
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.
|
![]() ![]() |
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.

Notre stratégie pour tirer avantage de cette année 2020
"Vivement que 2020 se termine !"
C'est ce que beaucoup de personnes répètent en ce moment. On se souviendra longtemps de cette année 2020 qui aura tant bouleversé notre quotidien. Les confinements successifs et les nouvelles organisations du travail qui en ont découlé ont fait évoluer les mentalités au-delà de ce que personne n'aurait imaginé.
Porter le masque toute la journée ! Pas question ! Disait-on au début de l'épidémie. Impossible d'imaginer que 9 mois plus tard, il ferait à ce point partie de notre quotidien. Désormais, lorsqu'on sort, on veille à ne pas oublier son smartphone, ses clés et son masque !
Qui aurait cru que le travail à distance se serait généralisé de cette manière ? Jamais nous n'aurions pu penser que les entreprises dont leur organisation était jusqu'alors majoritairement basée sur le présentiel, puissent un jour devenir aussi dépendantes des solutions digitales. Les entreprises ont dû s'adapter en un temps record leur faisant faire un bond numérique de 5 ans dans le futur !
Pour Dilepix comme pour beaucoup d'autres entreprises, il a fallu s'adapter, innover, bousculer les habitudes et faire preuve d'une grande agilité. Pas simple pour une jeune entreprise comme la nôtre de pouvoir traverser cette tempête sans encombres. Nous avons néanmoins eu l'avantage, par rapport à d'autres entreprises, d'être déjà équipés pour travailler à distance du fait de notre secteur d'activité (éditeur de logiciel).
Malgré ce contexte incertain, nous avons choisi de ne pas nous replier sur nous-mêmes. Bien au contraire ! Nous avons gardé le cap et continué d'innover et adapter la road map de notre développement. Pas d'arrêt d'activité, ni de chômage partiel, toute l'équipe nouvellement arrivée s'est investie aux côtés des deux fondateurs Aurélien Yol et Alban Pobla.
Retour sur cette année pas comme les autres qui aura mis en lumière notre esprit d'équipe et notre capacité d'adaptation.
Une équipe qui s'est agrandie malgré la crise
Malgré le contexte et l'impact de la Covid-19 sur l'emploi en France, nous avons poursuivi nos embauches. Certes, la majorité des nouvelles recrues a pris son poste avant le 1er confinement (dont les périodes d'essai courraient toujours à cette époque) mais d'autres collaborateurs sont venus renforcer la team Dilepix cet automne.
Structuration des équipes
Parmi ces nouvelles recrues, 3 managers sont arrivés en RH/finances, développement commercial et marketing/communication. Tous trois chargés d'appuyer la stratégie globale impulsée par les fondateurs et établir les plans d'actions pour passer à l'étape supérieure.
Parallèlement à cela, les équipes se sont étoffées et organisées avec l'arrivée d'un chargé de contenus web et d'un ingénieur agronome chargé d'étude en élevage.
Cette année, l'équipe a presque doublé, passant de 7 à 12 personnes et 3 nouveaux collaborateurs sont attendus début 2021.
Télétravail ou présentiel ? On a choisi les deux
A la sortie du 1er confinement, alors que certaines entreprises ont communiqué haut et fort le passage de tous leurs salariés en 100 % télétravail, d'autres ont au contraire, organisé au plus vite le retour de leurs équipes sur leur lieu de travail.
Pour Dilepix, pas question de choisir. En concertation avec les équipes, nous avons décidé de garder le meilleur des deux. Nous avons donc expérimenté le Flexwork.
Réinventer la vie au bureau
Les nouvelles organisations des activités nous ont poussées à réinventer la vie au bureau en dehors des périodes de confinement. Chez Dilepix, tous les collaborateurs ont été consultés pour imaginer ensemble la meilleure organisation possible. Nous avons donc décidé de permettre à chacun de travailler à distance et en présentiel.
Garder un esprit d'équipe est nettement renforcé lorsque les collaborateurs se retrouvent au bureau.
"Après plusieurs mois d'expérimentation, nous nous sommes aperçus qu'en moyenne les collaborateurs travaillaient 2 jours par semaine à leur domicile. On s'est rendu compte, qu'au bout de 2 jours, ils exprimaient le besoin de revenir dans les locaux pour conserver un lien social avec le reste de l'équipe." Explique Alban Pobla - CEO. "C'est pour cela que nous avons opté pour une organisation flexible qui nous semble tout à fait adaptée à notre secteur d'activité. De cette manière, nous pensons avoir trouvé le bon équilibre en permettant à chacun d'organiser son temps de travail. Certaines tâches demandent, parfois, plus de calme et de concentration. En ce sens, le télétravail se révèle être plus efficace. Inversement, d'autres temps en équipe sont nécessaires à l'avancée des projets et se retrouver au bureau s'avère plus stimulant et génère plus d'interactions qu'une visio." |
Des espaces repensés
En dehors des périodes de confinement, nous nous sommes aperçu qu'au moins la moitié des collaborateurs étaient présents en même temps chaque jour. Ceci reflète clairement leur besoin d'allier vie professionnelle et confort personnel. Pour répondre à cette nouvelle organisation, nous avons donc repensé l'agencement de nos nouveaux locaux :
Les bureaux individuels ont été imaginés de manière à échanger plus facilement tout en bénéficiant de larges surfaces de travail confortables. Flex office ou bureau attitré, le salarié a le choix.
- Des espaces plus isolés pour les réunions en petits groupes ont eux aussi été imaginés.
