9 décembre 2021
Par Ian Gormely

Hannah Szentimrey a grandi dans une ferme, mais elle ne voulait pas être agricultrice. Pourtant, même après avoir obtenu un diplôme d'ingénieur en informatique, elle s'est sentie attirée par le secteur agricole. Aujourd'hui, cette jeune femme de 26 ans travaille comme développeuse de logiciels d'apprentissage automatique dans une entreprise de technologie alimentaire.

Le parcours de M. Szentimrey est de plus en plus révélateur de la chaîne alimentaire en Ontario, où la technologie joue un rôle de plus en plus important dans le transport des aliments de la ferme à la table.

Élevée juste au sud de Cambridge, en Ontario, la famille de Szentimrey cultivait le soja, l'avoine et l'orge qu'elle transformait et stockait dans un silo à grains. Ils élevaient également des poulets. "Il y a environ 15 ou 16 000 poulets", dit-elle. "Nous avons un troupeau toutes les neuf semaines.

À la fin du lycée, elle a décidé que "cette histoire d'agriculture n'est pas faite pour moi" et a commencé à étudier l'ingénierie informatique à l'université de Guelph (U of G). Vers la fin de sa licence, elle a suivi un cours sur la modélisation des systèmes complexes. "Il s'agissait d'étudier l'économie sociale, des problèmes tels que l'économie ou le logement, en essayant de les examiner d'un point de vue différent. Vers la fin du cours, cela s'est étendu à l'apprentissage automatique, ce que j'ai trouvé très intéressant".

Au cours de sa maîtrise, elle s'est concentrée sur les réseaux de portes programmables (FPGA), utilisant la ML pour accélérer la configuration du matériel informatique, et est devenue l'une des premières bénéficiaires de la bourse Vector en IA. Mais en cherchant un emploi à la fin de ses études, elle a réalisé qu'elle n'en avait pas fini avec la ferme comme elle l'avait cru. "Je voulais encore travailler dans l'agriculture et appliquer mes compétences en matière d'apprentissage automatique sur le terrain. 

Après avoir participé aux salons de l'emploi de Vector et avoir assisté à la conférence de Vector et Phase AI sur le thème de la gestion des données et de l'intelligence artificielle. Entretiens sur les données et l'IA elle a décroché un poste de développeur de logiciels de ML chez P&P Optica, une société basée à Waterloo, en Ontario. P&P OpticaCette entreprise utilise un modèle de ML exclusif pour identifier et éliminer les corps étrangers des produits alimentaires au cours de la transformation des aliments.

Des tracteurs guidés par GPS à l'agriculture de précision, la technologie, y compris les modèles d'intelligence artificielle, joue un rôle bien plus important dans la croissance, la production et la distribution de nos aliments que beaucoup ne le pensent. "C'est quelque chose qui affecte les gens tous les jours", déclare Graham Taylor, directeur de recherche par intérim de Vector. "Mais je pense que les gens ont tendance à ignorer ce qui se passe en arrière-plan."

"L'adoption de nouvelles technologies dans l'agriculture, comme l'IA, promet d'améliorer la productivité tout en trouvant des efficiences dans les systèmes existants", déclare 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 continue d'être 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 tout en garantissant une réussite à long terme.

Taylor, qui dirige le groupe de recherche sur l'apprentissage automatique à l'université de Göteborg, a enseigné le cours de modélisation des systèmes complexes qui a éveillé l'intérêt de Szentimery pour l'apprentissage automatique. Ces dernières années, il a également mis à profit ses compétences considérables en informatique décisionnelle dans le domaine de l'agriculture, en participant à la modélisation du rapport annuel sur le prix des denrées alimentaires au Canada. 

Depuis 2009, le rapport, produit par Dalhousie et l'Université de Göteborg, l'Université de la Colombie-Britannique et l'Université de la Saskatchewan, prévoit les prix des denrées alimentaires pour les 12 mois à venir. Mais ces dernières années, les méthodes traditionnelles d'économétrie utilisées pour faire ces prévisions ont été complétées par des modèles prédictifs d'apprentissage automatique. "L'apprentissage par représentation et l'apprentissage profond sont très efficaces pour prendre de nombreuses variables, en tirer une représentation utile et faire une prédiction qui, dans ce cas, est le futur indice des prix à la consommation (IPC)." 

Le rapport de cette année indique que les prix des denrées alimentaires augmenteront de 5 à 7 % en 2022, soit une hausse d'environ 950 dollars pour une famille de quatre personnes par rapport à l'année dernière. Les effets du COVID-19 continueront à se faire sentir, et aggraveront les problèmes d'insécurité alimentaire. Par ailleurs, les défis croissants du changement climatique auront des répercussions sur les transports et le marché du travail.

Pour calculer ces prédictions, Ethan Jackson, chercheur 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", explique M. Taylor, en l'occurrence plus de 300 variables économiques différentes téléchargées à partir de la base de données de Statistique Canada et de la base de données économiques de la Réserve fédérale. "On espère que l'apprentissage automatique fera le tri et qu'avec les données supplémentaires, les prévisions deviendront plus précises. Or, il s'avère que ce n'est pas le cas. 

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 prévision sur toutes ces variables économiques, N-BEATS est univarié, ce qui signifie qu'il n'utilise que l'IPC historique pour prédire l'IPC futur. Cependant, en apprenant à faire des prévisions, il s'entraîne non seulement sur l'IPC, mais aussi sur chacune des séries chronologiques économiques. "N-BEATS apprend une représentation générale pour la prévision des séries temporelles en prenant en compte toutes ces tâches de prévision individuelles en même temps.

À première vue, l'IA et l'agriculture semblent être des mondes à part. Mais ces deux secteurs sont rapidement devenus interdépendants. En tant que leader mondial dans les deux domaines, l'Ontario devrait bénéficier grandement de ce mélange de compétences.

Lisez le rapport complet sur le prix des aliments au Canada ici.