Modèle de formation d’algorithmes liés à l’IA dans le secteur agroalimentaire

Le service de formation sur le modèle d’IA dans l’infrastructure TEF répond aux besoins critiques du secteur agroalimentaire: il permet d’améliorer les modèles d’IA existants et fournit la puissance de calcul nécessaire pour exécuter des algorithmes existants à grande échelle. Avant d'utiliser ce service, les clients ont peut-être développé des algorithmes mais n'ont pas la capacité de calcul nécessaire pour les former ou les exécuter efficacement sur de grands ensembles de données. Après avoir utilisé ce service, ils peuvent surmonter ces limitations. 

Le service de formation au modèle d'IA dans l'infrastructure TEF est déjà disponible pour être exécuté. Les besoins des clients sont d'abord pris en compte lors d'un entretien (en ligne ou en face à face) entre le fournisseur de services et le client. Ensuite, nous pouvons définir le temps nécessaire pour l'exécuter (d'environ un mois à plusieurs semaines). Le service est exécuté à distance dans une infrastructure numérique située à Vigo (Espagne), de sorte que les clients peuvent accéder au service à distance, quel que soit leur emplacement. En conséquence, le client recevra une documentation sur le processus de formation, le modèle d'IA lui-même et un manuel d'utilisation pour savoir comment l'utiliser. Le client doit fournir les données pour former le modèle d'IA et, éventuellement, un prototype de modèle que le client a déjà formé. Si le client ne dispose pas des données nécessaires, le TEF pourrait les fournir par le biais d'un service de fourniture d'ensembles de données, comme ceux-ci (voir Services connexes). 

À titre d'exemple générique, une entreprise qui a développé un système prédictif pour aider les agriculteurs dans certains processus agroalimentaires peut améliorer le système avec de nouvelles données utilisant l'infrastructure TEF.Le client doit fournir les données pour former le modèle. Si le client fournit un prototype de modèle, il doit être formé à l'une des principales technologies de développement de l'apprentissage automatique dans le langage Python, comme scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow, etc. À titre d'exemple plus spécifique, la société VineGuard Analytics a développé un système prédictif qui aide les producteurs de vin à optimiser leur calendrier de vendange en prévoyant la fenêtre de récolte optimale 2 semaines à l'avance. Le système analyse les données provenant de: Capteurs d'humidité du sol. -Lectures des stations météorologiques locales (température, humidité, précipitations). -Dates de récolte historiques et cotes de qualité. -Mesures de la teneur en sucre de raisin.Images satellitaires de la santé des vignobles. Pour améliorer la précision de leur modèle, VineGuard souhaite intégrer de nouvelles données issues des vignobles de ses clients. Chaque client fournit: -Trois ans de données historiques, y compris:Lectures quotidiennes de capteurs au format CSV. -Dates de récolte et scores de qualité du vin correspondants.Résultats hebdomadaires de l’analyse des raisins. -Un modèle XGBoost pré-entraîné (Python 3.8+) qui: Prend 14 caractéristiques d'entrée (météo, sol et métriques de raisin). -Résultat d'un score de préparation à la récolte (0-100). -Utilise des pipelines de prétraitement scikit-learn standard. Est la version contrôlée par Git. Le modèle sera recyclé sur l'infrastructure TEF en utilisant les ensembles de données historiques combinés de plusieurs vignobles tout en maintenant la confidentialité des données entre les clients. Le modèle amélioré vise à réduire les erreurs de temps de récolte de ±5 jours à ±3 jours.