Si vous avez manqué le SIG Agriculture de la semaine dernière lors de la conférence utilisateur 2025 d'Esri, voici un bref résumé : La session, animée par Mark Dann, le Dr Elvis Takow et moi-même d'Esri, comprenait des présentations sur ArcGIS en tant que Plateforme d'Intelligence Artificielle (IA) et comment recentrer l'IA sur Agriculture Intelligence. Ensuite, une table ronde a réuni des représentants de AC Foods, Land O’Lakes et Texas A&M.<\/P>
<\/P>
<\/span><\/P> <\/P> <\/P>La Plateforme ArcGIS AI par le Dr Takow<\/U><\/STRONG><\/FONT><\/P> <\/P>
<\/span><\/P>En résumé de nombreuses sessions à la conférence, le Dr Takow a présenté ArcGIS comme une plateforme géospatiale AI qui utilise l'intelligence artificielle pour augmenter la productivité, soutenir la prise de décision et stimuler l'innovation. Ses trois composants principaux sont :<\/P>Analyse GeoAI pour la création, extraction et analyse automatisées des données,<\/LI>Assistants AI avec interfaces conversationnelles pour simplifier les flux de travail,<\/LI>Un cadre AI sous-jacent supportant les deux fonctionnalités.<\/LI><\/UL>Pour répondre à cette vision technologique, Esri met à jour ses fonctionnalités AI pour inclure Assistants, Skills, Agents et modèles pré-entraînés. La plateforme est conçue pour rester extensible et personnalisable selon les industries et besoins. Le cadre permet également l'intégration de l'IA, apprentissage profond et grands modèles linguistiques, tout en soutenant les développeurs dans la création de services AI personnalisés et intégrations. <\/P>Le défi pour la communauté GIS Agriculture sera d'introduire soigneusement une large gamme de capacités dans une industrie qui doit réussir face aux pressions constantes de produire une alimentation pour une population croissante. Pour cela, nous avons besoin de Agriculture Intelligence, comme discuté dans la section suivante.<\/P> <\/P>Agriculture Intelligence par Nick Short<\/U><\/STRONG><\/FONT><\/P>
<\/span><\/P>Bien que nous ayons entendu qu'ArcGIS est une Plateforme clé Geospatial AI pour l'innovation, comment cela peut-il aider l'agriculture ? Cette présentation expliquait brièvement comment aborder l'IA de manière appropriée et pertinente, pourquoi c'est le bon moment, comment éviter les erreurs passées, et comment l'expérience et la longévité d'Esri bénéficient à l'industrie agricole.<\/P>
<\/span><\/P> <\/P>En considérant l'intégration de l'intelligence artificielle (IA) dans le secteur agricole, il est pertinent de poser la question : « Qu'est-ce qui définit l'IA pour l'Agriculture ? » Cette interrogation invite à un dialogue continu sur le rôle évolutif de l'IA dans la pratique agricole, aujourd'hui et dans les années à venir.<\/P>Un concept central doit rester au premier plan de cette discussion : la confiance.<\/P>Pour l'industrie agricole, la confiance est primordiale, particulièrement dans le contexte des technologies émergentes telles que l'IA. Les producteurs et parties prenantes accueillent souvent l'innovation technologique avec scepticisme, exprimant des préoccupations concernant la confidentialité des données, la sécurité et la complexité ou facilité d'utilisation des nouveaux systèmes. De plus, les pressions économiques persistantes du secteur amplifient le besoin de fiabilité et d'assurance avant une adoption généralisée.<\/P>Le défi principal est donc de déterminer comment le secteur agricole naviguera l'adoption des technologies IA d'une manière qui favorise et maintienne la confiance au sein de la communauté.<\/P>
