Catégorie : IA

Par Dzmitry Yablonski, directeur technique, GeoPard Agriculture

La semaine dernière, quelqu'un m'a demandé quel modèle utilisait notre agronome IA. C'est la question technique la plus fréquente, et c'est généralement la mauvaise pour commencer.

Voici la réponse honnête, et ensuite la réponse plus utile.

La réponse honnête : plusieurs

Nous acheminons chaque tâche vers le modèle le mieux adapté. Concrètement, cela signifie des chemins distincts pour :

• Raisonnement géospatial. Analyse des statistiques de zone, comparaison des couches, explication des raisons pour lesquelles une partie d'un champ se comporte différemment d'une autre.
• Évaluez les mathématiques. Coefficients d'élimination, seuils critiques, conventions d'accumulation, conversions d'unités.
• Conversation. Comprendre ce qu'un agronome voulait réellement dire par une demande formulée en une demi-phrase.
• Classification des tâches. Déterminer à quel flux de travail appartient une requête avant toute autre action.
• Garde-corps. Vérifier les résultats avant qu'ils ne deviennent des artefacts.

Aucun modèle n'excelle dans les cinq domaines. Ceux qui raisonnent bien dans un contexte spatial complexe ne sont pas toujours ceux qui font preuve de rigueur arithmétique. Ceux qui dialoguent naturellement ne sont pas toujours ceux qui classifient avec fiabilité.

Nous ne publions pas le tableau de routage, et ce n'est pas par hypocrisie : il évolue. De nouvelles versions du modèle sont publiées tous les quelques mois, et chacune d'elles modifie l'équilibre sur un ou deux chemins. Figer la réponse dans un article de blog la rendrait obsolète dès l'automne.

La réponse la plus utile : les couches

Si vous remplaciez nos modèles par un autre ensemble Frontier demain, le produit fonctionnerait toujours et resterait reconnaissable comme le nôtre. C'est l'objectif de conception, et il est important d'en expliquer les raisons.

Une recommandation agronomique n'est pas une réponse textuelle. C'est un chiffre qui est intégré à un terminal machine et appliqué à une parcelle. C'est dans la distance entre ces deux éléments que réside le véritable savoir-faire de l'ingénierie.

Prenons un exemple concret de défaillance. Un modèle peut produire une prescription de phosphore parfaitement raisonnée, exprimée en livres de P.₂O₅ par acre. Coefficient d'élimination correct, seuil correct, logique d'accumulation correcte. Ensuite, le taux est associé à un produit contenant 4 % de P₂O₅, L'épandeur reçoit cette quantité sous forme de dose de produit. Le plan était correct. L'application est erronée de plus d'un ordre de grandeur.

La qualité du modèle ne peut rien y faire. Seule une couche de conversion le permet.

Il en va de même pour les systèmes d'unités, les plafonds réglementaires de doses, les valeurs d'analyse de sol au-delà desquelles la dose agronomiquement correcte est nulle, et l'écart entre les résultats d'un laboratoire et les valeurs prédites par une équation. Ce ne sont pas des problèmes de raisonnement, mais des problèmes systémiques, et ce sont eux qui déterminent si une recommandation est sans risque.

Ce sont donc les couches qui entourent le modèle qui font le travail essentiel.

Mise à la terre. L'assistant consulte les données du client : analyses de sol, récoltes nettoyées, topographie, historique des traitements appliqués. Il ne s'agit pas d'une vue d'ensemble de l'agronomie, mais de leur situation personnelle.

Paramètres explicites. Chaque coefficient, seuil et convention utilisés pour calculer un taux est affiché et modifiable avant sa génération. Si l'agronome conteste une hypothèse, il la modifie. Un nombre que l'utilisateur ne peut pas vérifier ne lui appartient pas.

Mathématiques déterministes. Le calcul du taux s'effectue par le biais du code, et non par du texte. Le modèle détermine les éléments à calculer et leur raison d'être. Il ne réalise pas les calculs.

Validation avant génération. Les plans sont testés à blanc en fonction des règles agronomiques de la région, ainsi que de toutes les règles ajoutées par le client à sa propre base de connaissances, avant même l'établissement de la première carte.

Approbation humaine. Rien n'est transmis à la machine tant qu'une personne n'a pas donné son accord. Il ne s'agit pas d'une concession en matière d'expérience utilisateur, mais de la dernière et de la plus importante étape.

Ce que nous évaluons

Compte tenu de tout ce qui précède, l'évaluation isolée du modèle ne nous apprend pas grand-chose.

Un score élevé à un questionnaire à choix multiples en agronomie indique qu'un modèle a étudié les manuels. Cela ne garantit cependant pas que le système convertira correctement une dose d'élément nutritif en dose de produit, ni qu'il refusera de recommander du phosphore sur une parcelle présentant déjà des taux élevés, ni qu'il détectera qu'une analyse de sol a été réalisée avec une méthode d'extraction différente de celle utilisée par l'équation.

Nous évaluons donc le système de bout en bout. Récupère-t-il les couches appropriées du compte client ? Utilise-t-il des coefficients justifiables ? Justifie-t-il son raisonnement ? Détecte-t-il ses propres erreurs avant qu'elles ne soient transmises ? Il est plus difficile de résumer tout cela à un seul chiffre, et c'est précisément pourquoi nous pensons qu'il est pertinent de le mesurer.

Apportez votre propre modèle

Grâce à MCP, vous pouvez connecter votre propre modèle à vos données GeoPard et l'interroger directement sur vos champs. Certains de nos utilisateurs les plus techniques le font déjà, et nous pensons que c'est une bonne chose. Documentation de l'assistant IA explique comment cela fonctionne.

Il est important de le préciser : en procédant ainsi, vous héritez des différentes couches. La mise en place, la transparence des paramètres, la discipline des unités, la validation, l'étape d'approbation ne font pas partie du modèle. Il appartient à quelqu'un de les construire.

Pourquoi il s'agit d'un pari et non d'une couverture

Les capacités des modèles se banalisent rapidement. Tous les quelques mois, la frontière se déplace et chacun bénéficie gratuitement de la nouvelle version. Miser sur un modèle spécifique, c'est miser sur un avantage temporaire.

Ces couches s'accumulent. Elles intègrent les règles agronomiques, les conventions régionales, la connaissance client et tous les modes de défaillance identifiés et corrigés. Elles s'améliorent avec l'usage et ne sont pas réinitialisées lors de la livraison d'un nouveau modèle.

En d'autres termes : demandez-vous comment un système réagit face à une réponse erronée. Cela vous en apprendra davantage que de savoir quel modèle l'a produite.

Voici l'assistant qui fait exactement cela, de la question à l'ordonnance exportée, en deux minutes :

Pour la version interactive, avec chaque étape de raisonnement visible, voir la Page de l'assistant IA GeoPard.