L'intelligence artificielle au service de la connaissance de la biodiversité végétale

Le prix de l’innovation « Inria-Académie des sciences-Dassault Systèmes » a été attribué en 2020 au projet Pl@ntNet, plate-forme collaborative d'identification des plantes. Ce projet pluridisciplinaire est né, il y a 10 ans, d'une collaboration entre l’Inria (développements informatiques) et le Cirad (expertise botanique). Son évolution l'a conduit à devenir un outil géo-citoyen, où tout un chacun peut participer, via son mobile, à enrichir la connaissance de la biodiversité végétale, tout en améliorant les qualités prédictives du système d'identification basé sur le deep learning. Cette application mobile a fait l’objet de près de 20 millions de téléchargements ; 27 909 espèces de plantes y sont recensées et localisées à travers le monde. Les informations contenues dans l’application, une fois validées, enrichissent depuis peu la base de données du Global Biodiversity Information Facility (GBIF, système mondial d’information sur la biodiversité). Pl@ntNet devient ainsi la première source utilisant l'intelligence artificielle à être intégrée dans ce dispositif.

La version mobile de Pl@ntNet pour identifier une espèce végétale via sa photo

Source : Copyright © 2021 Pl@ntNet

Source : Institut national de recherche en sciences et technologies du numérique

Il y a beaucoup plus d'arbres qu'attendu au sud du Sahara

Une équipe internationale de chercheurs a réalisé un inventaire des arbres dans une zone s'étendant de l'ouest du Sahara à la région sub-humide, grâce aux images satellites haute résolution et au deep learning. Ils ont ainsi décompté en moyenne 13 arbres par hectare dans la zone étudiée (1,3 million de km²), et mesuré leur envergure et leur hauteur. Même si la densité reste faible, elle est nettement supérieure à ce que les chercheurs attendaient.

Source : Nature

 

Que peut le deep learning pour l’agriculture ?

La chaire AgroTIC consacre une étude au deep learning et à ses applications en agriculture. Il est présenté comme une variété de machine learning, cette branche de l’intelligence artificielle qui vise à « donner la capacité d’apprendre à la machine, par elle-même, quelle que soit la situation » et sans avoir à coder « ni même à connaître » toutes les règles. En cela, le deep learning repose sur une analogie avec le fonctionnement du cerveau. Empilant plusieurs couches de neurones formels, l'apprentissage profond nécessite d’importantes capacités de calcul.

Le machine learning

Source : Chaire AgroTIC

Dès 2010, le deep learning était utilisé en élevage pour contrôler les paramètres de croissance du poulet de chair. À partir de 2012, il connaît un rapide développement dans le domaine de l’analyse d’images, certains parlant de « révolution ». Aujourd'hui, de nombreuses applications couplent ces systèmes de traitement de l'information avec des machines agricoles, des drones ou des robots : reconnaissance des plantes ou détection des maladies pour la pulvérisation et le désherbage, classification de l'occupation des sols et estimation de rendements, etc.

L'étude livre d'intéressants verbatim d'entrepreneurs du deep learning. Elle souligne aussi les enjeux de son déploiement. Pour un apprentissage efficace, de grands jeux de données annotées sont nécessaires en amont des mises en situation (« entraînement » du modèle par l'algorithme, tests de fiabilité). Il est donc important de régler les questions de mutualisation et de propriété des données, et la réglementation peut ici être un frein. De plus, le hardware n'est pas facile à embarquer sur les machines agricoles. Enfin, l’effet « boîte noire » inhérent au fonctionnement du système pose aussi des questions d'autonomie et de confiance. Il est quasiment impossible, même pour leurs concepteurs, de retracer ce qui se passe « à l'intérieur » de ces machines apprenantes. Il peut donc être difficile d'améliorer leurs performances, de dégager les responsabilités en cas de défaillance et, a fortiori, d'assurer les risques liés à leur utilisation.

Florent Bidaud, Centre d'études et de prospective

Source : Chaire AgroTIC