L’intelligence artificielle au service de la recherche agronomique.

 L’intelligence artificielle : un levier d’innovation pour la recherche agronomique en Wallonie

Cette présentation explore l’intégration de l’intelligence artificielle (IA) dans la recherche agronomique, en mettant l’accent sur les avancées réalisées au CRA-W (Centre wallon de Recherches agronomiques). L’IA, bien que popularisée récemment par des outils comme ChatGPT, est déjà utilisée depuis longtemps dans le secteur scientifique. 

Définitions et concepts clés

• IA : Imitation des fonctions cognitives humaines (raisonnement, apprentissage, perception) par une machine.
• Machine Learning (ML) : Apprentissage automatique à partir de données.
• Deep Learning (DL) : Apprentissage profond basé sur des réseaux neuronaux.
• IA Générative (IAG) : Génération de contenus originaux (textes, images, sons) grâce au DL.

Applications concrètes de l’IA au CRA-W

• Comptage automatique de larves : Utilisation du transfert learning (YOLO) pour compter rapidement les ravageurs du blé et du seigle, facilitant la prise de décision en protection des cultures.
• Qualispectra : Traitement d’images hyperspectrales par deep learning pour analyser la qualité des produits agricoles, avec des modèles robustes aux conditions de terrain.
• InnovEau : Réduction de l’utilisation des herbicides grâce à la détection automatique des adventices par réseaux de neurones et agriculture de précision (spot-spraying).
• Sagriwasent II / Belcam : Suivi continu de l’agriculture wallonne via télédétection et nouvelles technologies.
• Cartofor : Suivi de la santé des forêts par identification des houppiers et calcul du NDVI à l’échelle de l’arbre et de la parcelle. 

Organisation et veille technologique

• Comité Intelligence Artificielle Générative : Veille active sur les nouveaux outils, encadrement de leur utilisation, identification d’applications potentielles pour la recherche.
• Automatisation de la recherche bibliographique : IA pour l’entrée automatique d’informations et la vérification des bases de données scientifiques (ex : GenEdit). 

Enjeux et perspectives

• L’IA est déjà intégrée dans de nombreux projets du CRA-W.
• Les outils évoluent rapidement, nécessitant une veille et une adaptation continues.
• Le potentiel de l’IA pour la recherche agronomique est immense, mais la communication et la mutualisation des efforts entre utilisateurs sont essentielles.
• Réflexion en cours pour développer un outil dédié aux applications de deep learning et favoriser la collaboration.