Valuable insights
1.L'agriculture est un secteur stratégique riche en données: Le secteur agricole génère un volume considérable de données grâce aux équipements modernes, ce qui en fait un terrain fertile pour l'application des technologies d'intelligence artificielle.
2.Importance de la souveraineté des données agricoles: Il est vital de ne pas confier les données stratégiques de l'exploitation à des entités non maîtrisées, favorisant ainsi le développement de solutions d'IA locales ou européennes.
3.Le pragmatisme guide l'intégration de l'IA: L'approche doit partir d'un diagnostic précis des processus existants et intégrer le bon sens agricole, nécessitant un temps d'observation et de test avant tout déploiement technologique.
4.Transition vers une agriculture intensive en connaissance: L'IA permet de passer d'une agriculture dépendante des intrants chimiques à une agriculture optimisée par la connaissance, améliorant l'efficacité et la détection précoce des problèmes.
5.Optimisation des tâches par la reconnaissance d'images: Des outils basés sur des réseaux de neurones, utilisant des drones, remplacent les méthodes manuelles pour le comptage des cultures ou l'estimation rapide des dommages.
6.Le RAG pour spécialiser les modèles d'IA: Le Retrieval-Augmented Generation (RAG) permet de spécialiser un modèle généraliste en lui fournissant des sources de données spécifiques et maîtrisées, garantissant ainsi l'explicabilité.
7.L'orchestration d'agents pour les formalités complexes: L'association d'agents numériques permet de gérer des requêtes complexes, comme les demandes de subventions de la PAC, en redirigeant l'utilisateur vers l'agent compétent selon le contexte.
8.L'Open Source et les Communs Numériques: L'adoption de licences ouvertes et la mise en place de gouvernances collaboratives, comme pour le jumeau numérique du fleuve, favorisent l'autonomie et l'hydro-diplomatie.
Introduction : L'IA et le Secteur Agricole Stratégique
L'intelligence artificielle est explorée sous un angle nouveau, celui de son application dans le secteur agricole, un domaine souvent perçu comme éloigné des technologies numériques. Il est pourtant démontré que l'agriculture est l'un des secteurs générant le plus de données, constituant ainsi le carburant essentiel pour le développement et l'utilisation massive de l'IA. Cette activité nourricière revêt un caractère stratégique, rendant impérative une vigilance accrue sur la manière dont les données sont collectées et exploitées, afin d'éviter de les confier à des acteurs non maîtrisés.
La mission de Parlez-moi d'IA
L'émission hebdomadaire vise à décrypter les outils d'IA sous des prismes sociétaux, culturels, sociaux et éthiques, cherchant à mieux comprendre ces nouvelles technologies. L'invité de cette semaine, Laurent Tripié, est un spécialiste de l'IA appliquée à l'agriculture et est particulièrement attaché à la question de la souveraineté numérique dans ce domaine.
- La formation et la culturation sur l'IA pour comprendre le potentiel des outils.
- L'accompagnement des structures agricoles pour mettre en place des solutions d'IA souveraines, privilégiant les développements locaux ou européens.
La Collecte Massive de Données Agricoles et la Souveraineté
Les formations proposées par BZIT au monde agricole, souvent en partenariat avec des coopératives, sont structurées autour de trois piliers : la gestion de la donnée historique, l'IA générative classique, et les IA spécifiques au secteur. Ce dernier point est essentiel car l'agriculture requiert des systèmes prédictifs pour des estimations précises et la gestion des risques, dépassant la simple capacité des LLM à résumer des textes.
Exemples de données générées par l'exploitation
La génération de données est ancienne, remontant par exemple aux accords passés dès 1990 pour la récupération d'images satellites. Un exemple concret concerne l'estimation des dégâts dus aux ravageurs, comme les sangliers. Auparavant, un expert devait se déplacer pour mesurer manuellement la zone ravagée. Désormais, un drone effectue de multiples mesures permettant une estimation rapide et moins onéreuse de l'impact, bien que l'expert reste nécessaire pour la validation finale.
- Données de conformité réglementaire, notamment pour la Politique Agricole Commune (PAC).
- Données captées par les équipements en exploitation (tracteurs, drones, robots de traite) pour optimiser le bien-être animal.
