Le machine learning appliqué à l'agriculture optimise les processus et l'exploitation des terres, analyse les données de récolte et améliore la précision des machines agricole. Et ce n'est qu'un début.
Jerome Treboux, doctorant à l'institut informatique de gestion de la HES-SO Valais-Wallis à Sierre (Suisse) a présenté ses travaux dans ce domaine à la conférence GIoTS, réalisée cette année virtuellement.
Son papier nommé "Towards Retraining of Machine Learning Algorithms: An Efficiency Analysis Applied to Smart Agriculture" compare l'efficacité des algorithmes de machine learning pour détecter un objet dans une image. Le dispositif expérimental montre qu'un Random Forest bien réglé est égal ou supérieur à l'approche du Deep Learning et augmente la vitesse du processus de réapprentissage d'un facteur d'environ 400.