IA agricole : éthique, données et souveraineté
| Niveau | Tous niveaux |
|---|---|
| Matériel | Aucun |
| Coût | 0 F ; l'oubli de ces questions peut coûter cher plus tard |
Les données d'une ferme (rendements, dates de semis, photos, position des parcelles, mesures de capteurs) ont de la valeur : pour le producteur, pour un fournisseur d'intrants, pour un acheteur, pour un service d'IA. Cette page aide à se poser les bonnes questions avant de les partager.
Qui possède les données de la ferme ?[modifier | modifier le wikicode]
En principe, le producteur : les données viennent de sa terre et de son travail. En pratique, cela dépend du contrat ou des conditions d'utilisation du service : certaines applications se réservent le droit d'utiliser, de vendre ou de croiser les données saisies. Avant de s'inscrire :
- Lisez qui garde les données, pour combien de temps et dans quel pays.
- Vérifiez si vous pouvez les récupérer (exporter) et les supprimer.
- Vérifiez si elles sont revendues ou partagées, même « anonymisées » : une parcelle précise s'identifie facilement.
Des cadres de référence existent : la politique des données de l'Union africaine[1] et, au Sénégal, la protection des données personnelles confiée à la Commission de protection des données personnelles[2].
Consentement[modifier | modifier le wikicode]
- Une photo qui montre un visage, une maison ou un lieu précis est une donnée personnelle : demandez l'accord avant de la collecter ou de la publier.
- Le consentement doit être libre, informé, et révocable : « si je refuse, je perds l'aide » n'est pas un vrai consentement.
- Expliquez dans la langue des personnes concernées à quoi servent les données.
Dans ce wiki, aucune parcelle réelle d'une personne n'est publiée, et les exemples utilisent des valeurs fictives.
Souveraineté et dépendance[modifier | modifier le wikicode]
Un service d'IA hébergé à l'étranger pose des questions de dépendance : coût en devises, disparition ou changement de conditions du service, accès à Internet nécessaire. Réduire le risque :
- préférer les formats ouverts (CSV) et garder une copie locale de ses données ;
- privilégier les outils libres (Python, scikit-learn) dont on peut garder une version ;
- garder des modèles légers fonctionnant sans Internet (voir TinyML).
Coûts cachés[modifier | modifier le wikicode]
| Coût caché | Exemple |
|---|---|
| Étiquetage | des semaines pour étiqueter des photos de maladies |
| Maintenance | ré-entraîner un modèle à chaque saison ou nouvelle variété |
| Abonnement | une offre gratuite qui devient payante après l'adoption |
| Connexion et énergie | données mobiles, recharge, panneaux solaires |
| Compétence | former un technicien qui puisse corriger les erreurs |
| Erreurs | un traitement mal dosé sur conseil faux |
Biais et équité[modifier | modifier le wikicode]
Un modèle entraîné sur des exploitations de grande taille ou d'autres climats peut être moins bon pour une petite exploitation vivrière. Vérifiez sur qui et sur quelles données il a été testé. Veillez à ce que les bénéfices (conseil gratuit, prix) ne profitent pas seulement aux grandes exploitations.
Liste de contrôle avant d'adopter un outil d'IA[modifier | modifier le wikicode]
- À quoi sert l'outil, pour qui, avec quelle précision mesurée au champ ?
- Quelles données donne-t-on ? Peut-on les reprendre ?
- Que se passe-t-il si le service s'arrête ou devient payant ?
- Qui est responsable en cas de mauvais conseil ?
- Y a-t-il un technicien pour vérifier ?