Petits jeux de données et prédiction en Intelligence Artificielle, vers une meilleure cohabitation : Application à la gestion durable de l'enherbement des systèmes agricoles à La Réunion

Small datasets and prediction in Artificial Intelligence, towards a better cohabitation: Application to the sustainable management of weediness in agricultural systems in La Réunion

• Auteur / Autrice : Frédérick Fabre ferber
• Direction : Jean Diatta, Jean-Christophe Soulié
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 29/01/2022
• Etablissement(s) : La Réunion
• Ecole(s) doctorale(s) : École doctorale Sciences, Technologies et Santé
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique et Mathématiques

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage machine

Agronomie

Artificial Intelligence

Machine Learning

Agronomy

Résumé

Plusieurs études ont été réalisées sur la gestion de l'enherbement. Le projet Deci-Florsys détermine la dynamique des adventices par simulation à partir d'indicateurs agro-environnementaux. Un autre projet concerne la reconnaissance d'adventices par analyse spectrale d'image. Des algorithmes de machine learning sont utilisés pour pouvoir identifier et discriminer les différentes espèces. Cependant, ils ne considèrent pas la flore adventice tropicale et ne cherchent pas à prédire directement l'enherbement. La thèse s'appliquera dans un contexte tropical à prédire par intelligence artificielle, la flore adventice des systèmes agricoles réunionnais. Nous présentons une liste non-exhaustive de quelques travaux qui sera complétée au cours de la thèse. Différents verrous scientifiques sont identifiés impactant la performance des algorithmes de prédiction sur des petits jeux de données observées. Différents concepts portent sur l'adaptation des algorithmes d'apprentissage à prendre en compte les valeurs manquantes, leur sensibilité dans un contexte de données déséquilibrées à fort biais (fairness), l'exploitation des relations entres les variables à prédire et enfin, l'aspect hétéro-scédastique des données. Dans la littérature, un certain écart est noté entres les travaux classiques sur la prédiction et les concepts cités précédemment. Cependant, ces travaux ont été réalisés sur des tâches spécifiques à partir de jeux de données complets. Cette thèse contribuera à enrichir la connaissance sur ces concepts récents dans la littérature et à les appliquer sur des petits jeux de données observées.

Several studies have been conducted on weed management. The Deci-Florsys project determines weed dynamics by simulation using agro-environmental indicators. Another project concerns the recognition of weeds by spectral image analysis. Machine learning algorithms are used to identify and discriminate the different species. However, they do not consider the tropical weed flora and do not try to directly predict weediness. The thesis will apply artificial intelligence to predict the weed flora of agricultural systems in Reunion in a tropical context. We present a non-exhaustive list of some works that will be completed during the thesis. Different scientific issues are identified that impact the performance of prediction algorithms on small observed data sets. Different concepts concern the adaptation of learning algorithms to take into account missing values, their sensitivity in a context of unbalanced data with high bias (fairness), the exploitation of relationships between the variables to be predicted and finally, the heteroscedastic aspect of the data. In the literature, a certain gap is noted between the classical works on prediction and the concepts mentioned above. However, these works have been carried out on specific tasks using complete data sets. This thesis will contribute to enrich the knowledge on these recent concepts in the literature and to apply them on small observed data sets