L'enjeu de la propriété des données
Un point critique réside dans le fait que de nombreux équipements centralisent les données sans redonner immédiatement la main à l'exploitant, rendant leur récupération difficile. Des initiatives comme OSFarm, plateforme française et européenne recensant des solutions open source pour construire ses propres équipements (robots, stations météo), permettent à l'exploitant de devenir propriétaire de ses données via l'open hardware.
Pragmatisme et Bon Sens dans l'Implémentation de l'IA
L'approche de BZIT, applicable au monde agricole comme aux PME, repose sur un pragmatisme issu de l'observation du terrain. Avant de proposer des solutions d'IA, une phase de rediagnostic et de cartographie des processus de l'organisation est menée. Cette méthode s'oppose à une simple présentation des capacités technologiques, insistant sur le fait que l'implémentation doit toujours résoudre un problème identifié.
Le bon sens agricole, c'est on part d'un problème.
Comment enseigner le bon sens à l'IA ?
Le bon sens agricole ne s'acquiert pas rapidement ; il résulte d'une observation régulière et continue de la nature, souvent l'œuvre d'une vie. Il faut prendre le temps de bien poser le problème et d'observer les cycles naturels, car la nature est beaucoup plus complexe qu'une observation ponctuelle. Les agriculteurs expriment d'ailleurs une méfiance légitime envers le « technosolutionnisme rapide ».
Cette démarche pragmatique ne doit cependant pas exclure la confrontation avec les grands acteurs. L'« agri-diplomatie » suggère qu'il faut se mettre autour de la table, car la puissance d'innovation des grands laboratoires est nécessaire pour les avancées radicales, tandis que les agriculteurs apportent l'autonomie et l'invention de nouveaux modèles adaptés au terrain.
L'IA au Service de la Précision et de la Connaissance
Une fois les processus compris, des solutions concrètes peuvent être proposées. De nombreuses innovations ont déjà été initiées par le monde agricole lui-même. Par exemple, le comptage des pieds de blé ou des pommes sur les arbres, qui se faisait autrefois manuellement avec un cerceau et un comptage à la main, est désormais optimisé par des drones utilisant la reconnaissance d'image et des réseaux de neurones pour estimer les rendements.
De l'intrant à la connaissance
L'agriculture va passer d'un monde intensif en entrant, à un monde intensif en connaissance.
Cette transition, théorisée par Hervé Piot dans son ouvrage Un Monde Sans Fin, est essentielle pour nourrir une population croissante sans augmenter l'usage de produits chimiques. L'IA permet d'anticiper les ravageurs et de détecter les maladies le plus précocement possible, évitant ainsi les traitements automatiques basés sur des habitudes calendaires plutôt que sur une présence réelle de pathologie.
- Estimation quantitative précise des rendements (comptage des épis).
- Détection précoce des maladies pour une intervention ciblée.
- Optimisation des traitements en fonction des besoins réels du champ.
L'Orchestration d'Agents et la Révolution RAG pour l'Administration
L'IA peut grandement aider à alléger la charge administrative des agriculteurs, notamment pour les formalités liées aux subventions et indemnisations de la PAC. Un projet concret est né lors d'un hackathon agricole en février 2024, basé sur des vidéos soumises par des agriculteurs connectés (AgriTwitos) décrivant la difficulté de ces démarches. Grâce à une licence ouverte MIT, le socle de base a pu être repris et développé.
L'architecture des agents spécialisés
L'enjeu n'est pas de bouleverser l'écosystème des sachants (chambres d'agriculture, coopératives), mais de créer un système adaptatif. Ceci passe par l'utilisation de l'orchestration d'agents. Une entrée unique interprète la question de l'utilisateur, puis la redirige vers l'agent spécifique possédant la compétence requise (ex: agent spécialisé en élevage porcin en Bretagne, ou agent pour le maïs en grande culture).
- Partir d'un modèle généraliste.
- Le spécialiser en lui fournissant des contenus très spécifiques et maîtrisés.
- L'entraîner continuellement pour améliorer sa performance sur le domaine ciblé.
Défis Techniques du RAG et Partage de Savoir-Faire
Le RAG résout un problème fondamental : l'explicabilité. Contrairement à interroger un modèle comme ChatGPT qui utilise des sources non maîtrisées, le RAG force l'utilisateur à définir les sources de données utilisées pour la réponse. Une documentation technique peut alors être produite, listant précisément la base de connaissances consultée, ce qui est essentiel pour la confiance dans les applications critiques.
