Coûts et data freinent les développements de l'IA en agriculture

« Contrairement à la domotique ou à la médecine, par exemple, le marché agricole est tout petit. Et en plus, il est spécialisé par productions et par territoire », indique Samy Aït-Amar, de l’Acta. Besoins spécifiques et faibles valorisations possibles à la clé… autant dire que le marché agricole intéresse modérément les entreprises versées dans l’IA. Le secteur peut néanmoins profiter de technologies déjà développées ailleurs… sous réserve que les coûts d’adaptation restent raisonnables. Samy Aït-Amar en a fait l’expérience dans un projet mené avec l’ITB (Institut technique de la betterave) : « nous avions trouvé une start-up américaine ayant développé un capteur susceptible d’éviter le pourrissement des tas de betteraves, expose-t-il. Le produit était vraiment intéressant, mais le chiffre d’affaires envisagé, calculé sur les surfaces de betteraves potentiellement cultivées en France, a tout de suite bloqué le projet ». Résultat, même si l’appétence du secteur est forte, ces nouvelles technologies se développent lentement.

Le stock de data « annotées » insuffisant

D’autant plus que les start-up ou les entreprises qui se lancent se heurtent vite au problème des data. D’une part, elles sont rares. « Pour une parcelle donnée, il n’y a par exemple qu’une donnée de rendement ou qu’un stade de floraison par an », observe Théophile Loyer, chez Cybele Tech. D’autre part, les données disponibles, en particulier les images, ne sont pas « annotées ». Savoir à grande échelle à quoi correspond une tache d’un vert plus clair sur une image satellite (carence en azote, problème au semis…) est extrêmement difficile. « C’est le lot commun dans beaucoup de domaines », remarque cependant Alexandre Termier, chercheur à l’Inria (Institut de recherche en numérique et automatique). Reste qu’en agriculture, de très nombreux paramètres sont à prendre en compte pour réussir l’exercice. Un certain nombre de start-up comme Cropx (israélienne) ou Onesoil (biélorusse) s’y essaient tout de même. Comment ? En fournissant aux agriculteurs des cartes de modulation de leur fertilisation voire de leur irrigation, construites à l’aide des données des capteurs qu’elles leur ont vendus. En couplant ces informations aux images satellites, elles parviennent à qualifier les images. Une bonne façon de se préparer à la prédiction de rendement à l’échelle mondiale…