la livraison ou même jusqu'à l’assiette du consommateur. Elle prend en compte toutes les données possibles pour apporter de l’aide dans les prises de décisions.

Chez Elzeard, nous construisons une application qui a pour vocation d’accompagner au quotidien le producteur, et lui fournir des services métiers utiles. Par exemple, nous pouvons l’aider dans la planification de sa production en partant du choix de la culture et des variétés jusqu’à la récolte, voire la distribution.

Durant ce travail de planification, nous allons lui apporter de l’information et l’aider à faire les meilleurs choix au vu des paramétrages issus de ses connaissances métier et renseignés dans l’application, notamment au sein des ITK. Cela peut être des connaissances sur les légumes, leurs conditions de culture et les opérations prévues (itk), des connaissances sur l’historique de la ferme avec l’analyse des saisons passées ou bien des informations sur les choix d’assolement spatio-temporel.

A ce jour, nous disposons :

• De référentiels de données sur les cultures (SEMAE et TaxRef par exemple) qui nous ont aidés pour remplir un référentiel de données sur les plantes qui soit le plus complet possible malgré la difficulté qu’est l’agrégation d’informations, notamment dans la filière maraîchère.
• Nous sommes en train de récupérer les informations sur les ressources utilisées par les producteurs dans leurs métier telles que les différents types d’équipements ou bien les différents intrants utilisés (produits phytosanitaires, fertilisants, semences).

Au fur et à mesure des utilisations de l’application, notre niveau d’information sur les pratiques agricoles et les historiques de culture va grandir. Cela va alimenter notre base de données afin de disposer d’une plus grande finesse pour nos recommandations. Nous allons pouvoir utiliser toutes ces informations dans nos algorithmes.

Un algorithme, c’est une suite d'opérations qui va produire un résultat en fonction de données fournies en entrée. Un exemple d’algorithme serait la fonction carré qui prend un nombre en entrée et produit le carré du nombre en sortie (ex : entrée = “4”, fonction = “x²”, donc sortie = “4²” = “16”).

Les algorithmes d’intelligence artificielle sont des types d’algorithmes qui vont exploiter la donnée sous différentes formes telles que des jeux de données ou des règles métiers pour réaliser certaines tâches.

Nous allons maintenant voir ce que les algorithmes d’intelligence artificielle peuvent arriver à faire pour aider un agriculteur dans ses choix lors de sa phase de planification.

Découpons ensemble le scénario de planification par étapes :

Besoins de commercialisation et de production pour la planification des ventes

Le producteur va faire sa planification de production. Pour ce faire, il se base en général soit sur ses prévisions de vente soit sur une surface / quantité d’une culture donnée à produire.

Dans un cas, il définit les semaines où il a besoin de livrer ses produits. Dans l'autre, il définit une surface de production de légumes à une semaine donnée. C’est la phase préliminaire sur laquelle va se baser le reste de la planification.
Cette partie incombe entièrement au producteur. Il faut bien comprendre dès le début que l’intelligence artificielle et ses technologies ne sont pas des solutions miracles et ne sont pas là pour donner des ordres au producteur. Ce sont des technologies qui sont là pour l’accompagner dans ses choix. Il faut voir ces choix comme une base de travail pour les algorithmes.

Comme nous l’avons dit précédemment, les algorithmes ont besoin de données pour fonctionner et les choix de l’utilisateur sont des données sur lesquelles nous allons capitaliser pour lui proposer les meilleures solutions.

Choix des variétés

Il existe énormément de variétés. Appartenant pour la plupart à divers distributeurs de semences, faire un choix pour l’utilisateur peut être difficile surtout quand il débute. Pour l’aider à faire ses choix nous pouvons utiliser ce que nous appelons un algorithme de recommandations. Comment est-ce que cela fonctionne ? C’est simple, nous allons partir d’un ensemble d’informations propres à la ferme, c'est-à-dire le contexte de culture comme celui défini dans l’article précédent. L’objectif va être en premier lieu de proposer des variétés de la culture choisie en fonction du contexte cultural (ex : on va proposer pour un contexte de culture sous abri des variétés qui s’adaptent bien à ce mode de culture). De plus, nous pouvons aussi faire le choix de proposer aux utilisateurs des variétés qui seraient proches des variétés qu’ils ont déjà commandé. La proposition aurait pour but de faire connaître des variétés que l’utilisateur ne connaît peut-être pas encore et qui sont en adéquation avec son contexte de culture. De plus, la diversité de variétés peut être bénéfique dans la préservation de la santé du sol et dans la lutte contre certains bioagresseurs.

Choix des ITK

En plus du choix de la variété, aider au choix d’un ITK de référence plus proche des pratiques culturales de la ferme peut permettre d’accompagner l’utilisateur dans ses choix de planification. Par exemple, la caractérisation d’une parcelle comme étant une serre va permettre de proposer en priorité des ITK avec des données liées à un mode de culture sous abri. De même proposer un ITK intégrant une période de conservation lorsque la production prévoit une vente sur un long terme.

