Research Articles Comment la conception inclusive redonne du pouvoir aux agriculteur·rice·s et comble le fossé de l’adoption des semences
Des chercheur·e·s du projet Artemis de l’Alliance ont développé des outils mobiles d’intelligence artificielle et des systèmes de retour d’information des producteur·rice·s en Tanzanie et en Colombie pour transformer la manière dont la sélection variétale répond aux besoins réels des petit·e·s exploitant·e·s.
Dans l’ensemble du Sud global, les programmes de sélection variétale sont confrontés à un défi récurrent : l’écart entre les variétés améliorées développées dans les stations de recherche et les réalités des exploitations des petit·e·s agriculteur·rice·s. Ce décalage est le résultat de systèmes de sélection historiquement centralisés, descendants et pauvres en données, ce qui limite leur capacité à refléter les conditions de culture locales ou les préférences des producteur·rice·s.
Mais les chercheur·e·s s’efforcent de changer cela. L'intelligence artificielle (IA), lorsqu’elle est combinée à des méthodes participatives et centrées sur l’humain, ouvre le champ à de nouvelles opportunités prometteuses. Un ensemble d’outils mobiles de phénotypage, développé par le projet Artemis de l’Alliance de Bioversity et du CIAT, a mobilisé l’IA pour concevoir un système de sélection inclusive et appuyé par la technologie, qui génère des données plus précises, amplifie les voix des agriculteur·rice·s et renforce les systèmes semenciers là où ils sont le plus nécessaires.
Pourquoi la sélection variétale doit-elle s’accélérer ?
Les décisions en matière de sélection variétale reposent largement sur phénotypage (la mesure des caractéristiques des plantes qui permet de déterminer quelles variétés seront sélectionnées et développées). Dans les programmes de sélection disposant de ressources limitées, cette opération est généralement réalisée par des technicien·ne·s formé·e·s, à l’aide d’une évaluation visuelle manuelle. Mais cette méthode est lente, subjective et difficile à appliquer à grande échelle dans la diversité des environnements où travaillent les petit·e·s agriculteur·rice·s.
De plus, les retours des producteur·rice·s sont rarement intégrés de manière systématique, en particulier aux premières étapes du développement variétal. Par conséquent, les semences améliorées répondent souvent mal aux besoins de production ou de consommation des agriculteur·rice·s. Cela entraîne une faible adoption et un renouvellement lent des variétés, ce qui constitue une préoccupation urgente face aux changements climatiques et à l’insécurité alimentaire.
Pour lever ce verrou, l’équipe d’Artemis a développé des outils numériques de phénotypage sur téléphone mobile, qui utilisent des modèles de vision par ordinateur (CV) pour évaluer rapidement des caractéristiques telles que le nombre de pieds par parcelle, le nombre de gousses ou la sévérité des maladies. Ces outils ont été testés dans des stations de sélection en Colombie et dans des essais en milieu réel dans cinq districts de Tanzanie.
Les résultats sont là :
- Les outils basés sur la vision par ordinateur (CV) ont atteint des corrélations de précision des caractères comprises entre 0,88 et 0,95 par rapport aux données de référence, dépassant souvent la précision des évaluations visuelles traditionnelles.
- Le phénotypage d’une parcelle standard de 4 m × 3 m prend désormais moins d’une minute, contre plusieurs heures avec les méthodes manuelles.
- Dans les essais en station, la capture d’images quotidienne a permis de recueillir dix fois plus de données par génotype que les techniques analogiques.
- Les essais en milieu réel ont permis de collecter des données quantitatives sur 480 sites, une échelle auparavant inaccessible pour des programmes disposant de ressources limitées.
Cela signifie que des données de phénotypage de haute qualité peuvent désormais être collectées directement dans les champs des agriculteur·rice·s, à l’aide d’outils accessibles à toute personne disposant d’un smartphone.
Co-concevoir des outils adaptés aux flux de travail réels de la sélection variétale
La précision seule ne suffit pas pour qu’un outil soit adopté à grande échelle ; il doit s’intégrer aux flux de travail existants des équipes de sélection, des technicien·ne·s et des agent·e·s de terrain communautaires. C’est pourquoi les chercheur·e·s ont appliqué une approche de conception centrée sur l’humain (HCD) pour orienter le développement.
