Retour sur les cas d’usage de la séquence Contrôler et piloter

Machine Learning pour piloter des interventions : zoom sur les modèles causaux, Michèle Sebag, CNRS

Le machine learning peut aborder 4 types de questions : (i) décrire l’existant (par exemple, utiliser des capteurs pour identifier l’état actuel d’un système (monitoring)) ; (ii) prédire ce qu’il va se passer (prévoir des résultats futurs en se basant sur des observations passées ; par exemple, estimer la récolte en fonction des intrants, du climat et des cultures, en supposant que rien ne change) ; (iii) intervenir/piloter : agir sur un système pour obtenir un résultat souhaité (par exemple choix des intrants pour influencer la récolte) ; (iv) raisonnement contrefactuel : imaginer ce qui se serait passé si certaines conditions avaient été différentes (par exemple, estimer comment la récolte aurait évolué avec des intrants ou des conditions climatiques différentes).

Pour passer de la simple prédiction à l’intervention et au contrôle des systèmes, en particulier en agriculture, un modèle causal, qui permet de comprendre les relations entre les causes et les effets est essentiel. La causalité consiste à donner du sens à une corrélation, une explication de causalité. Contrairement aux modèles purement corrélatifs, un modèle causal permet de répondre à des questions comme : « Que se passerait-il si nous modifions telle variable ? » ou « Comment agir pour obtenir un résultat spécifique ? ».

En combinant expertise humaine (cf. systèmes experts), essais randomisés contrôlés et découverte de modèles à partir de données d’observation (approche reposant sur des données existantes pour inférer des relations causales), il est possible de construire des outils puissants pour piloter des systèmes dans des domaines variés.

Une approche prometteuse pour améliorer l’apprentissage des modèles causaux consiste à utiliser des données provenant de multiples environnements. Cette méthode repose sur l’hypothèse que le mécanisme causal sous-jacent reste invariant, même si les conditions varient. En combinant des données issues de différents contextes, il devient possible d’identifier des relations causales plus robustes et généralisables. Pour ouvrir la voie à des applications concrètes et impactantes, les défis associés à cette approche incluent : la collecte et l’intégration de données hétérogènes ; la création d’une représentation commune pour comparer les environnements ; l’organisation et la mise à jour des données pour les rendre exploitables.

Du bruit à l’action : quand l’IA écoute et veille au bien-être des élevages, Victoria Potdevin, Adventiel

Earwise est un ensemble de solutions hardware/software permettant d’analyser des sons et de développer des modèles utiles en productions animales, pour surveiller les élevages, anticiper des problèmes de santé (ex. prédire la dynamique des maladies respiratoires des jeunes bovins), suivre les activités, détecter des éventuels dysfonctionnements et ainsi renforcer la sécurité des bâtiments. Au fondement de ces modèles, des bases de données sur lesquelles sont entrainés des algorithmes (apprentissage supervisé). S’il existe déjà des interfaces intuitives pour annoter des images, il n’en était rien pour l’audio. D’où la solution Earwise qui propose une méthode d’aide à l’annotation reposant sur des méthodes de clustering (ici, de sons qui se ressemblent). Le logiciel construit a priori des clusters de sons en fonction de caractéristiques audio, puis l’opérateur renseigne des annotations pour chaque cluster. Le premier cluster est le plus hétérogène mais rapidement pour les clusters suivants, il peut extrapoler ses annotations à l’ensemble du cluster concerné. A défaut de reconnaissance (en l’absence de données de références sur le cas concerné), la solution permet aussi la détection d’anomalies temporelles (ex. détection précoces d’incendies). Les données sonores deviennent ainsi une nouvelle corde à l’arc des IA ! 

Modélisation de la connaissance agronomique et de la planification des cultures maraichères à l’aide des technologies du web sémantique, Baptise Darnala, Elzeard

Elzeard développe une application d’aide au pilotage et à la planification des travaux des exploitations maraîchères diversifiées, caractérisées par la présence de plusieurs types de cultures au sein d’une même parcelle, de plusieurs modes de culture (sous-abri, plein champ) et de plusieurs types de cultures entre les parcelles.

Deux approches pour aider les agriculteurs dans leurs processus de planification des cultures ont été présentées. La première approche recourant aux technologies du web sémantique (alignement, inférence) permet de modéliser la planification des cultures pour des maraîchers et d’avoir un apport de connaissance pour aider à la tâche de planification (création d’une ontologie et un graphe de connaissances). Un problème de scalabilité (durée de traitement trop longue) a toutefois été rencontré ce qui conduit à changer de type de base de données (passage au relationnel).

La deuxième approche autour des méthodes d’apprentissage à partir de données (collectées historiquement via l’application et enrichies par des données de références (RPG 34)) permet de montrer que ces méthodes peuvent être en partie employées pour la recommandation de culture et que l’ajout de contexte, provenant de la modélisation de la première approche, permet d’améliorer les prédictions.