Carbon Robotics affirme qu’un seul modèle de plantes peut reconfigurer les désherbeurs laser en quelques minutes

Carbon Robotics cherche à apporter la logique des modèles de fondation aux équipements agricoles

Carbon Robotics affirme avoir remplacé un ensemble de modèles de vision spécifiques à chaque culture par un seul système conçu pour comprendre la structure des plantes à travers les espèces, les régions et les conditions de terrain. Le message de l’entreprise est simple: plutôt que de réentraîner un modèle d’IA distinct chaque fois qu’un producteur change de culture, passe à une nouvelle zone géographique ou souhaite cibler d’autres plantes, les agriculteurs peuvent personnaliser directement sur le terrain un modèle préentraîné.

Selon Carbon Robotics, ce nouveau système repose sur ce qu’elle appelle un « grand modèle de plantes ». L’entreprise indique que le modèle a été entraîné sur des millions d’images de jeunes plants collectées dans le monde entier, puis qu’il peut être personnalisé sur site à l’aide d’un petit ensemble d’exemples sélectionnés par l’agriculteur. Via une application iPad, les producteurs examinent des vignettes provenant de leurs propres champs et étiquettent un nombre limité de plantes comme culture ou mauvaise herbe. Le système ajuste ensuite son comportement immédiatement, sans nécessiter un nouveau téléchargement logiciel ni un cycle de réentraînement conventionnel.

Si cette approche fonctionne comme décrit, elle répond à l’un des problèmes les plus tenaces de la vision artificielle appliquée à l’agriculture: les cas limites se multiplient rapidement dans les champs réels. Une même plante peut être souhaitable dans un rang de culture et indésirable dans une autre partie de la même exploitation. Un modèle ajusté de façon étroite à une culture et à une région peut avoir des difficultés lorsque les conditions changent. L’argument de Carbon est qu’une représentation préentraînée plus large, associée à une personnalisation légère sur le terrain, peut supprimer une grande partie de ces frictions.

Des modèles spécifiques aux cultures à un système général pour les plantes

L’entreprise s’appuyait auparavant sur plusieurs modèles de vision IA spécifiques aux cultures. C’est un schéma familier dans l’apprentissage automatique industriel, où les performances sont souvent améliorées en adaptant les modèles à des tâches étroites. Mais la spécialisation a un coût. Chaque nouvelle configuration de champ, combinaison de cultures ou zone géographique peut déclencher une nouvelle phase de maintenance du modèle.

Carbon Robotics défend désormais l’architecture inverse. Dans la logique de l’entreprise, un seul modèle fondation entraîné à l’échelle mondiale peut servir de couche de base, tandis que l’agriculteur fournit la définition opérationnelle de ce qui doit être conservé et de ce qui doit être retiré. La personnalisation devient alors un flux de travail utilisateur plutôt qu’un pipeline de machine learning.

Le LaserWeeder, plateforme de désherbage autonome de Carbon, utilise des lasers pour éliminer les plantes indésirables plutôt que des herbicides. L’entreprise affirme que le nouveau modèle permet au même système de passer d’un champ de carottes en Arizona à de la laitue ou des herbes aromatiques sur une autre exploitation après seulement quelques minutes de configuration. Ce type de réajustement rapide est au cœur de l’annonce. Il suggère que l’entreprise se concentre moins sur une notion statique de détection des mauvaises herbes que sur un système de comparaison capable de répondre au contexte.

Comment l’entreprise dit que le modèle se comporte différemment

Le directeur technique Alex Sergeev a déclaré à The Robot Report que la différence technique réside dans la manière dont le modèle évalue les plantes. Plutôt que de produire un simple score de confiance indiquant si une plante est une culture ou une mauvaise herbe, il a expliqué que le système compare les plantes observées à des exemples déjà identifiés par l’agriculteur. Autrement dit, la sortie est guidée par la similarité avec des références fournies par l’utilisateur plutôt que par une frontière de classe rigide et préétiquetée.

