Pendant des années, les agriculteurs ont sélectionné des produits pour leur exploitation grâce aux meilleurs conseils disponibles - guides de semences, agronomes locaux, marchands de semences, etc. Les progrès des technologies de l'intelligence artificielle ont offert des opportunités d'explorer une approche différente.

Washington University à St. Louis en partenariat avec The Climate Corporation, une filiale de Bayer, travaillent à explorer de nouvelles technologies uniques pour faire avancer la science derrière la sélection et le placement hybrides.

Roman Garnett, professeur assistant d'informatique et d'ingénierie à l'École d'ingénierie et des sciences appliquées, a reçu 97 $, 771 subvention de The Climate Corporation pour appliquer un apprentissage automatique actif afin de déterminer quels hybrides ont la probabilité d'atteindre un potentiel de rendement maximal dans chaque environnement.

Le développement de produits hybrides commerciaux est un processus long et coûteux; cela peut prendre 7-8 ans pour déterminer à quel point les graines ont poussé, leur résistance aux ravageurs et aux maladies, et les rendements des cultures associés. "En intégrant l'apprentissage automatique actif, nous pouvons créer un modèle qui offrirait une réduction potentielle de l'empreinte requise pour la caractérisation et la commercialisation du produit et fournirait également des informations précieuses sur les objectifs de déploiement de produit prévus, " dit Xiao Yang, responsable des conseils en placement chez The Climate Corporation.

"Les gens parlent de médecine personnalisée, et c'est l'agriculture personnalisée, " Garnett a déclaré. "Nous pouvons recueillir beaucoup de données, puis utilisez les données pour essayer d'apprendre des modèles afin de pouvoir faire des recommandations personnalisées pour chaque agriculteur. »

L'objectif du projet est de déterminer si les climatologues peuvent rationaliser le développement et la plantation de nouveaux produits chaque année.

L'apprentissage automatique actif identifie les données les plus utiles pour atteindre l'objectif final. Au lieu d'utiliser des données existantes, l'apprentissage automatique actif "apprend en cours de route, " a déclaré Garnett.

"Au lieu de collecter toutes ces données, et si nous n'avions collecté que 10 pour cent de celui-ci, mais nous pouvons choisir quels 10 pour cent, " a déclaré Garnett. " Ensuite, nous aurons un algorithme qui aurait pu utiliser une petite fraction des données pour pouvoir obtenir une aussi bonne performance de personnalisation pour ce portefeuille de semences. Nous le faisons en simulation, mais si ça marche, nous pourrions peut-être influencer la façon dont ils prennent leurs décisions futures. »

Garnett fait partie d'une équipe de recherche qui utilise les mégadonnées pour accélérer la sélection et la commercialisation de cultures de sorgho pouvant être utilisées comme source d'énergie renouvelable. Les quatre ans, Projet de 8 millions de dollars, dirigé par le Donald Danforth Plant Science Center, est financé par le programme ARPA-E TERRA du département américain de l'Énergie et comprend une équipe de 10 universités, collaborateurs du gouvernement et de l'industrie. Garnett développe des algorithmes qui utilisent le plus efficacement possible les estimations statistiques de la biomasse finale des cultures à partir des données des capteurs le plus tôt possible dans la saison de croissance pour accélérer le processus de sélection.