Blog Intelligence Artificielle : Comment pourrait-elle transformer l'agriculture ?
L'IA est un outil controversé avec des applications puissantes, notamment pour la manière dont nous cultivons notre nourriture. Ci-dessous, nous partageons des exemples de la manière dont les chercheur.eure.s appliquent déjà l'IA, ainsi que des considérations pour une utilisation durable et équitable de cette technologie.
Pour la plupart d'entre nous, cette année, l'utilisation de l'intelligence artificielle (IA) est passée du domaine du possible à celui de l'inévitable. Des secteurs allant des soins de santé aux médias se penchent sur les capacités de l'IA, et l'agriculture n'échappe pas à cette tendance. Les scientifiques du CGIAR explorent depuis des années comment l'IA peut contribuer à cultiver durablement des cultures résilientes et à aider les agriculteur.trice.s à s'adapter au changement climatique.
Trois projets en cours menés par l'Alliance qui s'appuient sur l'IA incluent : Tumaini (une application pour smartphone permettant aux agriculteur.trice.s de bananes de résoudre 90 % des principales maladies et nuisibles) ; Melisa (un chatbot qui estime le rendement des cultures de maïs et de blé des agriculteur.trice.s colombien.ne.s en fonction des prévisions météorologiques à long terme, des types de sol, des variétés de cultures et des dates de semis) ; et Artemis (des systèmes de technologie de vision par ordinateur qui permettent aux sélectionneur.euse.s de cultures de développer des variétés adaptées localement et résilientes face au climat).
Des chercheur.eure.s en Tanzanie combinent des photos prises avec des smartphones et l'IA pour observer les variétés de haricots sur le terrain.
Photo : David Guerena
Agriculture de précision : Une voie vers une agriculture plus efficace
Steve Mutuvi est un data scientist spécialisé dans les grands modèles de langage (la famille d'IA derrière ChatGPT). Grâce à son travail avec l'Alliance en Tanzanie, il voit de nombreuses opportunités d'intégrer ces concepts dans la sélection végétale :
« Les applications de l'IA incluent l'optimisation des rendements en prédisant les moments optimaux pour la plantation, l'irrigation et la récolte afin de maximiser les rendements tout en minimisant l'utilisation des ressources et en s'adaptant à un climat changeant. Les modèles d'IA peuvent simuler l'impact du changement climatique sur l'agriculture et recommander des stratégies pour rendre l'agriculture plus résiliente tout en réduisant l'impact environnemental. »
L'agriculture de précision est un ensemble de techniques utilisant des capteurs de haute technologie et des analyses pour fournir aux agriculteur.trice.s des données leur permettant de prendre des décisions éclairées qui minimisent l'utilisation des ressources et maximisent les rendements. Les outils d'agriculture de précision sont basés sur le « machine learning », qui utilise des données historiques pour établir des corrélations entre les conditions météorologiques, les types de sols, les variétés de cultures et les intrants externes, générant ainsi des recommandations qui peuvent être fournies aux agriculteur.trice.s dans des formats conviviaux.
L'une des formes les plus précieuses d'agriculture de précision pilotée par l'IA est la surveillance des cultures : suivre la santé des cultures pour offrir des conseils personnalisés aux agriculteur.trice.s afin de garantir une bonne récolte, tout en protégeant leurs moyens de subsistance et en réduisant le gaspillage.
Diagnostic et atténuation des maladies : Tumaini
Notre première étude de cas est « Tumaini », qui signifie « espoir » en swahili. Développée par les scientifiques de l'Alliance en collaboration avec des agriculteur.trice.s locaux.ales de bananes, cette application facile à utiliser applique l'apprentissage automatique (analyse d'images provenant de téléphones, de drones et de satellites) pour détecter les premiers signes de cinq maladies courantes et d'un ravageur majeur, qui a souvent entraîné la perte de la récolte entière d'une saison pour de nombreux agriculteur.trice.s. L'application est simple d'utilisation : les agriculteur.trice.s téléchargent une photo d'une culture affectée, l'application compare la photo à une base de données d'images classées par localisation, et enfin, l'application propose un diagnostic et une série de recommandations pour résoudre le problème. Déjà en 2019, les essais de Tumaini en Colombie, en République démocratique du Congo, en Inde, au Bénin, en Chine et en Ouganda ont permis de détecter les maladies et les nuisibles avec un taux de succès de 90 %. Selon Michael Selvaraj, chef de projet : « L'IA de Tumaini a transformé les données GPS en un portrait vivant de la santé des bananiers dans le monde : de 6 000 en 2013 à plus de 18 000 entrées aujourd'hui ». Sa prochaine étape est d'inclure une autre culture importante : les haricots.