Cette distinction compte parce que les catégories agricoles ne sont pas universelles. Une plante indésirable dans un champ ou une région peut être utile dans un autre. Le système de Carbon est conçu pour absorber cette ambiguïté en laissant l’opérateur définir l’ensemble cible au moment du déploiement. Sergeev a décrit l’exigence comme une adaptation instantanée: l’outil doit accepter des exemples et fonctionner immédiatement plutôt que d’attendre un processus de réentraînement plus long.

L’entreprise affirme que l’IA végétale sous-jacente a été entraînée sur 150 millions de plantes étiquetées. En pratique, cette échelle vise à créer une représentation générale solide de la structure des plantes aux premiers stades. Les étiquettes sur le terrain servent ensuite d’instructions de tâche superposées à cette base. Le concept est comparable à la manière dont les modèles fondation dans d’autres domaines sont adaptés à des tâches locales, sauf qu’ici la sortie doit fonctionner à la vitesse de la machine dans des conditions agricoles réelles.

Pourquoi cela compte pour la robotique agricole

L’automatisation agricole a souvent progressé par à-coups, car les fermes réelles sont des environnements difficiles pour une autonomie généralisée. Les conditions du sol varient, l’éclairage change, l’agencement des cultures diffère selon les exploitants et la pression des mauvaises herbes n’est pas constante d’un champ à l’autre. Des systèmes qui fonctionnent bien dans des démonstrations contrôlées peuvent devenir coûteux à mettre à l’échelle dès qu’un nouveau cas d’usage exige une nouvelle phase d’ingénierie.

Carbon Robotics essaie de réduire ce coût de passage à l’échelle. En rapprochant la personnalisation de l’opérateur et en l’éloignant de l’équipe de développement du modèle, l’entreprise pourrait élargir le nombre d’exploitations où sa machine peut être déployée rapidement. Ce serait commercialement important, car l’adoption d’équipements agricoles dépend non seulement de la capacité technique brute, mais aussi du temps de configuration, de réglage et d’arrêt qu’un outil impose aux producteurs.

L’annonce reflète aussi une tendance plus large en robotique. De plus en plus d’entreprises empruntent des idées aux modèles fondation et les appliquent à des systèmes physiques, où la flexibilité compte autant que la précision. En agriculture, cette tendance est particulièrement attrayante parce que beaucoup de tâches se ressemblent à haut niveau, tout en différant dans les détails qui comptent opérationnellement.

Le partenariat de Carbon avec iMerit pointe vers un autre volet essentiel de cette stratégie: les données. Les promesses des modèles fondation reposent sur un étiquetage massif et de haute qualité, et les jeux de données agricoles sont difficiles à constituer parce qu’ils doivent capturer la variation biologique entre cultures, stades de croissance, zones géographiques et conditions d’imagerie. L’accent mis par l’entreprise sur les données de préentraînement suggère qu’elle considère l’échelle du jeu de données comme un fossé concurrentiel, pas seulement comme une exigence d’entraînement.

Le véritable test sera de savoir si l’“instantané” devient la norme

L’affirmation la plus importante de l’annonce n’est pas que le modèle est grand. C’est que les agriculteurs peuvent l’adapter en quelques minutes et que la machine répond immédiatement. Si cela s’avère fiable en production, cela pourrait changer la manière dont la robotique agricole est configurée et vendue. Un système qui n’a plus besoin de reconstructions répétées du modèle, culture par culture, est plus facile à déployer, plus facile à étendre et plus facile à intégrer au rythme d’une exploitation en activité.

Il existe encore un écart pratique entre un concept technique solide et une cohérence à l’échelle du champ, et le matériau source ne fournit pas de points de référence de performance indépendants. Mais il montre la direction que prend Carbon Robotics: s’éloigner de modèles étroitement limités aux cultures pour aller vers une couche de reconnaissance des plantes plus générale, pilotable par les agriculteurs eux-mêmes.

C’est un changement significatif pour l’IA agricole. Au lieu de demander aux agriculteurs d’attendre que le logiciel rattrape le terrain, l’entreprise promet un logiciel capable de s’adapter au rythme du terrain lui-même.

Cet article s’appuie sur le reportage de The Robot Report. Lire l’article original.