Blog Les agriculteur.rice.s s’expriment, NDIZI écoute : comment l’intelligence artificielle contribue à placer les agriculteur.rice.s au cœur de la sélection variétale
Et si la sélection végétale commençait par mieux écouter ? En Tanzanie, des outils basés sur l'intelligence artificielle aident les chercheurs à recueillir à grande échelle les observations des agriculteurs, transformant ainsi ces remarques quotidiennes en données susceptibles de façonner la prochaine génération de variétés végétales.
Au cours d’une saison de culture, les agriculteurs remarquent bien plus de choses qu’une enquête ne peut facilement recenser : comment une culture réagit à des précipitations irrégulières, comment elle se cuit, se conserve, se vend ou se comporte dans les conditions locales. Ces observations déterminent si une variété est adoptée ou abandonnée, mais une grande partie de ces connaissances a toujours été difficile à saisir de manière systématique et à grande échelle.
Ce défi a inspiré le projet NDIZI (NLP to Develop and Innovate Zero-shot Intelligence), une initiative menée par l’Alliance de Bioversity International et du CIAT qui explore comment l’intelligence artificielle peut aider les systèmes agricoles à mieux écouter les agriculteurs. Ce qui a commencé comme un projet de recherche a depuis évolué pour devenir Sikia, une plateforme d’entretiens basée sur l’IA déjà intégrée à ClimMob et utilisée pour recueillir les retours d’expérience des agriculteurs et collecter des informations sur les marchés.
Le véritable frein au développement de l'intelligence agricole
Les entretiens qualitatifs traditionnels ont toujours été confrontés à un compromis difficile entre profondeur et envergure. Les entretiens approfondis nécessitent des socio-économistes qualifiés, de nombreux déplacements, une transcription et une traduction manuelles, ainsi qu’une analyse de longue haleine. Par conséquent, la collecte d’informations détaillées auprès d’agriculteurs au sein de vastes populations s’est souvent avérée lente, coûteuse et difficile à mettre en œuvre à grande échelle.
NDIZI a cherché à déterminer si les progrès en matière de reconnaissance vocale et de grands modèles linguistiques pouvaient aider à surmonter ce défi. Dans quatre régions de Tanzanie, 900 petits exploitants ont participé à des essais de variétés de tricot en exploitation, au cours desquels des enquêteurs ont utilisé des smartphones pour enregistrer les réflexions des agriculteurs tout au long du cycle de culture.
Le projet a généré près de 100 000 mots de retours d’expérience oraux. Dans les systèmes d’enquête classiques, le traitement d’une telle quantité de données ouvertes serait extrêmement fastidieux. Grâce à la transcription et à l’analyse assistées par l’IA, les chercheurs ont toutefois pu organiser et interpréter rapidement les conversations des agriculteurs, mettant ainsi au jour des informations que les enquêtes standard passent souvent à côté.
L'un des principaux défis concernait la langue elle-même. Le swahili reste une langue peu prise en charge par de nombreux systèmes d’IA, ce qui signifie que les modèles de reconnaissance vocale peinent souvent à garantir une précision suffisante en conditions réelles. Les chercheurs ont affiné le modèle Whisper d’OpenAI à l’aide de plus de 5 000 enregistrements sur le terrain recueillis au cours du projet, améliorant ainsi considérablement la qualité de la transcription tout en contribuant à la constitution de l’un des plus grands ensembles de données vocales agricoles de ce type en swahili.
Comme l’a expliqué Stephen Mutuvi, responsable du projet NDIZI :
Depuis trop longtemps, les outils numériques ont fait l’impasse sur les langues locales, laissant ainsi de précieuses informations, des nuances contextuelles et les facteurs motivant les décisions des agriculteurs « perdus dans la traduction »
Ce que disent les agriculteurs quand on leur donne la parole
Lorsque les agriculteurs sont invités à s’exprimer librement plutôt que de répondre selon des catégories prédéfinies dans un questionnaire, les informations recueillies changent radicalement. Les agriculteurs ne se contentent pas de décrire si une culture donne de bons ou de mauvais résultats ; ils expliquent comment les variétés se comportent en situation de stress, comment elles s’intègrent dans les systèmes alimentaires des ménages et comment elles se comportent sur les marchés locaux.
Les chercheurs ont identifié un éventail de priorités des agriculteurs bien plus large que celui généralement pris en compte dans les cadres de sélection, comprenant notamment la qualité culinaire, la valeur nutritionnelle, la digestibilité, la compatibilité avec le sol et les performances de conservation, ainsi que des observations détaillées sur le terrain telles que la germination inégale, les feuilles perforées, les grains ratatinés et les schémas de ramification.
