Pourquoi le Cloud est-il idéal dans le traitement des données agricoles?
Aujourd’hui, le Cloud fait partie intégrante de notre quotidien. On l’utilise dès lors que l’on consulte nos emails et chaque utilisateur peut accéder à ses propres données à tout instant depuis n’importe quel ordinateur ou smartphone.
Si la mobilité est le premier avantage cité en faveur du Cloud, le “nuage” offre également de grandes capacités de stockage. Très utile, à l’heure où le traitement des données se généralise.
C’est cette mobilité et ces capacités qui séduisent le secteur agricole et ouvrent la voie à de multiples applications. Mais comment toutes ces données générées par les exploitations sont-elles stockées et traitées dans le Cloud ?
Vous vous demandez si le Cloud est adapté à votre activité ? Si vos données seront sécurisées et accessibles facilement ? Dans cet article, on vous explique le fonctionnement d'une plateforme Cloud et pourquoi cet outil est particulièrement adapté au secteur de l'élevage.
Cloud et solution logicielle pour l’agriculture
Avec le Cloud, nous n'avons plus besoin d'être physiquement présents à un endroit précis pour accéder à nos données. Celles-ci sont disponibles, sur tout périphérique, de n'importe quel endroit sur le globe à partir du moment où nous avons une connexion internet. Cette accessibilité simplifiée réduit fortement le risque de perte des données en cas de vol ou de panne de l’un de nos périphériques.
Le principal avantage du Cloud, est qu'il assure une protection des données afin qu’elles ne puissent pas être perdues ou supprimées, sauf action explicite de l'utilisateur.
Les logiciels en mode SaaS
Les entreprises qui mettent à disposition une version Cloud de leurs logiciels proposent à leurs clients d’utiliser leur solution (et donc d’accéder à leurs données) en utilisant un navigateur web ou une application mobile. C’est ce que l’on appelle un logiciel en mode SaaS (Software as a Service).
Le mode SaaS sous-entend qu’aucune installation n’est requise sur votre ordinateur, si ce n’est celle d’un navigateur web.
Autre avantage et pas des moindres, vous n’avez plus besoin d'effectuer des mises à jour du logiciel. Tout cela est réalisé automatiquement sur le Cloud !
Cette simplicité d'accès à ses propres données et l'automatisation des mises à jour du logiciel, c'est justement ce que propose Dilepix à ses clients.
La plateforme logicielle Cloud : un outil idéal en élevage
En déléguant le traitement de leurs données à une plateforme Cloud, les utilisateurs ont la possibilité d’effectuer des analyses à distance, à partir de photos ou de flux vidéos pris de façon fixe dans les bâtiments d'élevage (porcs, volailles, bovins, insectes).
Le traitement des données agricoles par le Cloud s'avère être une solution particulièrement appropriée en élevage du fait de sa simplicité d'installation. En effet, de plus en plus d'exploitations agricoles s'équipent de matériel connecté à Internet et une simple caméra de surveillance peut devenir intelligente et traiter elle-même les données en y ajoutant une connexion Web.
De cette manière, les utilisateurs que sont les vétérinaires, les conseillers et techniciens d'élevage ont accès à tout moment aux résultats d'analyses de leur portefeuille d'exploitations.
Comment les données agricoles stockées dans le cloud sont-elles sécurisées ?
Si l’on peut accéder à ses données partout à tout instant, la question de leur sécurité devient primordiale. Les entreprises proposant une application Cloud s’appuient généralement sur des fournisseurs de Cloud. Ces fournisseurs mettent à disposition des services efficaces, fiables et performants afin que les entreprises puissent se concentrer uniquement sur le développement de fonctionnalités et non sur l'infrastructure de leurs applications.
C’est pour répondre à ces objectifs de fiabilité que Dilepix a choisi de s'appuyer sur des fournisseurs de services à la pointe de la sécurité. Garantir sérénité et performance à des utilisateurs dans le traitement de leurs données fait partie de nos engagements.
Mais nous ne souhaitons pas nous arrêter là. En plus de respecter la Réglementation Général sur la Protection des Données (RGPD), nous prévoyons d'aller plus loin en nous conformant à la charte data agri renforçant ainsi la lisibilité, la transparence, la maîtrise de l’usage et la sécurité des données agricoles.
Le traitement des données agricoles dans le Cloud. Comment ça marche ?
La majorité des données agricoles brutes générées dans les exploitations agricoles provient d'équipements tels que les capteurs ou les caméras. Ces données brutes, afin d’apporter une information utile et rapide aux utilisateurs, nécessitent d’être analysées.
