Le HDG Survey Group s'attend à ce que l'intelligence artificielle (IA) joue un rôle considérable dans le contrôle de la qualité. Toutefois, de nombreux utilisateurs ne sont pas prêts à franchir cette étape. La qualité de l'IA n'est pas encore suffisante. "Nous avons remarqué que les applications disponibles ne peuvent pas enregistrer la qualité de manière adéquate et correcte. Par ailleurs, la numérisation n'est pas aussi avancée partout dans le monde qu'en Europe. Pour sensibiliser d'autres pays, il faut parfois une étape intermédiaire dans le processus de numérisation de leurs producteurs", explique Bas Lok, directeur des innovations et de l'analyse chez HDG.
C'est pourquoi cette entreprise européenne s'attache à bien concevoir la première étape : la collecte des données. La qualité des données est essentielle. "La collecte des données est cruciale. Si elle n'est pas effectuée correctement, les données perdent de leur valeur, ce qui réduit la valeur d'une prédiction faite par une application d'IA. Il faut donc s'assurer que les personnes sur le terrain savent comment utiliser correctement le logiciel".
HDG Survey Group se concentre donc dans un premier temps sur les analyses de base comme tremplin vers des solutions plus avancées. "Le tableau de bord devient de plus en plus important pour les cultivateurs, car il leur permet de mieux comprendre l'évolution d'un produit au fil du temps. Cependant, tous les producteurs n'ont pas les moyens d'acheter les logiciels d'analyse les plus coûteux", explique M. Bas.
"En proposant des analyses de base - que vous pouvez ventiler en fonction de critères tels que la qualité, la variété, le producteur et l'origine - nous nous attendons à ce que les producteurs s'orientent progressivement vers un développement technologique plus approfondi. C'est la première étape vers des analyses beaucoup plus larges et une meilleure base pour l'amélioration de la qualité et de la sécurité des aliments."
Collecte de photos
Bas explique que l'entreprise se concentre également sur la préparation de l'introduction de la technologie de l'IA. "Prenons l'exemple de l'évaluation de la couleur verte ou jaune d'une banane. Il faut de nombreuses photos pour apprendre au système d'IA à déterminer la couleur exacte sur la base d'une photo. Nous cataloguons actuellement toutes ces photos par observation. Lorsque la technologie adéquate sera disponible, vous pourrez télécharger des milliers de photos directement dans le système, qui sera alors rapidement opérationnel. Nos inspecteurs ont plus de 40 ans d'expérience et nous disposons donc en interne des bons experts pour enseigner l'IA sans erreur", explique-t-il.
Il est essentiel d'éviter les erreurs lors de l'enseignement de l'IA, car la marge d'erreur est directement liée à la confiance dans l'IA, note M. Bas. "L'IA n'en est qu'à ses débuts, il est donc difficile de lui faire confiance. À l'heure actuelle, il n'existe pratiquement pas d'outils de terrain adaptés aux conditions variables et permettant de toujours prédire correctement avec une certitude de 80 à 90 %. C'est pourquoi les choses sont faites de manière à ce que des corrections puissent être apportées pour que le rapport soit toujours correct. Dans l'idéal, cependant, il faudrait que les rapports soient toujours corrects à 100 %.
Intervenir avec le bon savoir-faire
Modifier un système d'IA est risqué, souligne M. Lok. "Vous avez besoin de personnes possédant le savoir-faire adéquat pour intervenir dans le système. Si vous apportez les mauvaises corrections, ce qui arrive trop souvent, le système émettra des hypothèses erronées. Cela ne fera qu'empirer le système d'IA", explique-t-il. Il faut donc une certaine expertise pour enseigner ou corriger un système d'IA. "Si vous n'utilisez pas la bonne expertise, les rapports générés par le système risquent de devenir de moins en moins fiables. Et le fait que les rapports de l'IA ne soient plus fiables parce qu'ils sont trop souvent incorrects représente un risque pour l'ensemble de la chaîne d'approvisionnement en fruits et légumes".
"C'est ce qui manque encore à l'IA : une expertise insuffisante intégrée dans des fonctionnalités que les gens peuvent directement appliquer. Si un outil produit un rapport négatif, les gens pourraient dire : 'Je ne fais pas confiance à la technologie de l'IA'. C'est le plus important aujourd'hui : faire confiance à ce type de technologie et aux différents éditeurs de logiciels qui la proposent", estime Bas.
Coordination dans la chaîne interne
C'est pourquoi il considère que ce sont surtout les entreprises qui contrôlent de grandes parties de la chaîne qui peuvent utiliser l'IA pour le contrôle de la qualité, du moins à court terme. "Une entreprise qui, par exemple, cultive et importe, peut appliquer cette technologie beaucoup plus rapidement. L'utilisation de l'IA pour le contrôle de la qualité en interne renforce la confiance mutuelle. Je pense que cette utilisation décollera dans les deux prochaines années, mais il faudra probablement beaucoup plus de temps pour le reste du marché. Je pense qu'il faudra plutôt cinq ans, voire plus, avant que les producteurs, les importateurs et les détaillants n'appliquent véritablement la technologie de l'IA à grande échelle.
Bas pense que cela nécessite une communication accrue et améliorée tout au long de la chaîne. Il considère que cette nécessité est distincte de l'IA, par exemple pour surveiller les conséquences de la diminution constante de l'offre de produits phytosanitaires. Et pour garantir la qualité et la sécurité des aliments à long terme. Les marges financières devraient faire partie de cette discussion.
"De faibles marges n'ont peut-être pas d'impact immédiat à court terme, mais elles signifient que les producteurs ne seront pas en mesure d'investir dans ce qui sera nécessaire dans cinq ans, par exemple. Cela pourrait compromettre la qualité et la sécurité des aliments. En fin de compte, il faut beaucoup plus de communication à l'échelle de la chaîne pour s'assurer que la qualité et la sécurité des aliments peuvent être maintenues au niveau que nous souhaitons tous à long terme", conclut M. Bas.
Pour plus d'informations :
Groupe d'étude HDG
Marconistraat 33
3029 AG Rotterdam
Tél. : +31 10 2441414
lok@hdg-surveygroup.com
www.hdg-surveygroup.com