[Doctorant] Frédérick Fabre Ferber : Petits jeux de données et prédiction en Intelligence Artificielle, vers une meilleure cohabitation

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

J'ai effectué ma formation à l’Université de La Réunion, avec un Master en Informatique où je suis spécialisé en Machine Learning. Durant mon stage de M2 j’ai pu travailler sur la prédiction des mauvaises herbes de la canne à sucre par des méthodes d’apprentissage supervisée. Ce stage m’a donné goût à la recherche dans une application informatique pour l’agronomie et naturellement, je me suis dirigé vers une thèse pour aller plus loin et ainsi régler ce genre de problématiques, qui sont importantes pour moi étant natif de l’île.

Mon sujet porte sur le traitement des jeux de données agronomiques la plupart du temps inadaptés à de l’apprentissage, supervisé par des méthodes mathématiques, statistiques et informatique, dans le but d'améliorer la performance des algorithmes d’apprentissage dans ce contexte de données.

• Date de démarrage : mars 2022
• Unité: UPR Recyclage et Risque, Cirad
• Université : Université de La Réunion
• Ecole doctorale : Sciences Technologies et Santé - ED STS
• Discipline / Spécialité : Informatique
• Directeur de thèse : Jean-Christophe Soulié, UPR Recyclages et risques, Cirad et Jean Diatta, Université de la Réunion
• Encadrant(es)  : Odalric-Ambrym Maillard – Dominique Gay – Thomas LeBourgeois – Sandrine Auzoux
• Financement : Bourse Régionale de recherche (La Réunion)
• #DigitAg : Thèse labellisée

Mots-clés : Machine Learning, Méthodes à noyaux, Agronomie

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.

Réseaux sociaux  : ResearchGate - Autre