L'oracle des prévisions de rendement : Melisa
En 2022, pour soutenir les producteur.trice.s de maïs et de blé en Colombie, l'Alliance a lancé Melisa : un chatbot alimenté par l'IA qui fournit des prévisions agro-climatiques précises, permettant aux agriculteur.trice.s de planifier leurs récoltes et de préparer leurs produits pour le marché. Melisa est accessible via WhatsApp, Facebook et Telegram, et dans une simple conversation, les agriculteur.trice.s peuvent demander à Melisa des prévisions météorologiques à court et long terme, ainsi que des estimations de rendement pour le maïs et le blé pour la saison à venir. Melisa utilise un système d'apprentissage automatique qui prédit les rendements en analysant le type de sol, les variétés de semences utilisées, les dates de semis ainsi que les conditions climatiques passées et prévues. Ces informations permettent aux agriculteur.trice.s de planifier les dates de récolte optimales et d'estimer leurs revenus pour la saison.
Phénotypage piloté par l'agriculteur : Artemis
Les capacités de traitement de l'information de l'IA peuvent également permettre aux agriculteur.trice.s de cultiver des cultures mieux adaptées localement grâce à un phénotypage plus rapide et plus précis (observation des performances des cultures pour sélectionner les variétés les plus prometteuses), accélérant ainsi le processus traditionnel de sélection des plantes que les agriculteur.trice.s effectuent manuellement depuis des milliers d'années. L'IA accélère ce processus de sélection en analysant et en comparant des milliers d'images de variétés de cultures, au fur et à mesure de leur croissance dans les champs. Le projet Artemis – une collaboration entre l'Alliance et la société Mineral d'Alphabet – utilise des rovers et des smartphones pour aider les agriculteur.trice.s et les sélectionneur.euse.s à identifier les variétés de semences les plus productives et les plus résilientes, en fonction de leur localisation et de leurs conditions de croissance uniques, sur des sites allant de la Colombie à la Tanzanie.
Autres domaines à explorer
En plus du suivi des cultures et des services de conseil, un autre exemple prometteur de l'IA dans l'agriculture est l'installation de capteurs d'humidité du sol sous terre, qui permettraient aux agriculteur.trice.s d'estimer les besoins en irrigation, les aidant ainsi à utiliser les ressources de manière efficace. L'IA pourrait également contribuer à la conception de systèmes d'irrigation intelligents automatisés – un processus complexe qui reste à mettre à grande échelle. De plus, les technologies robotiques avancées pourraient automatiser les tâches manuelles telles que les semis et les récoltes, réduisant ainsi les besoins en main-d'œuvre chronophage, potentiellement économisant de l'argent pour les agriculteur.trice.s et réduisant les erreurs humaines.
Les complexités de l'IA dans l'agriculture
Étant donné que l'intelligence artificielle évolue rapidement et n'est pas encore totalement comprise, il existe des défis potentiels pour sa mise en œuvre, notamment :
- Confidentialité et sécurité des données : L'IA repose sur la collecte de grandes quantités de données sur les pratiques des agriculteur.trice.s et les conditions de culture, ce qui pourrait les rendre vulnérables au vol d'identité ou à la divulgation d'informations confidentielles. Les risques liés au partage des données pourraient également rendre les agriculteur.trice.s méfiant.e.s quant à l'adoption des technologies d'IA, rendant difficile l'expansion des bénéfices que ces outils pourraient apporter.
- Dépendance à la technologie : Si les agriculteur.trice.s deviennent dépendant.e.s des outils d'IA pour leur planification, toute interruption ou panne technique pourrait mettre en péril leurs activités et leur productivité.