Pour y parvenir, il est possible d’avoir recours à un équipement embarqué à condition qu’il soit assez puissant. Dans le cas contraire, pour des traitements de données nécessitant des puissances de calcul importantes, leur gestion est effectuée sur une machine distante située ailleurs dans le monde.
Dans le cas où les données proviennent de caméras, ces dernières les transmettent à cette machine qui va se charger d’effectuer les calculs et les sauvegarder dans un espace de stockage fiable.
Cette machine, qui en réalité est constituée de multiples composants, est une des modélisations du Cloud.
Concrètement chez Dilepix, un équipement embarqué sur une machine agricole (tracteur, robot, mélangeuse automotrice…) ou installé dans un bâtiment d’élevage va envoyer ses données sur le Cloud afin que celles-ci soient analysées et sauvegardées.
Pour résumer, la gestion des données à travers le Cloud s’avère être une excellente stratégie pour les entreprises agricoles pour les raisons suivantes :
- Sécurité : leurs data seront stockées et traitées en toute sécurité
- Flexibilité et liberté : accès à leurs analyses à tout moment et de n’importe quel endroit dans le monde
- Volume important de données à traiter : le Cloud est capable d’absorber une quantité importante d’analyses
- Simultanéité : les importantes capacités de stockage et les puissances de calcul du Cloud permettent de travailler avec un grand nombre d’appareils fonctionnant en même temps.
Notons que les progrès liés à couverture réseau et l'arrivée de la 5G (même s'il ne faut pas oublier que les campagnes ne bénéficient pas toutes d'une bonne connectivité) ouvrent la voie à l'apparition de nouvelles technologies comme le Fog et l'Edge computing, qui devraient, à l'avenir, permettre de traiter les données au plus près de leur source.
La différence entre IA, Deep Learning, Machine Learning en agriculture
L’agriculture vit une profonde transformation. Ce bouleversement implique notamment d’intégrer de plus en plus les nouvelles technologies pour satisfaire à la fois une obligation de rendement, le respect des normes environnementales, les contraintes de pénibilité du travail et des problématiques de main-d'œuvre.
Pour répondre à ces enjeux, l’Intelligence Artificielle a fait une entrée fracassante dans le monde agricole. Son apparition et sa démocratisation révolutionnent nos méthodes de travail et ouvrent de nouvelles perspectives.
Mais qu’entend-on exactement par Intelligence Artificielle ? Lorsque l’on parle IA, on évoque souvent d’autres termes comme Deep Learning ou Machine Learning. Ces deux appellations, couramment utilisées en analyse d'image, sont au cœur même de la surveillance des cultures ou des élevages.
Pour vous aider à y voir plus clair, voici une explication et une définition précise de chacun de ces termes.
L’Intelligence Artificielle utilisée en agriculture, qu'est-ce que c'est ?
Pour beaucoup d’entre nous, le terme d’Intelligence Artificielle (IA ou AI en anglais) reste vague. La CNIL définit d’ailleurs l’IA comme “le grand mythe de notre temps”. De leur côté, les initiés la désignent comme une branche de programmes informatiques capables d’une interprétation complexe de l’information.
Mais saviez-vous que l’Intelligence Artificielle n’est pas une notion aussi nouvelle qu’on pourrait le penser, car elle est apparue dès les années 50 ?
L'Intelligence Artificielle et ses branches Machine Learning & Deep Learning
L’Intelligence Artificielle est un domaine très vaste, où les techniques d’apprentissage automatique (ou Machine Learning) en sont une branche. L’apprentissage profond (ou Deep Learning) est quant à lui un sous-ensemble du Machine Learning.
|
 Yann Le Cun, chercheur en Intelligence Artificielle, considéré comme l'un des inventeurs de l'apprentissage profond, définit l'IA comme un « ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains et à certains animaux.  |
Nous pouvons cependant nous questionner sur la capacité des machines à interpréter des informations ainsi que sur leur niveau d’autonomie. Il est souvent difficile de décider à partir de quelle « complexité d'algorithme » on passe d’un « simple programme informatique » à une Intelligence Artificielle.
Le spectre des définitions de l’IA est très large et l’on y oppose régulièrement la notion « d’Intelligence Artificielle forte » (ou Strong AI - General AI) à celle « d’Intelligence Artificielle faible » (ou Weak AI - Narrow AI).
Intelligence Artificielle forte vs Intelligence Artificielle faible
L’Intelligence Artificielle faible est une application des techniques de l’Intelligence Artificielle permettant à un système de reproduire, voire de surpasser, l’Intelligence humaine dans la réalisation d’une tâche précise.
