Ok

En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies. Ces derniers assurent le bon fonctionnement de nos services. En savoir plus.

15/02/2019

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

Machine-learning2.jpg

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

13:56 Publié dans 5. Fait porteur d'avenir | Lien permanent | Tags : deep learning, machine learning, chaire agrotic |  Imprimer | | | | |  Facebook

14/12/2018

Machine Learning au service de l'épidémiologie : ciblage des restaurants à inspecter par les services sanitaires aux États-Unis

En novembre 2018 ont été diffusés les résultats de travaux menés, aux États-Unis, par Google, l'université Harvard et les départements de santé et d'innovation de Las Vegas et Chicago, visant à améliorer le ciblage des restaurants à contrôler par les services sanitaires.

L'équipe de recherche a tout d'abord mis en place un algorithme de détection des requêtes, lancées sur le navigateur web Google, concernant des problèmes de santé consécutifs à la consommation d'aliments dans des conditions sanitaires médiocres. L'algorithme permet de distinguer les personnes effectivement malades de celles faisant des recherches dans un autre cadre : par exemple, les médecins et les étudiants peuvent se renseigner sur certains symptômes sans être eux-mêmes atteints. Il vérifie également si les personnes, dont les requêtes ont été identifiées comme pertinentes, sont bien allées au restaurant les jours précédents, ce grâce au service de localisation de Google (sous réserve qu'il n'ait pas été désactivé). Les restaurants sont ensuite classés comme « à risque » lorsqu'ils sont à l'origine d'une proportion importante de requêtes. L'application ainsi construite (FINDER) a été déployée dans les services sanitaires de Chicago (de novembre 2016 à mars 2017) et de Las Vegas (de mai à août 2016).

52,3 % des restaurants, identifiés par FINDER et contrôlés par les services sanitaires, se sont avérés non conformes lors des inspections, contre 24,7 % en temps normal. Comparativement, 39,4 % des restaurants contrôlés à Chicago suite au dépôt d'une plainte se sont révélés non conformes (résultats de Las Vegas non disponibles), soit une efficacité de détection moindre par rapport à FINDER. Ceci s'explique notamment par le fait qu'une personne peut avoir des difficultés à identifier quel restaurant l'a rendue malade, parmi ceux visités.

Ainsi, pour les auteurs, FINDER est un outil prometteur d'aide à la mise en œuvre de politiques sanitaires dans le secteur de la restauration, en améliorant le ciblage des inspections. Cette application présente l'avantage de ne pas nécessiter d'action de la part des consommateurs (par ex. porter plainte). Cependant, elle suppose un accès à leurs données personnelles de localisation et de recherches Google. Concernant le coût de mise en place de l'outil, les services testeurs rapportent qu'un certain effort a été nécessaire au début, mais qu'une fois pris en main, sa maintenance nécessite peu de ressources et de temps, tout en leur fournissant des indications précieuses pour mener leurs enquêtes terrain.

Nombre moyen d'infractions à la réglementation par catégorie (« critique » ou « majeure ») rencontrées dans les restaurants identifiés par FINDER ou non (Baseline)

Inspection.jpg

Source : npj Digital Medicine

Aurore Payen, Centre d'études et prospective

Source : npj Digital Medicine