En cartographiant le parcours du sélectionneur, depuis la mise en place des essais jusqu’à l’analyse des données, et en menant des entretiens avec des utilisateur·rice·s en Tanzanie, l’équipe a identifié des points de friction critiques : tâches à forte intensité de main-d’œuvre, erreurs humaines fréquentes, et soutien numérique limité. Ces constats ont orienté la conception de :
-
Dispositifs portatifs de capture d’image à faible coût, permettant d’améliorer le rendement et de réduire la fatigue ;
-
Procédures opérationnelles normalisées (SOP) adaptées à l’utilisation sur le terrain et en station ;
-
Supports de formation adaptés à divers niveaux de maîtrise numérique, y compris une initiation numérique pour les agent·e·s décentralisé·e·s.
Des modèles fondamentaux comme DINOv2 et Segment Anything ont permis d’entraîner les modèles de caractérisation des traits avec beaucoup moins d’images, réduisant ainsi les obstacles à la personnalisation selon les cultures et les caractères étudiés.
Le résultat est un outil de phénotypage conçu avec, et non simplement pour, les personnes qui vont l’utiliser.
De la mesure au sens : recueillir les retours des agriculteur·rice·s grâce à l’IA
L’équipe a également cherché à recueillir ce qui compte le plus pour les agriculteur·rice·s, dans leurs propres mots et leurs propres langues, car améliorer la précision de la mesure des caractères n’est qu’une partie de la solution.
Dans le cadre du projet NDIZI, les chercheur·e·s ont testé un système utilisant la reconnaissance automatique de la parole (ASR) et le traitement du langage naturel (NLP) pour collecter des retours audio de la part des producteur·rice·s lors des essais sur le terrain. Les entretiens menés en swahili ont été transcrits à l’aide du modèle Whisper et analysés selon les critères suivants :
-
Caractères évoqués (par exemple : rendement, résistance aux maladies, temps de cuisson),
-
Sentiment associé à chaque caractère (positif, négatif, neutre),
-
Importance des caractères, à la fois de manière individuelle et par sous-groupe de producteur·rice·s (par exemple : femmes, zones sujettes à la sécheresse).
Cette approche remplace les enquêtes rigides par des outils vocaux flexibles, permettant aux agriculteur·rice·s de s’exprimer de façon plus naturelle. Elle fournit également aux sélectionneur·euse·s une hiérarchisation structurée des préférences qui peut être intégrée dans les indices de sélection.
La collecte de données multimodales, associant ce que les agriculteur·rice·s disent à ce qu’ils·elles observent sur le terrain, permet une compréhension plus approfondie des perceptions locales de la performance des cultures. Les éléments visuels identifiés par les producteur·rice·s peuvent même contribuer à améliorer les modèles de vision par ordinateur.
Jusqu’à présent, le système intégré de phénotypage et de collecte de retours basé sur l’IA a démontré un fort potentiel.
Mais des défis subsistent :
- Les modèles d’IA haute performance nécessitent encore un investissement initial en ingénierie et une maintenance continue.
- Des obstacles comme l’accès aux smartphones, le coût des données et la littératie numérique persistent dans de nombreuses zones rurales.
- Les modèles en open source, bien que puissants, peuvent intégrer des biais qu’il est nécessaire de corriger pour garantir l’équité.
L’innovation inclusive exige une approche collaborative, adaptable et ancrée dans les réalités du terrain. De la co-conception des procédures opérationnelles standard à la collecte des données audio des agriculteur·rice·s, les chercheur·e·s s’emploient à intégrer l’inclusivité non seulement dans les résultats, mais dans le processus même d’innovation.
Ce qui évolue, ce ne sont pas uniquement les méthodes, mais tout l’état d’esprit qui sous-tend l’amélioration variétale. En combinant des outils appuyés par l’IA, une conception participative et des données centrées sur les producteur·rice·s, l’équipe d'Artemis montre à quoi peut ressembler une sélection variétale inclusive et résiliente face au climat. Le système donne déjà des résultats : un phénotypage plus rapide et plus précis, une couverture géographique élargie, et un engagement plus profond avec les agriculteur·rice·s. À mesure que les technologies évoluent, les méthodes de co-développement des systèmes semenciers continueront elles aussi de progresser, au service des personnes les plus exposées aux aléas climatiques et à l’insécurité alimentaire.
Au fond, ce travail concerne le pouvoir : le rapprocher de celles et ceux qui cultivent notre nourriture. Avec les bons outils et les bons partenariats, la sélection variétale peut devenir plus équitable.
