Gardin utilise l’IA générative et les données synthétiques pour stimuler la croissance des plantes – voici comment

• Gardin produit un capteur qui surveille la santé des plantes et génère des informations sur la croissance.
• L’entreprise a d’abord eu du mal à trouver des images de plantes pour former un algorithme de détection de maladies.
• L’IA générative a été utilisée pour créer des images synthétiques afin de combler le manque de données et de créer un modèle.
• Cet article fait partie de « AI in Action », une série explorant la manière dont l’IA est utilisée dans différents secteurs.

Gardin, une entreprise de technologie agricole basée dans l’Oxfordshire, en Angleterre, fabrique un capteur automatisé qui mesure la santé des plantes, connu sous le nom de « culture axée sur les plantes ».

Le capteur collecte des données en temps réel sur les plantes et génère des alertes de performances et des informations sur la croissance. Alors que l’industrie agricole est confrontée une pénurie de main d’œuvre, la technologie peut aider à combler le manque de travailleurs.

Analyse de la situation

Les capteurs de Gardin mesurent la santé des plantes grâce à une technique appelée fluorescence de la chlorophylle, qui surveille la photosynthèse d’une plante et évalue son niveau de stress.

Bien que cette méthode puisse détecter si une plante est saine ou non, elle ne peut pas identifier précisément la cause du stress de la plante. L’équipe de Gardin souhaitait étendre les capacités de la plateforme afin qu’elle puisse classer des maladies spécifiques dès le début.

Pour ce faire, l’équipe devra construire un algorithme d’apprentissage automatique. Cependant, Julian Godding, scientifique principal des données chez Gardin, a déclaré à Trading Insider. qu’obtenir un algorithme pour classer les maladies des plantes est « très, très difficile à réaliser ». La raison? « Il y a si peu de données », a-t-il déclaré.

Afin de former un algorithme traditionnel, Godding a déclaré qu’il leur faudrait, par exemple, 100 images d’une plante particulière atteinte d’une maladie et 100 images d’une espèce végétale sans maladie. Bien qu’il existe de nombreuses images de plantes saines, il n’y avait pas suffisamment d’images de plantes malades pour entraîner correctement l’algorithme, ce qui entraînait un déséquilibre dans les données disponibles nécessaires.

Une solution serait de collecter manuellement les données nécessaires – dans ce cas, des images de plantes malades. Cependant, Godding a déclaré que cela serait coûteux et prendrait du temps.

« Vous avez donc besoin de données synthétiques, et c’est là qu’intervient l’IA générative », a déclaré Godding.

Personnel et partenaires clés

Godding a recruté un étudiant diplômé de l’Université d’Oxford pour travailler à ses côtés afin de construire et de tester un modèle d’IA générative. Godding a une formation universitaire et il a déclaré que l’examen des recherches publiées était son point de départ pour développer le modèle d’IA.

Il a ajouté que même s’il existait déjà certaines informations disponibles sur lesquelles ils pouvaient s’appuyer pour développer leur IA générative, ils devaient la personnaliser pour l’adapter à leurs besoins spécifiques.

L’IA en action

Les données synthétiques sont générées artificiellement par un ordinateur plutôt que collectées dans le monde réel. Il a déjà été utilisé pour former des modèles pour détecter la fraudepour remédier à l’absence de données réelles de haute qualité relatives à la fraude.

Certains experts en IA ont déclaré que les données synthétiques doivent être utilisées avec prudence, car il s’agit d’un « version déformée » de données réelles. Toutefois, le cabinet de conseil Gartner estime que les données synthétiques dépasseront les données réelles dans les modèles d’IA d’ici 2030.

« Si vous pouvez créer cela de manière synthétique [needed] données sur lesquelles former un modèle, cela vous permet d’économiser énormément de temps et d’argent », a déclaré Godding.

Gardin avait besoin de créer des images artificielles de plantes atteintes de maladies afin de créer un ensemble de données pour entraîner son modèle. Ils ont décidé de développer ces données synthétiques en interne. Premièrement, l’équipe devait « prouver qu’il était possible de réaliser cette forme d’adaptation pour un algorithme et de le généraliser de cette manière ».

Godding a déclaré que l’un des plus grands défis consistait à trouver un ensemble de données de base pour créer les données synthétiques.

Est-ce que cela a fonctionné et comment le savent-ils ?

Au cours de la période de test, ils ont mesuré le succès de l’IA générative en fonction de la précision de sa classification. Il a fallu quatre mois à l’équipe pour se développer.

Godding a déclaré que générer l’ensemble de données de l’usine avec le modèle d’IA prenait « très du temps et coûtait cher ». Cependant, a-t-il ajouté, « il n’y avait littéralement aucun moyen de faire l’alternative ».

« La raison pour laquelle [artificial intelligence hasn’t] Ce qui a été réalisé en dehors des grandes entreprises technologiques, c’est qu’il est si coûteux de construire et de maintenir une infrastructure et des produits d’IA que le business case ne s’applique tout simplement pas à de nombreux secteurs. » Godding a déclaré à BI.

Godding a déclaré qu’une fois qu’ils avaient généré un bon ensemble de données sous-jacentes, la création du modèle de détection des maladies était simple. Ils publient actuellement un article sur leur travail.

Et après?

Pour l’avenir, Gardin intègre l’intelligence artificielle à d’autres aspects de l’entreprise. En plus d’utiliser l’IA pour automatiser leur capteur et le transformer en un « mini robot », l’équipe de données de Gardin intègre l’IA générative dans ses algorithmes de vision par ordinateur pour garantir qu’elle ne soit pas trop spécifique sur un type d’usine.

Cette solution signifie que le modèle peut mesurer les caractéristiques d’une plante quel que soit son environnement, « que l’image ait été prise dans un champ en Espagne ou dans une serre aux Pays-Bas », a déclaré Godding.