Placement dans le temps

Si l’utilisateur choisit le moment où il décide de vendre, nous pouvons l’aider à calculer la date d’implantation de sa culture d’après la durée de maturation de celle-ci, c'est-à-dire la période de temps pendant laquelle la plante va croître jusqu’à être en mesure d'être récoltée. Pour l’analyse des données, on peut aussi prendre en compte la problématique météorologique, les caractéristiques pédologiques, la zone géographique, etc.

Placement dans l’espace

Choisir la disposition des plantes dans l’espace peut être ardu, surtout quand le producteur commence à avoir plus d’une dizaine de cultures en même temps, ayant toutes des temps de maturation différents et restant à la parcelle pendant des périodes différentes.
Nous pouvons l’assister dans le choix de son assolement en fonction de divers paramètres ou variables.

La rotation / Succession culturale : la rotation des cultures fait partie des règles agronomiques de base pour garder un terrain le plus fertile et sain possible. Arriver à prédire si une succession est favorable et pourquoi peut aider l’utilisateur dans son placement
L’association culturale : le principe est de faire cohabiter des cultures pour qu'elles répondent ensemble à des problématiques de la ferme (besoin de diversification, gestion d’un bioagresseur…). Certaines cultures forment une association plutôt positive avec une espèce donnée alors que d’autres seront désavantagées par cette association (ex : compétition pour les ressources en eau et lumière).
Le mode de culture et la nature de l’irrigation : une parcelle va avoir un “mode de culture” donné : plein champ ou sous abri (tunnel, serre…). Elle aura potentiellement aussi un système d’irrigation en place : goutte à goutte, aspersion, etc. Il conviendra donc de proposer des cultures qui soient adaptées aux installations déjà présentes sur la parcelle.
Les caractéristiques de sol : le type de sol peut fortement influer sur le développement et la bonne santé de la culture. Il est donc important de prendre en compte ce facteur dans la proposition d’ITK associés à une culture (ex : ITK dont la culture se situe en sol argilo-limoneux).
Les besoins de la culture : c’est lié à la succession culturale. Si on place des cultures très gourmandes en termes de nutrition minérale (fertilisation) les unes après les autres, il est très probable que cela épuise les ressources nutritives du sol et donc sa santé globale, ce qui aura des répercussions sur le potentiel agronomique de la parcelle. Il en sera de même pour les ressources en eau si l’on fait se succéder des cultures très gourmandes en nutrition hydrique. Prendre en compte les besoins des cultures d’une rotation est donc indispensable dans un outil d’aide à la décision.

Ces variables et le nombre de cultures comme de parcelles et de planches va très rapidement complexifier les calculs ! Ici, la machine va aider en réalisant et comparant les calculs pour arriver à une proposition de type score pour l'implantation :

• Ex : pour une tomate cœur de bœuf → parcelle sous abri N°2 , score de 77% en comparaison à parcelle sous abri N°3 d’un score de 65%...

Ici l'algorithme ne dit pas qu'il faut implanter ici ou là mais qu'ici cela paraît plus favorable sur la base des règles métiers qui ont été données.

Une problématique forte de l’agriculture est finalement le manque de données de production qui sont utilisables et disponibles, ainsi que le fait que ces données soient “comparables” entre elles.

Pour arriver à faire les meilleures recommandations, nous comptons utiliser les technologies du web sémantique pour apporter de l’information. L’objectif étant de d’avoir de meilleurs résultats. Ces technologies vont nous permettre de modéliser l’information, d’agréger simplement de la connaissance et d’introduire des règles métiers pour ainsi pouvoir améliorer les résultats des algorithmes. Ces algorithmes pourront mieux faire face à la diversité des modèles agricoles en étant adaptables et évolutifs et en prenant en compte tous les paramètres requis pour réaliser une bonne planification qui sont la connaissance d’une part et l’analyse de l’historique d’une autre part.

Les technologies ayant recours aux techniques d’Intelligence Artificielle et s’appuyant sur des approches mobilisant les connaissances (ontologie, référentiels…) offrent ainsi plusieurs avantages :

• La description fine, personnalisée et contextualisée de l’exploitation ;
• La normalisation et l’interopérabilité des données pour favoriser leur partage et leur réutilisation (ex : référentiels phytosanitaires et standards de langage comme rdf) ;
• La capacité à prendre en compte les multiples interactions entre les éléments ou objets mobilisés et les variables dans le processus de culture d’une plante (sol, mécanique, variété, météo...) et à les représenter comme un système interactif (ex : un traitement agit sur un bioagresseur cible qui affecte une plante, ce traitement devant respecter des conditions qui lui sont propres) ;
• La capacité à mixer les approches de type recommandations basées sur des règles métiers (qui opérationnalisent la connaissance du producteur) avec des techniques classiques d’algorithmie ;
• La capacité à avoir une approche modulaire et évolutive sans remettre en cause les développements en place dans une application ;
• Oblige à avoir un développement “USER CENTRIC”, c’est-à-dire centré sur la réalité de l’expérience utilisateur. Cela permet d’obtenir des outils adaptés et adaptables à un domaine d’usages, exemple pour Elzeard, la production de fruits et légumes.

Pour aborder ces techniques, il conviendra d’adopter une démarche agile si possible, très terrain, et de mixer les compétences entre développement, gestion de la donnée et modélisation. Pour finir, ces approches sont aujourd’hui très accessibles et porteuses d’un grand potentiel dans de multiples domaines.