L'apprentissage automatique rencontre la prise de décision dans l'agriculture
Objectif des conseils de culture 2.0
Farm21 développe un système d'aide à la décision de culture auto-apprenant. Il s'agit d'une plateforme dans laquelle les sources de données agricoles sont combinées et analysées par des algorithmes d'apprentissage automatique. Les résultats sont évalués et améliorés par les commentaires des utilisateurs. Nous appelons cela Cultivation Advice 2.0. Sur cet autre blog nous expliquons ce que nous entendons par là.
Dans ce blog, cependant, nous nous concentrons sur les aspects nécessaires à la mise en place de ce système. Nous définissons les éléments clés et les points de départ. Ces aspects sont ce sur quoi nous travaillons au jour le jour.
Cultivation advice 2.0 offre un soutien unique au cultivateur individuel. Il permet au cultivateur de rendre sa culture plus efficace. Cela signifie : augmenter le rendement, économiser des ressources précieuses comme la protection des cultures, les engrais et l'eau.
Nous pensons que c'est l'avenir de la numérisation dans l'agriculture.
L'apprentissage automatique comme volant d'inertie
Pour t'épargner un essai très technique, nous expliquons l'apprentissage automatique à un niveau très élevé. L'apprentissage automatique est un moyen automatisé d'analyser de grandes quantités de données. À un niveau de base, un système d'apprentissage automatique qui fonctionne bien consiste en une boucle continue des étapes suivantes.
- Collecte des données. Une collecte de données cohérente, de haute qualité et à grand volume. Un ensemble de données toujours plus grand avec autant de données (pertinentes) que possible est la base du volant d'inertie.
- Catégorisation des données. Les spécialistes des données catégorisent les données et entraînent les algorithmes ML. Dans notre cas, nous identifions un sujet que nous voulons analyser, par exemple une certaine maladie dans une culture, et les paramètres qui pourraient potentiellement influencer ce résultat.
- Montre les résultats. Les résultats des algorithmes ML sont montrés aux cultivateurs et aux conseillers agricoles.
- Réactions. Les commentaires sont traités et inclus dans les analyses ultérieures.
Pour réaliser la vision de l'avenir de Farm21 et mettre en mouvement le volant d'apprentissage automatique, un certain nombre de phases clés doivent être réalisées. Cette chronologie montre les phases les plus importantes.
1 Collecte les données
L'apprentissage automatique nécessite la collecte constante de données de haute qualité et de grand volume.
Pour atteindre la bonne densité de données, il est nécessaire de réduire le coût par point de mesure et de pouvoir faire le lien avec les capteurs déjà existants.
À cette fin, nous développons des capteurs exclusifs qui permettent de collecter des données à grain fin et nous utilisons les capteurs existants pour constituer un ensemble de données à grain fin.
2 Enrichir les données
En reliant les sources de données entre elles, il est possible pour un algorithme d'apprentissage automatique de trouver des corrélations dans les données.
Les sources de données que nous connectons sont par exemple des images satellites, des bases de données de cultures, des enregistrements de rendement, des scans de sol, des ensembles de données de tracteurs, et bien d'autres encore.
Avec des informations provenant de différentes sources, il est également possible de filtrer les valeurs aberrantes. Améliorer la qualité des données utilisées pour former les algorithmes d'apprentissage automatique.
3 Alertes génériques
Un modèle préexistant (Système générique d'aide à la décision) constitue la base des alertes. Des algorithmes de base comme "avec une température X, une humidité Y sur une période de temps Z, tu as une pression de maladie élevée". Ces alertes génériques sont notre point de départ.
Nous collectons lorsqu'ils sont déclenchés et, à un stade ultérieur, nous établissons un lien entre ces événements et la réponse de l'utilisateur.
4 Feedback
Le feedback est le moteur du système d'auto-apprentissage. Un simple "c'est bien/pas bien" en dit déjà long sur la qualité du conseil. Comme mentionné précédemment, nous stockons ce retour et le comparons aux conseils donnés.
De cette façon, les algorithmes d'apprentissage automatique peuvent déterminer au niveau individuel quels devraient être les facteurs de pondération pour les conseils de culture personnelle, mais aussi l'utiliser pour trouver plus de liens entre les ensembles de données.
5 Prédire l'avenir
En utilisant l'ensemble de données qui ne cesse de croître et l'aide de l'apprentissage automatique, nous pouvons donner des conseils ou des avertissements sur ce qui pourrait arriver.
Le cultivateur est ainsi informé plus tôt des évolutions climatiques et de leurs effets sur son champ et sa culture. Cela lui permet d'agir plus rapidement.
6 Conseils personnalisés sur les cultures
À ce stade, nous atteignons les conseils de culture 2.0 pour le cultivateur individuel.
La mesure fine permet d'effectuer des actions de culture à un niveau très précis. Grâce à toutes les informations qui sont introduites dans le système et analysées par les algorithmes d'apprentissage automatique, le niveau de perspicacité est considérablement augmenté. Il en résulte des conseils de culture localisés et personnalisés.
Les conseils de culture automatisés sur mesure sont extrêmement détaillés, fonctionnent de manière préventive mais sont ciblés. Il donne la possibilité d'effectuer chaque action au bon moment pour optimiser l'efficacité du rendement et l'utilisation des ressources.
