IA agricole : introduction
| Niveau | Débutant |
|---|---|
| Matériel | Un ordinateur ou un téléphone ; un capteur est un plus |
| Coût | 0 F pour apprendre (outils gratuits) ; le matériel et le temps de collecte sont les vrais coûts |
L'intelligence artificielle (IA) en agriculture, c'est l'art de faire repérer à un ordinateur des régularités dans des données agricoles pour en tirer une aide à la décision. Cette page pose les bases : ce que l'IA sait faire, ce qu'elle ne sait pas faire, pourquoi les données passent avant les modèles et ce que cela coûte vraiment.
Qu'est-ce que l'IA, concrètement ?[modifier | modifier le wikicode]
Une méthode classique donne à l'ordinateur des règles : « si l'humidité du sol est inférieure à 20 %, arrose ». L'apprentissage automatique (machine learning) fait l'inverse : on lui donne des exemples (l'humidité mesurée, ce que l'agriculteur a fait, ce qui s'est passé ensuite) et il construit lui-même la règle. Un réseau de neurones est une famille de modèles très souple, utilisée surtout pour les images, les sons et le texte. Les mots techniques sont expliqués dans le Glossaire IA.
Ce que l'IA peut faire au champ[modifier | modifier le wikicode]
- Reconnaître : une maladie sur une photo de feuille, un insecte, une mauvaise herbe (diagnostic par photo).
- Estimer : une humidité future, un rendement, un besoin en eau (arrosage, rendement).
- Cartographier : l'état de la végétation d'une parcelle vu du ciel (satellites, drones).
- Résumer et expliquer : un document technique ou une question posée en langage courant (assistants).
- Surveiller à bas coût : un petit modèle sur une carte électronique qui écoute une pompe (TinyML).
Ce que l'IA ne peut pas faire[modifier | modifier le wikicode]
- Inventer des données qu'elle n'a pas. Un modèle entraîné sur des tomates d'Europe se trompe souvent sur une variété locale, sous une autre lumière.
- Remplacer l'agronomie. Elle repère des corrélations ; savoir pourquoi une feuille jaunit (manque d'eau, excès de sel, maladie) demande de comprendre la plante et le sol.
- Garantir un résultat. Une précision de 95 % sur des photos de test ne dit rien de ce qui se passera sur votre parcelle.
- Être juste sans qu'on la vérifie. Un modèle se trompe avec aplomb : il faut toujours garder un contrôle humain pour les décisions coûteuses.
Les données d'abord[modifier | modifier le wikicode]
La qualité des résultats dépend plus des données que du modèle choisi. Trois questions à se poser avant toute chose :
- Quoi mesurer ? Ce qui est lié à la décision (humidité du sol à la profondeur des racines, pluie, température, date de semis, variété).
- Combien de temps ? Au moins une saison complète pour un conseil d'arrosage ; plusieurs saisons pour une prévision de rendement.
- Avec quelle fiabilité ? Un capteur non étalonné (voir l'étalonnage) donne des chiffres faux, et le modèle apprendra ces erreurs.
Le Calendrier cultural aide à noter les dates ; la Chaîne de données décrit comment acheminer les mesures par LoRaWAN.
Pas à pas : le cycle d'un projet d'IA[modifier | modifier le wikicode]
- Poser une question précise (« dois-je arroser demain ? »).
- Collecter des données avec leur date et leur étiquette (ce qui s'est réellement passé).
- Nettoyer : retirer les valeurs impossibles, remplir les trous, vérifier les unités.
- Séparer les données : environ 70 % pour apprendre, 15 % pour régler, 15 % pour tester (jamais mélangées).
- Entraîner un modèle simple d'abord (une règle ou une régression), puis comparer.
- Mesurer l'erreur sur les données de test et la comparer à ce que ferait une règle simple.
- Déployer, surveiller, ré-entraîner quand les conditions changent (nouvelle variété, nouvelle saison).
Les coûts réels[modifier | modifier le wikicode]
| Poste | Ordre de grandeur | Remarque |
|---|---|---|
| Outils logiciels | souvent 0 F | Python, scikit-learn, Teachable Machine, Google Colab, Copernicus : gratuits à la date du 21/11/2026[1][2] |
| Capteurs et carte électronique | voir Matériel et coûts et Où acheter le matériel Agritech | prix datés sur ces pages |
| Collecte et étiquetage | le plus gros poste | des semaines de photos et de relevés |
| Connexion | faible | LoRaWAN évite l'abonnement par capteur |
| Compétence et entretien | continu | un modèle qui n'est plus mis à jour dérive |
Pour un petit producteur, la meilleure première étape est souvent une règle simple bien étalonnée ; l'IA se justifie quand la règle ne suffit plus.
Où trouver les outils (gratuits d'abord)[modifier | modifier le wikicode]
- Google Colab : un carnet Python dans le navigateur, sans installation (offre gratuite limitée).
- scikit-learn : bibliothèque Python libre pour les modèles simples.
- Teachable Machine : entraîner un classifieur d'images sans écrire de code.
- Copernicus Browser : images satellites gratuites.
- Open-Meteo : météo ouverte, gratuite pour un usage non commercial.