L’Intelligence Artificielle forte est un système doté de connaissances et de capacités cognitives complètes, de sorte que ses performances sont indiscernables de celles d’un être humain. Bien que largement présent au grand écran - Wall-E, Terminator, Star Wars ou encore Matrix et Her - aucune crainte, un tel système n’a pas encore été développé à ce jour !
L’IA reste tout de même présente dans un grand nombre d’applications allant des premiers programmes jouant aux dames dans les années 50 aux projets de voitures autonomes actuels. Ces applications ne peuvent pas être uniquement définies comme IA faible ou IA forte, mais se situent plutôt à différents degrés d’autonomie.
Le Machine Learning pour résoudre les problématiques agricoles
Parmi les branches de l’IA, la plus importante est celle du « Machine Learning », que l’on peut traduire par apprentissage automatique. Cette approche est basée sur l’utilisation d’algorithmes permettant de lire des données d’entrée et d’apprendre de ces données (c’est-à-dire de trouver un modèle mathématique les représentants) dans le but de résoudre un problème précis. On cherche ici à recréer le raisonnement humain en s’adaptant aux nouvelles problématiques auxquelles il doit faire face et en utilisant au mieux ce qu’il a appris lors de sa confrontation à des situations similaires.
Le Machine Learning a pour objectif de répondre à des problématiques qui ne peuvent pas être résolues par une règle fixe. L’idée n’est plus seulement d’imiter la manière dont un humain se comporte, mais également d’imiter la manière dont il apprend. L’un des premiers cas pratiques impliquant du Machine Learning fut la création de filtres anti-spams. S’en est suivi la victoire de Deep Blue, superordinateur, contre Garry Kasparov, champion du monde d’échecs, en 1997.
Parmi les catégories d’applications les plus utilisées en Machine Learning on trouve entre autres :
La régression :Il s’agit ici de prédire une valeur numérique, à partir d’une ou plusieurs autres valeurs numériques d’entrée. Prenons un exemple en production porcine : on connaît la valeur Y de sortie (comme le poids d’un porc) pour une série de données X d’entrée (la taille du porc correspondant) : (X1;Y1), (X2;Y2)...
En utilisant ces données, on veut que le système trouve une fonction mathématique, Y=f(X), permettant de prédire le poids d’un porc en fonction de sa taille.
La classification :
On cherche ici à connaître à quelle « classe » une donnée peut être associée en la comparant aux classes des données utilisées lors de la phase d’apprentissage, par exemple la classification d’espèces animales.
Le clustering :
Contrairement à la classification, on se penche ici sur l’étude des similarités entre les données afin de les classer en groupes ayant des caractéristiques communes telles que des familles d’espèces : oiseaux, mammifères...
Au fil du temps, de nombreuses familles d’algorithmes répondant à ces catégories d’applications sont apparues : les « K plus proches voisins (k-nearest neighbors - KNN) », les machines à vecteur de support (SVM), l’apprentissage par arbres de décision ou encore les réseaux de neurones.
L'apprentissage des réseaux de neurones
Comme vous l’aurez compris, les réseaux de neurones sont une famille d’algorithmes appartenant au Machine Learning. Un réseau de neurones artificiel s’inspire du fonctionnement du cerveau humain. Dans celui-ci, l’information se déplace sous forme de courant électrique à travers les neurones. Chacun étant connecté à d’autres neurones et capable de recevoir plusieurs signaux électriques de certains de ses « voisins » et d’envoyer un signal « interprété » à d’autres.
Au cœur d’un réseau de neurones artificiel, on trouve des objets informatiques appelés neurones artificiels, qui sont en fait de petites fonctions mathématiques connectées en couches.
Les neurones de la couche d’entrée n’ont pas d’action sur l’information, ils la transmettent simplement à la couche suivante, une couche cachée.
La couche de sortie récupère l’information de la dernière couche de neurone cachée et la restitue sous le format souhaité pour répondre à la problématique donnée.
Chaque couche cachée prend en entrée les sorties des neurones de la couche précédente et effectue une opération mathématique pondérée à l’aide de poids qui seront ajustés lors de la phase d’apprentissage.
Un réseau de neurones entraîné est le résultat d'entraînement d'un réseau vide de connaissance. Il contient l’ensemble des poids à appliquer aux couches cachées afin de minimiser l'erreur de prédiction sur la couche de sortie pour une problématique ciblée.
