9 décembre 2021
Par Ian Gormely
Hannah Szentimrey a grandi sur une ferme, mais elle ne voulait pas devenir agricultrice. Pourtant, même après avoir obtenu un diplôme d'ingénieure en informatique, elle se sentait attirée par le secteur agricole. Aujourd'hui, à 26 ans, elle travaille comme développeuse de logiciels d'apprentissage machine dans une entreprise de technologies alimentaires.
Le parcours de Szentimrey est de plus en plus révélateur de la chaîne alimentaire en Ontario, où l'histoire du transport de nos aliments de la ferme à l'assiette est de plus en plus liée à la technologie.
Élevée au sud de Cambridge, en Ontario, la famille de Szentimrey cultivait le soja, l'avoine et l'orge qu'elle transformait et entreposait dans un silo à grains. Elle élevait aussi des poulets. « Nous avons environ 15 000 ou 16 000 poulets », explique-t-elle. « On reçoit un nouveau lot toutes les neuf semaines. »
À la fin du secondaire, elle avait décidé que « l'agriculture n'était pas faite pour elle » et a commencé des études en génie informatique à l'Université de Guelph (U de G). Vers la fin de son baccalauréat, elle a suivi un cours de modélisation des systèmes complexes. « On y abordait l'économie sociale et solidaire, des problèmes comme l'économie ou le logement, en essayant de les examiner sous un angle différent. Vers la fin du cours, on s'est penché sur l'apprentissage machine, que j'ai trouvé passionnant. »
Pendant ses études de maîtrise, où elle s'est spécialisée dans les réseaux de portes programmables (FPGA) et l'utilisation de l'apprentissage automatique pour accélérer la configuration du matériel informatique, elle a été l'une des premières lauréates de la bourse Vector en intelligence artificielle. Mais en cherchant un emploi après ses études supérieures, elle s'est rendu compte qu'elle n'en avait pas autant fini avec la ferme qu'elle le pensait. « J'ai toujours voulu travailler dans l'agriculture et appliquer mes compétences en apprentissage machine à ce domaine. »
Après avoir participé aux salons de l'emploi de Vector et assisté à la séance d'entrevues d'embauche en données et IA animée par Vector et Phase AI , elle a décroché un poste de développeuse de logiciels d'apprentissage automatique chez P&P Optica , une entreprise basée à Waterloo, en Ontario , qui utilise un modèle d'apprentissage automatique propriétaire pour identifier et éliminer les corps étrangers des produits alimentaires lors de la transformation des aliments.
Des tracteurs guidés par GPS à l'agriculture de précision, la technologie, notamment les modèles d'IA, joue un rôle bien plus important dans la culture, la production et la distribution de notre alimentation que beaucoup ne le pensent. « C'est un phénomène qui nous affecte au quotidien », explique Graham Taylor, directeur de recherche par intérim chez Vector. « Mais je crois qu'on a tendance à ignorer ce qui se passe dans les coulisses. »
« L’adoption de nouvelles technologies en agriculture, comme l’IA, promet d’améliorer la productivité tout en optimisant les systèmes existants », affirme Lisa Thompson, ministre de l’Agriculture, de l’Alimentation et des Affaires rurales de l’Ontario. Le Programme d’innovation en agrotechnologie de notre gouvernement demeure un moteur de la compétitivité de l’Ontario dans le secteur agricole, et le nouveau volet Innovateurs sera essentiel pour protéger notre main-d’œuvre et assurer un succès à long terme.
Taylor, qui dirige le groupe de recherche en apprentissage machine de l'Université de Guelph, a enseigné le cours de modélisation des systèmes complexes qui a suscité l'intérêt de Szentimery pour l'apprentissage automatique. Il a également mis ses compétences considérables en la matière au service de l'agriculture au cours des dernières années, notamment en contribuant à la modélisation du Rapport annuel canadien sur les prix des aliments.
Depuis 2009, le rapport, produit par l'Université Dalhousie, l'Université de Guelph, l'Université de la Colombie-Britannique et l'Université de la Saskatchewan, prévoit l'évolution des prix des aliments au cours des douze mois suivants. Au cours des dernières années, les méthodes économétriques traditionnelles utilisées pour ces prévisions ont été complétées par des modèles d'apprentissage automatique prédictifs. « L'apprentissage de représentations et l'apprentissage profond excellent dans l'analyse de nombreuses variables, l'extraction de représentations pertinentes et la formulation de prédictions, en l'occurrence l'indice des prix à la consommation (IPC) futur. »
Le rapport de cette année prévoit une hausse des prix des aliments de 5 à 7 % en 2022, soit environ 950 $ de plus pour une famille de quatre personnes par rapport à l'année dernière. Les répercussions de la COVID-19 continueront de se faire sentir, aggravant l'insécurité alimentaire. Entre-temps, les défis croissants posés par les changements climatiques auront des répercussions sur le transport et le marché du travail.
Pour établir ces prévisions, Ethan Jackson, chercheur en apprentissage automatique appliqué chez Vector, et Sara El-Shawa, stagiaire en apprentissage automatique appliqué, ont adopté une approche différente des années précédentes. « L'idéal en matière d'apprentissage machine est de tout centraliser dans une boîte noire », explique Taylor, en l'occurrence plus de 300 variables économiques différentes téléchargées depuis Statistique Canada et la base de données économiques de la Réserve fédérale. « On espère que l'apprentissage machine les analysera et que, grâce à ces données supplémentaires, les prévisions deviendront plus précises. Or, l'expérience a démontré que ce n'est pas le cas.
Jackson et El-Shawa ont donc utilisé trois modèles, dont un modèle d'apprentissage multitâche appelé N-BEATS, développé par Mila, institut partenaire de Vector, et Element AI à Montréal. Au lieu de baser ses prédictions sur l'ensemble des variables économiques, N-BEATS est univarié : il utilise uniquement l'IPC historique pour prédire l'IPC futur. Cependant, lors de son apprentissage, il s'entraîne non seulement sur l'IPC, mais aussi sur chacune des séries temporelles économiques individuelles. « N-BEATS apprend une représentation générale pour la prévision des séries temporelles en considérant simultanément toutes ces tâches de prévision individuelles. »
À première vue, l'IA et l'agriculture semblent appartenir à deux mondes différents. Pourtant, ces deux secteurs se sont rapidement imbriqués. Chef de file mondial dans les deux domaines, l'Ontario a tout à tirer de cette synergie de compétences.
Consultez le rapport complet sur les prix des aliments au Canada ici.
