Comme dans beaucoup de secteurs, l’agriculture moderne fait très largement appel à des solutions numériques, ne parle-t-on pas d’agriculture 2.0 ? Dans ce contexte, l’IA, autrement dit l’Intelligence Artificielle, est bien entendu très présente. Dans cet article nous allons voir dans quels types d’applications l’IA est utilisée.
Définition de l’intelligence artificielle (IA)
Selon la CNIL, l’Intelligence Artificielle est un procédé logique et automatisé, généralement basé sur un algorithme, capable de réaliser des tâches spécifiques. Elle englobe :
- Les approches d’apprentissage automatique
- Les approches fondées sur la logique et les connaissances
- Les approches statistiques, l’estimation bayésienne*, et les méthodes de recherche et d’optimisation
Selon le Parlement européen, l’intelligence artificielle englobe tout système utilisé par une machine capable d’imiter des fonctions cognitives humaines, notamment le raisonnement, la planification et la créativité.
Mais comment s’applique l’intelligence artificielle dans l’agriculture ?
*Théorème de Thomas Bayes pour calculer la probabilité d’un événement en fonction d’informations connues.
La surveillance des cultures et des élevages
La surveillance des cultures est un domaine dans lequel l’utilisation de l’IA s’est rapidement imposée.
Analyse des données satellitaires
Le développement de technologies permettant d’obtenir de nombreuses informations sur les cultures a vite posé le problème du traitement de ces données. En effet, grâce à des images satellites on peut par exemple avoir une information sur la maturité des plantes, mais pour cela il est nécessaire de traiter un grand nombre de données. Cette analyse mobilise de nombreuses heures d’expert, afin de traduire ces images en une information technique utile. Dans ce type de démarche, l’utilisation de l’IA permettra de gérer cette masse d’information, rapidement et en toute autonomie.
Détection de maladie ou de parasite
A partir d’informations, issues de capteurs, d’images, ou de données météo, des applications informatiques sont susceptibles de détecter une maladie sur une culture. Ces applications fonctionnent souvent en Machine Learning ou apprentissage automatique. Les algorithmes vont apprendre et améliorer leurs performances au fil du temps. Plus on alimente le système en données, plus il devient performant.
Surveillance intelligente
La surveillance de la santé ou du bien être des élevages est également concernée. Une caméra filmera le troupeau et l’application de façon « intelligente » et, en toute autonomie (l’éleveur n’a pas besoin de regarder les images), l’outil détectera toutes anomalies comportementales au niveau du troupeau.
Dans d’autres cas, on ajoutera une brique supplémentaire qui permettra de donner un conseil sur les traitements ou la fertilisation à réaliser ou encore sur l’irrigation nécessaire (quantité, fréquence) à apporter à la culture. Dans ce cas, on parlera d’Outil d’Aide à la Décision (OAD), qui pour la plupart intègre de l’IA.
Optimisation de la production
Certaines applications vont encore plus loin que l’apport d’une information ou d’un conseil à l’agriculteur et seront une réelle plus-value dans l’optimisation de la production.
Prédiction des rendements
Des applications peuvent par exemple « prédire » le rendement d’une culture ou le développement d’une maladie. Dans ce cas, ce sont des algorithmes qui, à partir de différentes données, vont simuler l’évolution de la culture et donner une estimation du rendement ou la probabilité de voir apparaître une maladie.
Gestion de l’irrigation
On peut faire un parallèle avec les prévisions météorologiques, également très utilisées en agriculture. L’intérêt d’avoir une prévision est de pouvoir anticiper certaines actions : doit-on apporter un engrais ? doit-on traiter ? et permettre d’adapter l’itinéraire technique au plus juste. Ces applications pourront également réaliser une action concrète sur la culture.
C’est le cas des systèmes qui vont en temps réel ajuster l’irrigation de la plante en fonction de ses besoins ou encore des conditions climatiques.
Automatisation et robotisation
L’essor de l’automatisation et de la robotisation en agriculture a favorisé le développement de l’IA dans ce domaine.
Cueillette robotisée des fruits
Le domaine de la cueillette des fruits est emblématique de ce que l’IA a apporté à la robotisation dans l’agriculture. Lorsqu’on robotise la cueillette d’un fruit, le système doit être capable de déterminer les fruits qui sont bons à récolter. Est-ce la bonne maturité, le bon calibre, la bonne couleur ? Le fruit est-il accessible pour l’outil de récolte ? Le fruit est-il abîmé ? Ce sont des exemples de questions auxquelles l’algorithme doit répondre. Dans ce domaine, lorsqu’on a interrogé les cueilleurs sur les critères de choix pour cueillir un fruit on s’est rendu compte de la complexité des éléments à traiter. L’avènement de l’IA a pu faciliter ce traitement de l’information en le rendant plus sûr et surtout plus rapide.
Désherbage automatisé
Autre exemple, les systèmes de désherbage automatisés. A partir d’images prises par des caméras embarquées, l’IA permettra de reconnaître la « mauvaise » herbe de la culture et de donner l’ordre à un outil d’effectuer le désherbage. Là encore, au fur et à mesure des passages, le système « apprendra » sur quelles herbes il doit agir et deviendra plus performant.
On pourrait citer également les traitements localisés ou encore les systèmes de tri et d’emballage des produits agricoles.
Gestion de la chaîne logistique
La chaîne logistique est un autre domaine dans lequel l’IA peut apporter une aide précieuse.
On peut donner comme exemple la prévision de rendement pour aider la chaîne de mise en vente des produits (distributeur, acheteur) et optimiser les niveaux de stock. Ou encore, l’optimisation des itinéraires de transport pour réduire les coûts et les délais de livraison.
Défis et perspectives de l’IA en agriculture
Comme on peut le voir, l’agriculture est un secteur qui fait une place de plus en plus importante à l’Intelligence Artificielle et compte tenu de ses progrès rapides, il est probable que son utilisation sera grandissante.
Toutefois, il y a encore des limites techniques, notamment sur la robustesse des modèles (capacité du système à donner des résultats justes). En effet, le nombre et la variabilité des paramètres dans le domaine du vivant rendent difficile le développement de modèles qui donneront, par exemple, la bonne estimation du rendement. La progression de l’IA dans ce secteur est également liée à la confiance que les agriculteurs feront à ces systèmes.
D’autre part, à l’image de ce qui se passe pour d’autres activités économiques, l’utilisation massive de l’IA ne se fera pas sans poser des questions éthiques. Le problème de la sécurité et la confidentialité des nombreuses données collectées, nécessaires au bon fonctionnement des systèmes, se pose déjà.