Optimisation agronomique par simulation et intelligence artificielle: application à la conduite de systèmes agroforestiers

L’avènement récent du deep learning a permis des avancées majeures dans de multiples domaines applicatifs : robotique, voitures autonomes, imagerie médicale, traitement du langage, jeu de go, etc. L’un des éléments ayant permis toutes ces avancées est l’utilisation de grandes quantités de données pour l’entraînement des modèles. Lorsque ces grandes quantités de données ne peuvent pas être obtenues en conditions réelles, des simulateurs sont souvent utilisés comme générateurs de données proches des conditions réelles. Il semble prometteur d’utiliser cette approche en agronomie compte tenu d’une part de la difficulté fréquente d’acquisition de données réelles, et d’autre part de la préexistence de simulateurs agronomiques.Cette présentation exposera le travail récent que j’ai effectué en suivant cette approche. Ce travail, qui est effectué en collaboration avec l’équipe développant le simulateur Hi-sAFe à l’INRAE (UMR System), vise à l’optimisation de la conduite de systèmes agroforestiers. Je présenterai d’abord les algorithmes standards d’IA utilisés pour résoudre ce type de problème d’optimisation. Je présenterai ensuite les adaptations de ces algorithmes qui ont dû être faites dans ce contexte précis pour améliorer la performance finale. Je présenterai enfin quelques résultats concrets et leurs possibles interprétations.;;