- Accès inégal : Selon le coût, certain.e.s petit.e.s agriculteur.trice.s pourraient ne pas avoir la capacité financière d'accéder aux technologies d'IA. Cela pourrait engendrer des inégalités au profit des plus grands producteurs, mettant les petit.e.s agriculteur.trice.s en difficulté, et entraînant une plus grande inégalité ; ce qui soulève la question de savoir comment rendre ces technologies accessibles gratuitement à ces agriculteur.trice.s.
- Perte d'emplois : Le potentiel d'automatisation du travail agricole grâce à l'utilisation de rovers ou de robots pourrait mettre en danger les emplois des ouvrier.e.s agricoles, créant potentiellement des difficultés économiques et sociales plus larges.
- Monoculture vs systèmes agro-biodiversifiés : L'accent mis par l'IA sur un minimum d'intrants et un maximum d'efficacité et de rendement pourrait ne pas fonctionner pour les agriculteur.rice.s qui souhaitent adopter des pratiques agroécologiques. La création de systèmes agricoles biodiversifiés grâce à des approches telles que l'agroécologie est perçue comme un moyen important de restaurer et de protéger les écosystèmes affectés par l'agriculture industrielle et les intrants chimiques. Il est nécessaire d'explorer une variété de méthodes agricoles, mais étant donné l'importance de l'agrobiodiversité, les outils d'IA pourraient introduire un biais en faveur de la monoculture.
- Préoccupations éthiques : Le potentiel de l'IA à contribuer à la modification génétique soulève de nombreuses questions et débats éthiques. Bien que la possibilité de modifier les semences pour augmenter les rendements puisse contribuer à la sécurité alimentaire – l'une des préoccupations mondiales les plus urgentes – même les processus naturels de sélection des semences via le phénotypage peuvent réduire la confiance et l'acceptation publiques de ces technologies.
- Impacts environnementaux : Bien que l'IA puisse accroître l'efficacité des ressources en prévoyant les besoins précis en irrigation et autres intrants, si l'adoption de ces outils favorise la monoculture et encourage l'utilisation d'intrants chimiques, cela pourrait inverser les progrès graduels en faveur de l'agrobiodiversité. De plus, la généralisation de ces outils nécessite également des ressources, ce qui pourrait entraîner des impacts environnementaux négatifs encore inconnus.
Comment les chercheur.eure.s de l'Alliance abordent-ils.elles ces risques ? Berta Ortiz, spécialiste en conception centrée sur l'humain, intègre des approches participatives dans le travail d'Artemis en Tanzanie. Elle explique :
« La conception inclusive peut surmonter certains des problèmes rencontrés par l'intelligence artificielle en identifiant les besoins diversifiés de celles et ceux qui utiliseront les outils d'IA, garantissant ainsi qu'ils conviennent à leurs contextes uniques. »
La première étape pour reconnaître et éviter les applications problématiques de l'IA est de travailler avec les utilisateur.rice.s finaux.ales – agriculteur.rice.s et sélectionneur.eure.s locaux.ales – dès le début.
Dans l'ensemble, bien que l'intelligence artificielle ait un potentiel énorme pour améliorer la production alimentaire, elle n'est qu'un outil supplémentaire pour les chercheur.eure.s, sélectionneur.euse.s et agriculteur.rice.s, et nécessite une utilisation prudente pour obtenir les meilleurs résultats. Alors que l'importance de l'IA ne cesse de croître dans tous les secteurs, le CGIAR et l'Alliance continueront de développer et de déployer ces outils pour le bénéfice des agriculteur.rice.s en premier lieu, dans le cadre de la transition vers des systèmes alimentaires durables et équitables.
FAQ : Intelligence Artificielle : Comment pourrait-elle transformer l'agriculture ?
1. Quels modèles financiers, quelles subventions ou quels partenariats public-privé seront mis en place pour garantir que les outils pilotés par l’IA restent abordables et durables pour les agriculteur·rice·s familial·e·s aux ressources limitées ?