Le gros avantage du RAG, c'est que c'est vous qui définissez les sources de données.
Les étapes techniques du RAG
Le processus RAG se décompose en deux phases : la récupération (Retrieve), qui consiste à analyser et indexer les documents sources pour que la machine les comprenne, et la génération (Generation), où la réponse est formulée à partir de ce corpus analysé. Pour partager ce savoir-faire technique, une section dédiée sera ouverte sur Open Data sur le site de BZIT, afin de mutualiser les bonnes pratiques de montage des IA spécialisées.
- La bonne technique dépend du contenu injecté (texte, PDF, audio, vidéo).
- Les études, comme le papier « Lost in the Middle », montrent que l'IA se focalise sur le début et la fin des longs textes (plus de 4000 mots/tokens), nécessitant un découpage technique (chunking) précis.
Jumeaux Numériques et Souveraineté Technologique
Un exemple remarquable d'innovation collaborative est le projet du Grand Port de Bordeaux, qui développe le jumeau numérique du fleuve. Ce projet utilise l'approche du « commun numérique », qui va au-delà de l'open source en instaurant une gouvernance partagée pour définir l'avenir de l'outil. Cet outil permet des simulations cruciales, par exemple sur l'impact de l'ouverture d'un barrage sur le débit du fleuve.
Hydro-diplomatie face à la gestion de l'eau
L'eau est un enjeu majeur, particulièrement pour l'agriculture. Le jumeau numérique objectif les situations et facilite le dialogue, permettant une « hydro-diplomatie » constructive, contrastant avec des visions plus conflictuelles comme la « guerre de l'eau ». Cet outil est d'ailleurs en open source, accessible via le site du projet.
- Éduquer les utilisateurs via la formation pour qu'ils comprennent les limites et les possibilités.
- Identifier les besoins réels sur le terrain (où l'on perd du temps).
- Prioriser les actions selon une matrice Impact/Complexité, en ciblant d'abord ce qui a fort impact et faible complexité.
Il est admis qu'une souveraineté totale n'est pas toujours atteignable immédiatement, et certaines fonctionnalités peuvent temporairement nécessiter l'usage de solutions tierces comme ChatGPT, en attendant le développement de moyens financiers ou technologiques locaux.
Questions
Common questions and answers from the video to help you understand the content better.
Comment l'IA peut-elle aider à estimer les dégâts causés par les sangliers dans une exploitation agricole ?
L'IA, via l'utilisation de drones et de la reconnaissance d'image, permet d'effectuer de multiples mesures sur la zone ravagée, fournissant une estimation rapide et précise de l'impact des dégâts, ce qui est plus rapide et moins onéreux que l'expertise manuelle traditionnelle.
Qu'est-ce que l'orchestration d'agents IA et comment s'applique-t-elle aux démarches administratives agricoles comme la PAC ?
L'orchestration d'agents IA implique un agent généraliste qui interprète la question de l'agriculteur, puis la redirige vers un agent spécialisé (par exemple, un agent expert en élevage ou en grande culture) pour traiter spécifiquement les formalités complexes liées aux subventions de la PAC.
Quel est l'avantage principal du RAG (Retrieval-Augmented Generation) par rapport à un modèle généraliste comme ChatGPT pour des données spécifiques ?
Le principal avantage du RAG est l'explicabilité : il permet à l'utilisateur de définir précisément les sources de données utilisées pour générer la réponse, assurant ainsi que l'information provient d'une base de connaissances maîtrisée et documentée.
Comment acquérir le "bon sens agricole" pour entraîner une intelligence artificielle ?
Le bon sens agricole s'acquiert par une observation régulière et continue du terrain et de la nature, sur une longue période. Il faut prendre le temps de formaliser les problèmes observés avant de chercher à déployer des solutions technologiques.
Qu'est-ce que le papier scientifique "Lost in the Middle" révèle sur la performance des IA face à de longs corpus de texte ?
Ce papier scientifique indique que lorsque les questions ou les corpus de connaissances dépassent un certain seuil (environ 4000 mots ou tokens), l'IA tend à bien comprendre le début et la fin du texte, mais se perd ou ignore les informations situées au milieu du corpus.
Useful links
These links were generated based on the content of the video to help you deepen your knowledge about the topics discussed.