- Les lieux collectifs comme une salle de réunion restent nécessaires pour accueillir tout le monde lors de notre point hebdomadaire, d'autant que nous sommes en pleine croissance.
- Sans oublier, la convivialité avec l'indispensable espace café !
|
"Lors de l'aménagement de nos nouveaux locaux, nous avons laissé chaque salarié s'exprimer sur ses envies et avons organisé les espaces pour que tout le monde s'y sente bien. L'agencement actuel reflète parfaitement la vision collective de toute l'équipe" précise Alban. |
Des outils pour travailler de n'importe où
Lorsque le salarié travaille depuis son domicile, il n'est pas isolé ou livré à lui-même pour autant. Outre les outils de travail à distance comme Teams ou Google Drive, tous les collaborateurs sont équipés de Slack qui permet de garder le lien entre eux.
Profiter de l'inertie du confinement pour lancer de nouveaux projets
Comme évoqué précédemment, nous ne nous sommes pas repliés sur nous-mêmes et avons profité de la fenêtre médiatique qui s'est ouverte au second trimestre pour lancer de nouveaux projets. Nous avons choisi d'actionner deux leviers fondamentaux que sont la communication / marketing et le développement commercial. Nous nous sommes donc concentrés sur le développement de notre image de marque, la définition de notre offre et la prospection commerciale.
Communication & marketing
L'année avait plutôt bien démarré pour nous avec notre participation au CES de Las Vegas. Ce rendez-vous exceptionnel nous a apporté une visibilité au-delà de nos attentes. Rencontres avec des dirigeants de grands groupes internationaux inaccessibles en temps normal, interviews, retombées presse, contacts prometteurs, nous flottions sur le nuage de la tech mondiale !
Bien décidés à ne pas nous arrêter en si bon chemin, nous avons ensuite obtenu une belle reconnaissance en devenant finalistes du "Tech Tour Transfert Invest" organisé par BPI France. Parmi 150 start-ups candidates, le jury composé d'investisseurs et dirigeants d'entreprises a choisi de nous soutenir, prouvant ainsi l'intérêt de notre solution…
… Et puis en mars : black-out total avec l'arrêt de toutes activités.
Une stratégie digitale renforcée
Avec l'annulation de l'intégralité de la saison événementielle, c'était mal parti pour espérer toucher nos prospects du secteur agricole habitués aux contacts "en présentiel" des salons professionnels.
Pour contrer ce manque, nous avons choisi de renforcer notre stratégie digitale pour maintenir le lien avec nos prospects et clients. Nous en avons profité pour lancer notre nouveau site web orienté clients. Couplé à un blog, dont la mission est de vulgariser les usages de l'Intelligence Artificielle en agriculture, ce site web en apparence assez simple, est en réalité un outil très précis. Basé sur une stratégie Inbound Marketing, il nous apporte une connaissance fine de nos visiteurs. L'objectif étant de leur apporter la meilleure réponse possible à leurs problématiques et à leurs recherches de solutions technologiques.
Avec l'appui des réseaux sociaux qui se sont révélés extrêmement utiles (et qui, au passage, nous ont apporté un peu de légèreté pendant cette période anxiogène), nous avons pu agrandir notre communauté et développer notre image de marque. Préparer la sortie de confinement et être fin prêts pour la reprise était notre objectif !
Développement commercial
L'arrêt quasi-complet de l'activité économique du 2e trimestre et les conséquences toujours actuelles de la crise, ont généré un boom du digital dans presque tous les secteurs.
Forcées d’actionner de nouveaux leviers et d'innover pour maintenir leur activité, les entreprises se sont largement tournées vers le numérique. Faute de solutions utilisables à distance, elles ont été contraintes d'avancer certains projets numériques qui n'étaient pas forcément prioritaires avant la crise.
L’éditeur américain AppDynamics a d'ailleurs publié une étude menée auprès des professionnels des solutions IT qui montre que 95 % des entreprises interrogées avaient revu leurs priorités pendant la pandémie. L'expérience client en ligne est devenue LA priorité numéro 1.
L'intelligence artificielle : une solution durable
Cette urgence technologique, couplée à la volonté d'innover durablement a poussé plusieurs entreprises à faire appel à notre expertise. Pour certaines, il devenait vital de maintenir le lien avec leur clientèle agricole. Pour d'autres qui ont été fortement impactées par le manque main-d'œuvre, il était nécessaire de s'équiper d'une solution d'automatisation des tâches.
Dans tous les cas, ces entreprises ont été convaincues qu'adopter une solution d'IA leur fera gagner du temps, améliorera leurs conditions de travail ou celles de leurs agriculteurs et leur assurera un avantage certain face à la concurrence.
Récolter les fruits de nos travaux en 2021
Pour Dilepix, cette nouvelle année sera placée sous le signe de l'international. Après avoir fait nos preuves sur le territoire national, c'est à l'étranger que nous envisageons de conquérir de nouveaux marchés.
2021 s'annonce soutenue en termes d'activité puisque nous verrons le lancement et la livraison de plusieurs projets R&D en élevage, machinisme et grandes cultures industrielles. La structuration des process internes sera, cette année encore, améliorée en vue d'un doublement des effectifs d'ici à la fin 2021.
Souhaitons-nous tous que cette nouvelle année soit synonyme de relance économique, de retour à la normale et qu'enfin nous puissions nous retrouver ailleurs que derrière un écran.
Qu'agriculture de précision rime, une nouvelle fois, avec innovation et collaboration.