Le financement innovant dans l'agriculture numérique combine philanthropie ciblée, partenariats de partage des risques et mécanismes de réduction des risques afin de lever les barrières pour les petit.e.s exploitant.e.s agricoles. En Inde, des subventions de fondations philanthropiques ont permis de financer des projets pilotes basés sur l’IA, atteignant plus de 300 000 producteur.rice.s et démontrant ainsi comment des dons stratégiques peuvent compenser les coûts initiaux de déploiement. Les partenariats public-privé (PPP) jouent également un rôle central. Par exemple, la proposition budgétaire de l’Inde visant à fournir des services agri-tech via des PPP devrait générer une valeur économique importante d’ici 2025. Par ailleurs, des programmes comme De-risking Agricultural Finance for Smallholder Farmers ont mobilisé des millions de dollars pour garantir des crédits, réduire les taux d’intérêt et stimuler les prêts en faveur des producteur.rice.s ruraux.ales. En complément des prêts, des fournisseurs de microassurance exploitent les données satellitaires et au sol alimentées par l’IA pour calculer les primes, ce qui permet des indemnisations substantielles, une meilleure accessibilité au crédit et une augmentation des rendements dans les fermes assurées. À l’avenir, l’expansion de ces modèles à travers les mécanismes du financement climatique mondial – qui allouent aujourd’hui moins de 3 % aux technologies – pourrait mieux orienter les fonds vers des solutions basées sur l’IA, conçues pour les communautés agricoles les plus vulnérables.
2. Quels programmes de formation complets, quelles structures d’accompagnement technique et quels services de vulgarisation seront mis en place pour développer les compétences numériques des agriculteur·rice·s et permettre l’usage efficace des outils d’IA ?
Le déploiement réussi des outils d’intelligence artificielle repose sur le renforcement des compétences numériques des producteur.rice.s agricoles et de leurs conseiller.ère.s. Des programmes de formation numériques proposent désormais des modules sur le diagnostic et la gestion des ravageurs, accessibles gratuitement dans le monde entier pour appuyer les capacités des agent.e.s de vulgarisation. Ces modules en auto-apprentissage sont accompagnés d’un service d’assistance disponible 24h/24 et de forums communautaires qui offrent un appui technique continu. Des réseaux de recherche internationaux organisent également des ateliers localisés et des certifications en ligne pour permettre aux agent.e.s de transformer les données en conseils agricoles concrets. En parallèle, des chatbots génératifs, accessibles via des plateformes comme WhatsApp, fournissent des conseils agronomiques à la demande, répondant avec précision à un pourcentage élevé de questions et bénéficiant d’un bon taux de recommandation. Ces outils réduisent la dépendance à la formation en présentiel et atténuent les barrières liées à l’alphabétisation ou à la connectivité. Les partenariats avec les coopératives agricoles et les réseaux associatifs renforcent l’apprentissage entre pair.e.s et assurent un suivi durable, construisant un écosystème d’apprentissage favorable qui maximise l’impact des interventions basées sur l’IA.
3. Quelles politiques réglementaires spécifiques, quels accords coopératifs de partage de données ou quelles lignes directrices éthiques encadreront la propriété, la confidentialité et l’usage équitable des données des agriculteur·rice·s dans ces applications d’IA ?
Une gouvernance rigoureuse des données est indispensable pour protéger les droits des producteur.rice.s et instaurer la confiance envers les outils basés sur l’IA. Les décideur.e.s politiques s’inspirent de plus en plus des cadres internationaux de protection des données, qui imposent un consentement explicite, la transparence dans les décisions algorithmiques et le respect des droits des personnes concernées, tout en les adaptant aux réalités des petit.e.s exploitant.e.s agricoles. Des initiatives favorisant l’accès libre et anonymisé à des bases de données agricoles agrégées stimulent l’innovation tout en respectant la vie privée, grâce à des partenariats entre gouvernements, ONG et secteur privé. En parallèle, des codes de conduite portés par l’industrie définissent des normes claires en matière de propriété, d’utilisation et de partage des données, en insistant sur l’anonymisation et le consentement éclairé. Des modèles émergents comme les coopératives de données proposent aux producteur.rice.s de mutualiser leurs données au sein d’entités gouvernées démocratiquement, chargées de négocier des accords de partage équitable avec les prestataires technologiques. Ensemble, ces politiques, structures coopératives et lignes éthiques soutiennent la souveraineté des données, préviennent leur exploitation et garantissent une utilisation inclusive et équitable de l’IA en agriculture.
