Le marocain DeepLeaf lance un modèle d’IA agricole partagé soutenu par le PNUD
DeepLeaf et l’AI Hub lancent un modèle d’IA agricole partagé pour sept pays
DeepLeaf et l’AI Hub présentent un modèle d’intelligence artificielle pour l’agriculture, destiné à sept pays et conçu pour favoriser des applications locales tout en protégeant les données.
DeepLeaf, une start-up basée à Sidi Bennour, et l’AI Hub for Sustainable Development ont dévoilé, le 3 novembre à Rome, un modèle commun d’intelligence artificielle dédié à l’agriculture et à la sécurité alimentaire. L’initiative vise à offrir une base technologique réutilisable par des entreprises locales afin d’accélérer le développement d’outils adaptés aux cultures et aux conditions agricoles de chaque pays concerné. L’annonce a été faite dans le cadre d’une démarche coordonnée avec des acteurs internationaux engagés sur les enjeux de durabilité.
Description du modèle présenté à Rome
Le modèle présenté constitue une plateforme d’analyse d’images et de données agricoles conçue pour identifier les maladies des plantes, évaluer l’état des cultures et fournir des diagnostics exploitables par les agriculteurs et les conseillers agricoles. Il s’agit d’une base logicielle partagée qui peut être personnalisée par des développeurs locaux pour répondre aux besoins spécifiques de filières et d’écosystèmes différents.
Origine et capacités technologiques de DeepLeaf
DeepLeaf a développé des outils capables d’analyser des images de végétation pour détecter symptômes et stress biotiques ou abiotiques. L’entreprise, installée à Sidi Bennour, a déjà validé ses modèles dans plusieurs contextes agricoles, notamment au Maroc, au Kenya et en Italie. La technologie repose sur l’apprentissage automatique appliqué à des jeux de données d’images et de métadonnées agricoles, permettant d’améliorer progressivement la précision des diagnostics à mesure que les jeux de données locaux s’enrichissent.
Pays ciblés et modalités d’accès pour les start-up
Sept pays sont directement concernés par le déploiement initial : Maroc, Tunisie, Kenya, Ghana, Tanzanie, Rwanda et Italie. Dans chacun de ces territoires, des start-up et des acteurs locaux pourront utiliser le modèle comme socle pour développer leurs propres applications, adaptées aux cultures dominantes et aux pratiques locales. L’objectif affiché est d’éviter la duplication complète du développement technologique et d’accélérer la disponibilité d’outils numériques sur le terrain.
Gouvernance des données et propriété des solutions
Le dispositif prévoit que les entreprises participantes conservent la propriété des solutions qu’elles conçoivent à partir du modèle commun. Les données agricoles utilisées et générées seront partagées uniquement avec le consentement explicite de leurs détenteurs, ce qui vise à protéger les droits des agriculteurs et des collecteurs de données. Par ailleurs, certains composants ouverts du modèle pourront être diffusés comme biens publics numériques réutilisables par d’autres projets.
Coopérations scientifiques et soutien institutionnel
Le projet s’appuie sur des coopérations scientifiques et institutionnelles déjà engagées. En juin, DeepLeaf avait conclu un accord de validation scientifique avec la Fondazione Edmund Mach, organisme de recherche agricole italien, pour approfondir la fiabilité de ses modèles. Le nouveau projet est porté par l’AI Hub for Sustainable Development, une initiative soutenue par le G7 et codirigée par le gouvernement italien et le Programme des Nations unies pour le développement, ce qui confère une dimension internationale et de gouvernance partagée au déploiement.
Impacts anticipés sur la sécurité alimentaire et l’innovation
Les promoteurs du modèle estiment que la mise à disposition d’une base technologique commune favorise l’innovation locale et la création rapide d’outils pertinents pour les agriculteurs, en particulier les petits exploitants. En associant validation scientifique, protection des données et réutilisation de composants ouverts, le projet cherche à concilier montée en capacités technologiques et respect des droits des utilisateurs. À terme, cette approche pourrait contribuer à renforcer la résilience des systèmes alimentaires face aux maladies des plantes et aux variations climatiques.
Le succès du dispositif dépendra de l’appropriation par les acteurs locaux, de la qualité des jeux de données fournis et de la capacité des partenaires à assurer formation, maintenance et mise à jour des outils sur le long terme.