Certaines conclusions ont révélé à quel point les réalités des ménages influencent profondément les décisions d’adoption. Les flatulences, par exemple, sont apparues à plusieurs reprises dans les entretiens comme un critère important, en particulier chez les femmes chargées de la préparation des repas au sein du foyer.
La collecte numérique des données facilite leur désagrégation : par exemple, d’importantes différences entre les sexes dans l’évaluation des cultures ont été identifiées. Les hommes mettaient plus souvent l’accent sur des caractéristiques liées à la production, telles que la tolérance à la sécheresse et la résistance aux maladies, tandis que les femmes s’intéressaient davantage à la qualité culinaire, à la digestibilité, au goût et à l’utilisation domestique. Bien qu’elles aient en moyenne moins pris la parole, les femmes ont exprimé une diversité similaire de caractéristiques des cultures et d’observations.
De la recherche NDIZI au produit Sikia
Ce qui a commencé comme une initiative de recherche s’est aujourd’hui transformé en un produit concret. Au cours de l’année écoulée, le pipeline NDIZI a été mis en œuvre via Sikia, une nouvelle plateforme d’entretiens basée sur l’IA, développée dans le cadre de la suite de produits Tatu.
L’intérêt de Sikia réside non seulement dans sa capacité à transcrire et à analyser des entretiens à l’aide de l’IA, mais aussi dans la manière dont elle modifie fondamentalement l’ampleur et la logistique de l’engagement des agriculteurs. Grâce à des suggestions assistées par l’IA, l’application guide de manière dynamique les enquêteurs tout au long des conversations, réduisant ainsi le recours à des chercheurs de terrain hautement spécialisés et permettant de mener des entretiens simultanément sur plusieurs sites.
Lors de récents déploiements, des jeunes sans emploi issus des communautés locales ont été formés et rémunérés via Mpesa pour mener des entretiens au sein de leur propre région. Cela a permis de réduire les frais de déplacement, de renforcer la confiance entre les enquêteurs et les personnes interrogées, et de mener simultanément un volume d’entretiens bien plus important que ce qui serait normalement possible avec des équipes de recherche centralisées.
Les entretiens étant enregistrés, transcrits et analysés numériquement grâce à des systèmes d’IA intégrés, les chercheurs peuvent traiter rapidement de grands volumes d’informations qualitatives tout en préservant la richesse d’une conversation ouverte. Sikia est déjà en cours d’adaptation pour la collecte d’informations sur les marchés dans le cadre de l’initiative Crop Concept, soutenue par la Fondation Gates, démontrant ainsi comment la recherche en IA agricole peut passer rapidement de la phase expérimentale au déploiement opérationnel.
Au-delà de NDIZI : présentation de Tatu
Sikia est le deuxième produit développé dans le cadre de Tatu, une nouvelle suite de produits basés sur l'IA visant à aider les systèmes agricoles à mieux comprendre à la fois les agriculteurs et les cultures grâce à l'intelligence multimodale.
Au sein de cet écosystème, Sikia fait office de couche d’écoute, recueillant les points de vue des agriculteurs grâce à des entretiens assistés par l’IA, tandis qu’Ona, développée dans le cadre du projet ARTEMIS, sert de couche visuelle, utilisant la vision par ordinateur pour analyser les performances des cultures directement à partir d’images prises sur le terrain. Ensemble, ces outils permettent de relier les retours d’expérience des agriculteurs, les informations sur le marché et l’évaluation des cultures au sein d’un système d’apprentissage plus continu destiné aux programmes de sélection.
Comme l’a souligné Ellena Girma :
« La collaboration entre les cultures, les équipes et les régions est essentielle. En tant qu’informaticiens, nous comptons sur les sélectionneurs et les experts de terrain pour nous aider à comprendre comment les plantes se comportent dans différentes conditions. C’est ainsi que nous créons des modèles d’IA qui sont véritablement utiles à l’agriculture. »
L'écoute en tant qu'infrastructure
Au fond, l’histoire de NDIZI ne se résume plus à savoir si l’IA peut traiter les entretiens plus efficacement. Il s’agit de déterminer si les systèmes agricoles peuvent enfin mettre en place l’infrastructure nécessaire pour être à l’écoute des agriculteurs en permanence et à grande échelle.
Grâce à Sikia et à l’écosystème Tatu au sens large, cette possibilité commence déjà à prendre forme. Développée grâce à la collaboration entre les équipes de Lever 5, notamment 1000Farms et Mr Bot, et renforcé par le soutien de la direction de l’Alliance et de la Fondation Gates, Sikia reflète une vision émergente de l’IA dans l’agriculture : non pas remplacer le savoir des agriculteurs, mais construire des systèmes capables de l’entendre plus clairement, de manière plus continue et à une échelle bien plus grande qu’auparavant.