<\/span><\/P> <\/P>Examiner l'histoire de l'IA offre des perspectives sur ses schémas de confiance et d'adoption dans l'industrie.<\/SPAN><\/P><\/DIV>Malheureusement, le développement de l'IA est marqué par des périodes alternées de croissance et de déclin — souvent appelées « AI Winters » — où les attentes n'ont pas été satisfaites, conduisant à des phases de désillusion.<\/P>Dans les années 1980, l'IA a connu un regain de popularité, avec d'importantes organisations gouvernementales investissant dans l'intelligence artificielle pour capturer le savoir humain sous forme de systèmes experts. L'IA était vue comme un outil prometteur pour relever des défis à grande échelle, y compris la recherche sur le changement climatique et l'agriculture de précision. Cette période était marquée par un optimisme et des attentes élevées quant au potentiel révolutionnaire de l'IA dans l'analyse des données et la prise de décision, menant à des recherches significatives et applications pratiques dans des industries clés.<\/P>À la fin des années 1990, malheureusement, beaucoup d'organisations ont abandonné leur programme IA, car l'industrie s'est tournée vers le web et s'est éloignée du rêve de l'IA. Pendant cette période, le terme "IA" était parfois évité en raison des promesses non tenues précédemment, où il était souvent appelé Almost Implemented. De ces expériences sont ressorties plusieurs leçons :<\/P>1. Limitations de Scalabilité<\/U>
Un défi important était la gestion et le stockage de très grands ensembles de données, notamment en ce qui concerne la variété et la vitesse des données. Les systèmes de gestion de bases de données à cette époque ne répondaient pas adéquatement à ces besoins, soulignant l'importance d'infrastructures robustes et adaptables — particulièrement pertinent dans des secteurs comme l'agriculture.<\/P>
2.<\/U> Dépendance excessive aux outils Open Source<\/U>
En raison du nombre limité de solutions commerciales, il y avait une forte dépendance aux outils développés en interne et aux logiciels open source, ce qui créait des préoccupations en matière de maintenance et sécurité après les changements de personnel.<\/P>
3. <\/U> L'importance des données d'entraînement de haute qualité<\/U>
Le développement efficace des modèles d'apprentissage automatique dépendait d'ensembles de données d'entraînement précis et localement informés. Des efforts ont été faits pour collecter directement des données satellites dans le monde entier afin d'améliorer les performances prédictives, incluant des applications réussies telles que l'amélioration des prévisions d'ouragans.<\/P>
Actuellement, les avancées technologiques ont résolu beaucoup de problèmes liés à la scalabilité et aux infrastructures, et plusieurs entreprises établies fournissent des solutions AI fiables. Cependant, le défi persistant reste la disponibilité et la qualité des données d'entraînement, surtout dans des domaines comme l'agriculture où confiance et qualité des données sont difficiles. Dans un environnement où la désinformation peut affecter les résultats, maintenir des systèmes AI dignes de confiance, précis et pertinents est crucial pour assurer un progrès continu et éviter les revers futurs.<\/P>
<\/span><\/P> <\/P>La réponse longue pour l'agriculture est de se concentrer sur une insertion soigneuse de l'IA dans les flux existants dans la chaîne de valeur Ag. <\/P>Prenons le coton comme exemple. Le coton génère environ 7,1 milliards $ en recettes monétaires aux États-Unis, avec un tiers produit au Texas sujet à la sécheresse qui dépend fortement d'une irrigation provenant notamment du aquifère Ogallala — prévu pour s'assécher dans 50 à 100 ans. En 2022, environ 74 % des agriculteurs ont abandonné leurs cultures en optant pour les paiements d'assurance. Les rendements sur le terrain influencent où les transformateurs installent les usines à égrenage afin de réduire les coûts de transport, affectant ainsi toute la chaîne logistique et les ventes.<\/P>L'IA peut être appliquée dans plusieurs domaines pour l'industrie du coton : La Science des Données Spatiales aide à analyser le marché pour diverses variétés ; Les Graphes de Connaissances aident à configurer et tracer les balles dans les chaînes logistiques ; Les jumeaux numériques simulent les opérations d'égrenage ; Et les Large Language Models peuvent exploiter les graphes de connaissances du processus du coton ainsi que l'état global de production.<\/P>Cependant, investir dans l'IA pour la prévision des rendements est particulièrement précieux car des prédictions précises sont critiques pour toute la chaîne logistique. Examinons cela plus en détail.<\/P>
