9 déc. 2021
Par Ian Gormely

Hannah Szentimrey a grandi à la ferme, mais elle ne voulait pas devenir fermière. Pourtant, même après avoir obtenu un diplôme d’études supérieures en génie informatique, elle s’est sentie attirée de nouveau vers le secteur agricole. Aujourd’hui, ce jeune homme de 26 ans travaille comme développeur de logiciels d’apprentissage automatique dans une entreprise de technologie alimentaire. 

Le parcours de Szentimrey reflète de plus en plus la chaîne alimentaire en Ontario, où l’histoire de la façon dont notre nourriture se déplace de la ferme à la table tourne de plus en plus autour de la technologie.

Élevée juste au sud de Cambridge, ON, la famille de Szentimrey cultivait le soja, l’avoine et l’orge qu’ils transformaient et entreposaient dans un silo à grains. Ils élevaient aussi des poulets. « Il y a environ 15 ou 16 000 poulets », dit-elle. « On reçoit un troupeau toutes les neuf semaines. »

À la fin du secondaire, elle a décidé que « cette histoire d’agriculture n’est pas pour moi » et a commencé des études en génie informatique à l’Université de Guelph (U of G). Vers la fin de son baccalauréat, elle a suivi un cours sur la modélisation des systèmes complexes. « Elle a adopté l’approche d’examiner l’économie sociale, des problèmes comme l’économie ou le logement, en essayant de les voir sous un autre angle. Vers la fin du cours, cela s’est étendu à l’apprentissage automatique, ce que j’ai trouvé vraiment intéressant. »

Pendant qu’elle complétait sa maîtrise, où elle s’est concentrée sur les réseaux de portes programmables sur le terrain (FPGA), utilisant le ML pour accélérer la configuration du matériel informatique, elle est devenue l’une des premières bénéficiaires d’une bourse Vector chez l’IA. Mais en cherchant un emploi après avoir terminé ses études supérieures, elle s’est rendu compte qu’elle n’en avait pas fini avec la ferme qu’elle l’avait cru. « Je voulais toujours travailler dans l’agriculture et appliquer mes compétences en apprentissage automatique au domaine. » 

Après avoir participé aux salons de l’emploi de Vector et assisté à la session Acing Data & AI Interviews dirigée par Vector et Phase AI, elle a décroché un poste de développeuse logicielle ML chez P&P Optica, basée à Waterloo, ON, qui utilise un modèle propriétaire de ML pour identifier et éliminer les objets étrangers des produits alimentaires lors de la transformation alimentaire.

Des tracteurs guidés par GPS à l’agriculture de précision, la technologie, y compris les modèles d’IA, joue un rôle bien plus important dans la croissance, la production et la distribution de nos aliments que ce que beaucoup imaginent.  « C’est quelque chose qui touche les gens chaque jour », affirme Graham Taylor, directeur de la recherche par intérim chez Vector. « Mais je pense que les gens ont tendance à ignorer ce qui se passe en arrière-plan. »

« L’adoption de nouvelles technologies agricoles comme l’IA promet d’améliorer la productivité tout en trouvant des gains d’efficacité dans 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 Innovateur sera essentiel pour protéger notre main-d’œuvre tout en assurant le succès à long terme.

Taylor, qui dirige le groupe de recherche en apprentissage automatique à l’Université de Toronto, a enseigné le cours de modélisation des systèmes complexes qui a éveillé l’intérêt de Szentimery pour l’apprentissage automatique. Il a aussi mis à profit ses propres compétences considérables en apprentissage automatique en agriculture au cours des dernières années, aidant à la modélisation pour le rapport annuel canadien sur les prix des aliments. 

Depuis 2009, le rapport, produit par Dalhousie et l’Université de G, l’Université de la Colombie-Britannique et l’Université de la Saskatchewan, prévoit les prix des aliments pour les 12 prochains mois. Mais ces dernières années, les méthodes traditionnelles d’économétrie utilisées pour faire ces prédictions ont été complétées par des modèles d’apprentissage automatique prédictifs. « L’apprentissage des représentations et l’apprentissage profond sont très efficaces pour prendre de nombreuses variables, en apprendre une représentation utile à partir d’elles, et faire une prédiction, qui dans ce cas est l’indice des prix à la consommation (IPC) futur. » 

Le rapport de cette année suggère que les prix des aliments augmenteront de 5 à 7% en 2022, soit une augmentation d’environ 950 $ pour une famille de quatre personnes par rapport à l’an dernier. Les effets de la COVID-19 continueront de se faire sentir, alimentant les problèmes d’insécurité alimentaire. Pendant ce temps, les défis croissants liés au changement climatique auront un impact sur les défis liés au transport et au marché du travail. 

En calculant ces prédictions, Ethan Jackson, scientifique en apprentissage automatique appliqué chez Vector, et Sara El-Shawa, stagiaire en apprentissage automatique appliqué, ont adopté une approche différente de celle des années précédentes. « Le rêve de l’apprentissage automatique est de tout mettre dans une boîte noire », affirme Taylor, dans ce cas plus de 300 variables économiques différentes téléchargées de Statistique Canada et de la base de données de données économiques de la Réserve fédérale. « Tu espères que l’apprentissage automatique va régler ça et, avec les entrées supplémentaires, tes prédictions deviendront plus précises. » Cependant, ce n’est pas le cas. 

À la place, Jackson et El-Shawa ont utilisé trois modèles, dont un modèle d’apprentissage multitâche appelé N-BEATS, développé par l’institut frère de Vector, Mila et Element AI à Montréal. Au lieu de baser la prédiction sur toutes ces variables économiques, N-BEATS est univariée, c’est-à-dire qu’elle utilise uniquement l’IPC historique pour prédire l’IPC futur. Cependant, en apprenant à prévoir, il s’entraîne non seulement sur l’IPC, mais aussi sur chacune des séries chronologiques économiques individuelles. « N-BEATS apprend une représentation générale pour la prévision des séries temporelles en considérant toutes ces tâches individuelles de prévision en même temps. »

En surface, l’IA et l’agriculture semblent être des mondes à part. Mais les deux industries se sont rapidement entremêlées. En tant que chef de file mondial dans les deux domaines, l’Ontario pourrait grandement bénéficier de ce mélange de compétences.

Lisez le rapport complet sur les prix alimentaires canadiens ici.