Numérique

A quoi l'intelligence artificielle peut servir en grandes cultures

Pour faire face aux défis posés à l’agriculture mondiale, « l’intelligence artificielle peut constituer une ressource précieuse », explique le mathématicien et député Cédric Villani dans son rapport sur l’intelligence artificielle publié en mars 2018. Certes… Mais de quoi parle-t-on exactement ? Selon une définition donnée dans une intervention au Collège de France par Yann Le Cun, l’un des pionniers de l’intelligence artificielle moderne, l’IA est « un ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains et à certains animaux ». L’IA est aujourd’hui presque systématiquement associée au machine learning ou au deep learning, c’est-à-dire à la capacité qu’a une machine d’apprendre et d’améliorer les réponses qu’elle donne aux problèmes qui lui sont posés. Cette capacité repose sur un algorithme d’apprentissage et des données d’entraînement. À partir de ces dernières, l’algorithme cherche un modèle de traitement qui lui permettra de fournir le résultat demandé. Puis il l’améliore sans cesse en fonction des nouvelles données qui lui sont fournies. Le modèle stabilisé est ensuite testé puis mis en production. « Les data permettent de rendre les algorithmes plus performants grâce à l’incrémentation », résume Samy Aït-Amar, à l’Acta. Ces nouvelles technologies font leur entrée petit à petit dans le monde agricole. D’après une étude publiée en 2017 de Research and Markets, le marché de l’IA en agriculture représentait un peu moins de 520 millions d’euros et il devrait croître au niveau mondial de plus de 20 % par an d’ici 2025, pour atteindre 2,6 milliards.

De l’avenir pour l’IA dans la robotisation

L’utilisation de l’IA dans la robotisation est probablement l’une des applications les plus médiatisées. Comme les constructeurs de voitures, Case IH, New Holland ou John Deere, par exemple, travaillent sur des projets de tracteurs autonomes. À l’image du Challenge Centéol sur maïs, qui réunit Kuhn et la société Agreenculture, des essais sont effectués pour montrer qu’il est possible de cultiver un champ sans intervention humaine dans les parcelles. Des robots de désherbage qui reconnaissent et traitent les adventices pointent également leur nez, comme Oz de Naïo Technologies. « L’IA intervient quand il faut analyser beaucoup de mesures en parallèle et que l’action devient compliquée à imaginer de façon intuitive », explique Frédéric Colledani, chercheur au CEA-Tech impliqué dans l’agriculture. Elle ne conduit pas toujours à la création de nouvelles fonctions. « Elle peut améliorer l’exécution d’une tâche faite par un robot en corrigeant ses erreurs, par exemple », souligne Samy Aït-Amar. En pratique, cette technologie est dissociable des robots. « L’intelligence artificielle est là pour assurer la perception des choses, afin de faciliter la prise de décision, explique Éric Lucet, chercheur au CEA Tech spécialisé en robotisation. Le robot n’est utile que s’il y a une action à réaliser. »

Des usages déjà opérationnels dans la reconnaissance d’adventices

Dans une étude publiée fin 2018, la chaire AgroTIC recense les usages potentiels de l’IA en grandes cultures : détection et/ou reconnaissance de plantes, de maladies, de stades phénologiques, de cultures, estimation des rendements, détection d’obstacles, prédiction de la météo ou des caractéristiques du sol…. Ils impliquent de l’apprentissage mais pas forcément de robotisation. Certains outils sont déjà disponibles, telles des applications autour de la reconnaissance d’adventices basées sur l’analyse d’images : l’appli Pl@ntnet issue de la recherche publique (Inra, IRD, Inria, Cirad, Agropolis), les services de cartographie des adventices de la société Carbon Bee ou les solutions Xarvio, plus larges, développées par Bayer et aujourd’hui détenues par BASF. Et ce ne sont que quelques exemples.

Ces applications ne sont qu’un début. Pour Éric Lucet, tout l’intérêt de l’IA réside dans le croisement de données de nature différente, ce qui devient possible avec le développement des capteurs à bas coûts : « toutes les perceptions possibles de la réalité sont à prendre en compte. Plus les données d’entrée ont des sources différentes (caméras, hygromètres, lasers…), plus on obtient une information riche et précise », expose-t-il. Mais pour le chercheur, « cela ne veut pas dire mettre des capteurs partout, mais là où c’est utile ». Une image satellite pourra ainsi permettre d’identifier dans une parcelle une zone atypique, à étudier grâce à des capteurs spécifiques.

Des avancées conditionnées au croisement de données multiples

Même s’il travaille chez Cybele Tech, société spécialisée dans les technologies numériques appliquées au monde végétal, Théophile Lohier se montre nuancé sur l’apport de l’IA en termes d’aide à la décision. « En agriculture, on ne connaît pas les règles du jeu : la physiologie de la plante reste encore mystérieuse. Il y a énormément d’interactions entre la plante et son environnement que l’on ne peut pas intégrer dans un algorithme parce qu’on ne les connaît pas. » Pour le spécialiste, les modèles mécanistes, qui reposent sur la physiologie de la plante et de l’expérimentation de laboratoire, sont plus fiables. Chez ITK, qui se définit comme l’un des leaders mondiaux de « l’agri-intelligence », Philippe Stoop, directeur recherche et innovation, partage cet avis. « Les modèles mécanistes ont été testés dans de très nombreuses conditions, bien au-delà de ce qui se passe dans la nature, explique-t-il. Ils peuvent être fiables dans une gamme large de variations. » Le professionnel croit en l’hybridation des deux méthodes. « Les modèles mécanistes produisent beaucoup de variables intermédiaires qui peuvent alimenter des modèles statistiques ou basés sur de l’IA », signale-t-il par exemple.

Éric Lucet, lui, est confiant dans la capacité d’adaptation de la machine à des conditions inconnues : « toute la question est de savoir si les données qui entrent dans des bornes sont déjà observées ou non par l’algorithme d’apprentissage. Car c’est le changement de paradigme qui met l’algorithme en échec ». Si les racines d’une plante s’asphyxient au-delà d’un certain pourcentage d’humidité dans le sol, il faut que l’algorithme ait traité des données dépassant ce seuil afin que le modèle final intègre ce paramètre.

« Pour l’instant, on est dans l’explosion des projets, la technologie n’est pas encore mature », conclut Samy Aït-Amar. En grandes cultures en particulier, la valeur ajoutée hectare étant plus faible qu’ailleurs, le secteur n’est pas en pointe. Pour Frédéric Colledani, le champ des possibles est en tout cas très large. « L’AI peut apporter une aide à plusieurs niveaux : diminuer la pénibilité d’une tâche grâce à de la robotisation, réduire la charge mentale de l’utilisateur en facilitant la prise de décision, diminuer le risque d’erreur, objectiver la transmission de savoirs…, explique-t-il. Mais il faut partir des besoins de l’agriculteur pour savoir ce qui sera réellement utile sur le terrain. »

Une technologie qui date

1956 Invention du mot « intelligence artificielle » à l’université de Dartmouth

1957 Naissance aux États-Unis du Perceptron, premier réseau de neurones artificiels doté d’un algorithme d’apprentissage

1969 Premier robot contrôlé par ordinateur à l’université de Stanford (États-Unis)

1997 Victoire de l’ordinateur Deep blue sur Gary Kasparov aux échecs

2012 Première reconnaissance d’image (un chat) par Google grâce au deep learning

2016 Victoire d’Alphago contre le champion du monde du jeu de Go