L'IA en agriculture freinée par des données inadéquates

L'IA en agriculture : une promesse conditionnelle

L'intelligence artificielle (IA) est en train de redéfinir les possibilités dans le secteur agricole. Cependant, les dirigeants doivent faire preuve de prudence avant de se lancer dans des investissements massifs en IA sans avoir d'abord mis en place les infrastructures de données nécessaires.

Les applications potentielles de l'IA dans l'agriculture sont nombreuses et prometteuses. Dans un secteur confronté à des défis tels que la volatilité des coûts des engrais, des conditions climatiques imprévisibles et des marges de profit étroites, l'IA offre des solutions attrayantes. Des études indiquent que l'utilisation de modèles prédictifs basés sur l'IA peut augmenter le rendement des cultures de 26 %, réduire la consommation d'eau de 41 % et diminuer l'utilisation de produits chimiques de 33 %.

Cependant, les fournisseurs d'IA ne mettent pas toujours en avant un aspect crucial : ces solutions ne sont efficaces que si elles reposent sur une base de données propre et robuste. Chez Reltio, une entreprise spécialisée dans la gestion des données, nous avons constaté à quel point une stratégie technologique solide est essentielle pour tirer parti de l'IA, notamment à travers notre expérience avec un grand distributeur agricole.

Les promesses des fournisseurs d'IA : attention aux données

Les discussions avec les fournisseurs d'IA dans le secteur agricole suivent souvent un schéma bien établi. Les promesses sont alléchantes : surveillance en temps réel de la santé des cultures, optimisation de l'irrigation, et maximisation du rendement par hectare grâce à l'IA.

Cependant, la question de la qualité et de la complétude des bases de données sous-jacentes est rarement abordée. Une base de données inexacte ou incomplète peut entraîner des résultats trompeurs de l'IA, qui, bien que paraissant autoritaires, peuvent conduire à des actions contre-productives.

Par exemple, un modèle de prévision des rendements basé sur des données historiques incohérentes produira des prévisions erronées. De même, un système d'irrigation de précision utilisant des données de capteurs fragmentées risque de prendre des décisions d'arrosage inefficaces, gaspillant ainsi des ressources précieuses.

Dans ces scénarios, l'IA échoue parce que les données sur lesquelles elle repose ne sont pas suffisantes pour garantir des résultats fiables. En agriculture, chaque erreur de l'IA peut avoir des conséquences graves, et le risque d'erreur est élevé.

L'agriculture : un défi complexe pour l'IA

Le paysage des données dans une exploitation agricole moderne ou chez un grand distributeur desservant des milliers de producteurs est d'une complexité extrême.

Les exploitations agricoles modernes intègrent largement des dispositifs IoT et des machines automatisées. Les systèmes d'irrigation sont souvent automatisés, les tracteurs naviguent de manière autonome, et les drones capturent des images aériennes des champs à grande échelle.

Cependant, les données générées par ces machines sont souvent disparates. Lorsqu'on y ajoute des sources externes comme les prévisions météorologiques, les données du Département de l'Agriculture des États-Unis, et des informations de marché tierces, le défi de les intégrer en un ensemble cohérent devient immense.

L'IA agricole doit également comprendre des aspects complexes tels que les coordonnées GPS, les limites des fermes, les blocs de champs et la variation des sols au sein d'une même propriété. Savoir où appliquer des engrais, à quel taux et dans quelle zone spécifique de la ferme est crucial. Un système d'IA qui traite toutes les parties d'un champ comme identiques produira des recommandations imprécises, voire nuisibles.

Il y a aussi une dimension de conformité à prendre en compte, en raison des produits chimiques et des responsabilités impliquées. L'IA en agriculture nécessite des contrôles et une gouvernance bien plus stricts que dans d'autres secteurs. Une recommandation erronée mise en œuvre sur le terrain peut avoir des conséquences graves.

La préparation des données : un impératif

La préparation des données est ce qui distingue une IA efficace d'un scénario de "garbage in, garbage out". En substance, être prêt pour l'IA signifie avoir un modèle de données qui reflète fidèlement le fonctionnement de l'entreprise.

Pour une entreprise comme Wilbur-Ellis, un distributeur agricole familial de 104 ans, cela implique de comprendre qui sont ses clients, quels champs ils cultivent, quels intrants ils nécessitent, de quels fournisseurs proviennent ces intrants, ce qu'ils ont payé la saison dernière, et comment tout cela se connecte à la marge. Ces informations doivent être à jour, cohérentes et accessibles à travers l'organisation, plutôt que cloisonnées dans des systèmes séparés.

De même, pour les exploitations agricoles elles-mêmes, la préparation des données signifie avoir une image fiable et connectée de ce qui se passe dans chaque champ : dossiers de santé des sols, historiques d'application des intrants, données de rendement des saisons précédentes, performances des équipements et lectures en temps réel des capteurs des systèmes d'irrigation.

La gouvernance des données est tout aussi cruciale que leur structure. Les prix changent, les relations évoluent et les fournisseurs vont et viennent. Un système d'IA basé sur des données qui étaient précises il y a six mois mais qui n'ont pas été mises à jour fera des recommandations basées sur une version de l'entreprise qui n'existe plus.

Construire une fondation de données fiable

La bonne nouvelle est que la préparation des données est un objectif atteignable. Cela commence par un modèle de données solide : une source unique et gouvernée de vérité qui relie clients, fournisseurs, produits, prix, commandes et marges d'une manière qui reflète le fonctionnement de l'organisation.

Ensuite, il est essentiel de mettre en place des pipelines de données suffisamment rapides pour fournir des informations au moment où des décisions doivent être prises, des cadres de gouvernance qui maintiennent la fiabilité de ces données dans le temps, et des contrôles de sécurité qui garantissent que les informations commerciales sensibles sont accessibles aux bonnes personnes dans les bonnes conditions.

C'est précisément le défi que Reltio, une entreprise SAP, a été créée pour résoudre. Reltio permet aux entreprises d'unifier leurs données fragmentées afin que les agents et systèmes d'IA puissent fonctionner à partir d'une image complète de l'entreprise. Reltio construit un système de contexte fiable, connu sous le nom de couche d'intelligence contextuelle, qui regroupe toutes les entités, relations et règles sous un même toit et rend les données commerciales faciles d'accès et d'interprétation.

Pour Wilbur-Ellis, construire cette fondation de données fiable a signifié pouvoir poser des questions plus complexes et faire confiance aux réponses, ce qui est la condition préalable pour qu'un système d'IA soit véritablement utile.

Maximiser la valeur de l'IA en agriculture

Avant de s'engager dans une nouvelle conversation sur l'IA, il est crucial de se demander si la base de données sous-jacente est suffisamment solide pour garantir des résultats fiables.

L'agriculture a toujours exigé de ses dirigeants qu'ils prennent des décisions à enjeux élevés dans l'incertitude, et l'IA offre la perspective de prendre ces décisions plus rapidement et de manière mieux informée. Cette perspective n'est réalisable que pour les organisations qui ont d'abord effectué le travail fondamental, et les entreprises qui tireront le meilleur parti de l'IA sont celles qui investissent dans cette fondation dès maintenant.