<\/span><\/P> Voici un exemple simple d'estimation du rendement du coton dans le Nord du Texas en combinant les données de température et de végétation basées sur les degrés-jours de croissance (voir la présentation sur Raster Analytics).<\/P>Pour prévoir le rendement au niveau des champs afin de prendre des décisions agricoles éclairées, le système doit reconnaître les emplacements des champs. Cette tâche utilise l'apprentissage profond, et Esri fournit des modèles géospatiaux pré-entraînés qui simplifient l'intégration dans les flux de travail. Avec des prévisions prédictives, les agriculteurs peuvent identifier les zones sous-performantes et envisager des pratiques de conservation ou d'autres pratiques de gestion agricole pour améliorer les résultats.<\/P>Bien que les conseils d'experts soutiennent cette approche, la validation des résultats nécessite une contribution locale structurée des agriculteurs au niveau des champs — les données USDA au niveau du comté ne suffisent pas. La connaissance locale est cruciale pour construire des ensembles d'entraînement avancés au-delà de ce que les modèles pré-entraînés offrent.<\/P>C'est pourquoi la collaboration avec des entreprises comme Land O’ Lakes et AC Foods, ainsi que la communauté Ag GIS, est vitale — elles ont les relations de confiance nécessaires pour vérifier ces modèles. Esri fournit les outils, mais l'extension des solutions AI dépend des données et de l'expertise des partenaires en coopération avec les services d'extension (par exemple, Texas A&M AgriLife Extension Service).<\/P>
<\/span><\/P> En résumé, l'agriculture est un domaine prudent où les erreurs peuvent causer des pertes importantes. Notre rôle est d'assurer que AI soit pleinement mise en œuvre, avec des systèmes fiables et dignes de confiance de gestion des données et d'analyse, tout en impliquant l'expertise agricole locale pour maintenir une connaissance fiable. Cette approche garantira que AI signifie vraiment Intelligence Agricole<\/STRONG>.<\/P>La Table Ronde<\/U><\/STRONG><\/FONT><\/P>Pour discuter du rôle de Agriculture Intelligence, l'Ag SIG compte des représentants à la fois de l'industrie et du milieu universitaire, où les panélistes comprenaient (comme illustré ci-dessous, de gauche à droite) :<\/P>Nick Short<\/STRONG>, Responsable Solutions Industrie Agricole, Esri<\/LI>Sanaz Havaei<\/STRONG>, Analyste Applications Métier, AC Foods<\/LI>Kirk Wythers<\/STRONG>, Responsable Valeur Commerciale, Land O’ Lakes<\/LI>Mike Buser<\/STRONG>, Professeur, Chaire Dotée en Ingénierie du Coton, Égrenage et Mécanisation, Texas A&M AgriLife<\/LI>Mark Dann<\/STRONG>, Responsable Comptes Senior, Esri<\/LI><\/UL>Le panel a discuté des questions suivantes :<\/P>Quelles opportunités voyez-vous pour exploiter ML pour la Prévision Prédictive du Rendement, et quel impact cela pourrait-il avoir sur l'entreprise ?<\/EM><\/P>1 Quelles sont certaines des manières dont vous utilisez AI - Advanced Geospatial Analytics dans vos diverses entreprises et applications R&D ?7 <\/EM><\/P>Le consensus général parmi le groupe était que AI digne de confiance, comme Data Science, dépend d'une infrastructure solide de gestion des données pour garantir que les algorithmes soient alimentés par des données de qualité.<\/P>
<\/span><\/P>