Les approches à base de réseaux de neurones ne sont pas récentes. Jusque dans les années 2000, les réseaux de neurones artificiels utilisés possédaient peu de neurones et peu de couches, car la puissance des calculateurs était limitée. Du fait de leurs performances médiocres, d’autres approches telles que le SVM, les « K plus proches voisins » et l’apprentissage par arbre de décision étaient alors privilégiées. Les années 2010 renversent la tendance avec un regain de popularité pour le Deep Learning.
Le Deep Learning et la vision par ordinateur, des technologies particulièrement adaptées au secteur agricole.
Le Deep Learning consiste à entraîner et déployer des réseaux de neurones de plus en plus profonds et donc plus complexes.
Son utilisation s’est fortement démocratisée ces dernières années, grâce à une meilleure accessibilité des données - leur quantité permettant ainsi d’améliorer l’efficacité de l'entraînement des réseaux - et à la puissance de calcul des machines actuelles. En 2015, le Deep Learning a d’ailleurs été fortement médiatisé par la victoire d’Alpha Go, premier programme informatique ayant battu un joueur professionnel de jeu de go.
Aujourd’hui, tout le monde s'accorde à dire que l’utilisation du Deep Learning pour la détection et la classification d’objets dépasse de loin les autres techniques auparavant utilisées (KNN, SVM, approches colorimétriques, techniques de traitement de signal...) tout en ayant des résultats remarquables.
Parmi les domaines boostés par l’utilisation du Deep Learning, on trouve la vision par ordinateur. Allant de la retouche d’image à la reconnaissance faciale, l’analyse d’image à base de réseaux de neurones profonds fait aujourd’hui partie de notre quotidien.
Plus que des réseaux de neurones profonds, on parle très souvent, en analyse d’image, de réseaux de neurones convolutifs « Convolutional Neural Network » ou CNN. L'image, représentée par ses pixels, constitue une des observations d'entrée utilisée lors de l'apprentissage du modèle de données final.
Réseau de neurones convolutifs
En complément des couches retrouvées sur les réseaux de neurones utilisés en Machine Learning classique, les CNN comprennent plusieurs couches de traitement telles que :
- La couche de Convolution qui traite les données pixels d’une image.
- La couche de Pooling qui permet de compresser l'information issue des couches de convolution.
Parmi les catégories d’applications les plus utilisées de ces réseaux convolutifs, on trouve de la classification d’image et de la détection et segmentation d’objets.
Pour résumer, le Deep Learning permet aujourd'hui une multitude d'applications pratiques de l’IA. En agriculture, le recours à l’Intelligence Artificielle et à la vision par ordinateur consiste principalement à la surveillance et la détection de menaces et d’opportunités que l'on peut classer en 3 catégories :
- En productions animales, l’IA peut permettre, entre autres, de détecter des comportements en lien avec la reproduction, la santé, les performances et le bien-être des animaux.
- En productions végétales, l’IA sera utilisée à des fins de détection d’adventices, de maladies ou pour du comptage en prévision de rendements.
- Enfin, couplée à la robotique et au machinisme agricole, l’IA s’avère être une technologie de très haute précision notamment pour des applications de guidage autonome.
L’Intelligence Artificielle, en partie grâce au Deep Learning, s'inscrit petit à petit dans le paysage agricole où le nombre de cas pratiques devrait continuer de s’intensifier.
Rassurez-vous ! Non, l’IA forte, pilotant nos exploitations agricoles et remplaçant nos agriculteurs, n'est pas pour demain !
Bonne année 2021 : Nous avons des messages pour vous
Toute l'équipe vous souhaite une très bonne année 2021 ✨
Le contexte sanitaire, qui nous impose de télétravailler au maximum, ne nous a pas permis de nous retrouver physiquement pour filmer une séquence. Du coup, nous avons ressorti le classique indémodable (néanmoins tendance 😁) de la "boulette" pour vous souhaiter une excellente année pleine de projets innovants !
Souhaitons-nous tous que cette nouvelle année soit synonyme de relance économique, de retour progressif à une vie normale et qu'enfin nous puissions nous retrouver en "vrai".
Qu'agriculture de précision rime, cette année encore, avec innovation et collaboration.
Une équipe qui s'agrandit
Nous concernant, l'année débute en beauté puisque nous venons d'accueillir deux nouveaux collaborateurs (Adrien & Gatien) qui viennent compléter l'équipe des développeurs. Respectivement Ingénieur Front End et Ingénieur Vision par ordinateur, ils vont contribuer au développement des projets.
C'est donc une équipe qui s'agrandit au fur et à mesure de notre montée en puissance avec pour objectif de doubler les effectifs d'ici à fin 2021.
