Résumé technique : Correction a posteriori basée sur des agents des prévisions de rendement agricole

Énoncé du problème

La prévision précise des rendements culturaux est cruciale pour la planification opérationnelle en agriculture commerciale (par exemple, l'allocation de la main-d'œuvre, la réfrigération et les contrats de vente au détail). Cependant, les approches de prévision les plus avancées reposent généralement sur des modalités de données indisponibles pour la plupart des producteurs commerciaux, telles que des réseaux de capteurs denses, des images satellites ou des données météorologiques haute résolution. L'industrie britannique des fruits rouges, où 95 % des fraises sont cultivées sous tunnels plastiques, rend la collecte de données par satellite et drones (UAV) peu pratique. Par conséquent, les producteurs ne disposent souvent que de dossiers historiques limités : des chiffres de rendement hebdomadaires, des métadonnées de base sur les parcelles et des données météorologiques provenant de sources externes.

Les modèles de prévision existants entraînés sur ces entrées limitées présentent souvent des erreurs systématiques qui contredisent la réalité biologique. Par exemple, les modèles peuvent prédire des pics de rendement avant la floraison ou une production continue après la fin de la récolte, car ils manquent d'une représentation explicite du cycle de croissance saisonnier de la culture. Le problème central abordé est la manière de corriger ces erreurs systématiques, conscientes du contexte, dans les modèles existants sans nécessiter de collecte de données supplémentaire ni de réentraînement du modèle.

Méthodologie

Les auteurs proposent un cadre structuré d'agents basés sur les grands modèles de langage (LLM) qui effectue une correction a posteriori par-dessus les modèles de prévision existants. Plutôt que de remplacer le modèle de base, l'agent agit comme une couche de raisonnement qui affine les prévisions en utilisant des connaissances du domaine agricole encodées dans un ensemble d'outils fixe.

Architecture du système

Le système fonctionne via une boucle ReAct (Reason + Act / Raisonnement + Action), itérant jusqu'à 10 fois par prévision pour affiner la sortie. Le pipeline se compose de deux phases principales :

1. Construction du graphe de connaissances : Les parcelles d'entraînement historiques sont encodées sous forme de nœuds contenant des métadonnées et des « caractéristiques de forme de courbe » (par exemple, volatilité, position du pic, motif de croissance). Cela permet à l'agent de récupérer des saisons historiques analogues via une recherche de similarité par Warping Dynamique du Temps (DTW).
2. Boucle de prévision : Pour chaque parcelle de test et chaque pas de temps, l'agent reçoit un vecteur d'état contenant la prédiction brute, les réalisations récentes et le contexte historique. Il parcourt une bibliothèque d'outils pour diagnostiquer et corriger la prédiction.

L'ensemble d'outils de l'agent

L'agent utilise une suite d'outils informés par des experts pour diagnostiquer et corriger les prévisions :

• Recherche de similarité : Récupère les parcelles historiques ayant des géométries de courbes similaires pour fournir un contexte analogique.
• Apprentissage du biais : Calcule le biais directionnel en comparant les prévisions récentes aux réalisations décalées dans le temps, en appliquant un facteur d'atténuation pour les périodes post-récolte afin d'éviter les rendements hallucinés.
• Détection de phase : Segmente la courbe de rendement en phases opérationnelles (pré-saison, montée, pic, déclin, terminée). Elle impose des contraintes telles qu'un rendement nul pendant les hors-saisons ou des taux de déclin pendant la phase de déclin.
• Validation de la plage : Limite les prévisions qui violent les bornes empiriques (par exemple, des taux de croissance hebdomadaires dépassant les percentiles historiques).
• Application de la correction : Synthétise les sorties des outils ci-dessus en utilisant une cascade de priorités : Limites physiques > Contraintes de phase > Affinement statistique.
• Vérificateur de sécurité et évaluation de la trajectoire : Agit comme un contrôle de bon sens pour s'assurer que les corrections ne provoquent pas de dérive catastrophique et s'alignent sur les tendances récentes.

Mémoire persistante

Le système inclut une Mémoire Persistante Inter-Parcelles, où l'agent maintient un « Tableau de Biais de Position » (enregistrant les erreurs à des jalons calendaires spécifiques) et une archive « Historique des Parcelles ». Cela permet à l'agent d'apprendre les erreurs systématiques à travers l'ensemble de données et d'affiner ses heuristiques (Réflexion sur la Méta-Stratégie) au cours de la saison.

Configuration expérimentale

Le cadre a été évalué sur deux ensembles de données :

1. Angus Soft Fruits : Un ensemble de données propriétaire de rendements de fraises provenant de 123 parcelles (cultivées sous tunnels plastiques) au Royaume-Uni.
2. Récolte de maïs USDA : Un ensemble de données public sur les progrès hebdomadaires de la récolte de maïs dans 38 États américains.

Trois modèles de prévision de base ont été testés : XGBoost, Random Forest et Moirai2 (un modèle fondation en zéro-shot). Trois LLM ont été évalués en tant que moteur de raisonnement : Llama 3.1 8B, Qwen 2.5 7B et LLaVA 13B (un modèle vision-langage inclus pour tester la sensibilité au choix du modèle).

Résultats clés

L'affinement basé sur les agents a systématiquement amélioré la précision des prévisions pour tous les modèles de base et tous les ensembles de données, l'ampleur de l'amélioration étant corrélée à l'erreur de base.

• Ensemble de données Fraises (Angus) :
  • XGBoost : Llama 3.1 8B a réduit l'Erreur Absolue Moyenne (MAE) de 20 % (de 0,0131 à 0,0105) et l'Erreur Absolue Moyenne Mise à l'Échelle (MASE) de 56 % (de 3,93 à 1,75).
  • Random Forest : A montré l'amélioration la plus spectaculaire, avec une réduction du MAE de 28 % et du MASE de 66 % (de 5,90 à 2,03), corrigeant largement la tendance du modèle à prédire des rendements non nuls pendant les hors-saisons.
  • Moirai2 : MAE réduit de 24 % et MASE de 22 %.
• Ensemble de données Maïs (USDA) :
  • Les améliorations ont été plus modestes en raison de l'erreur de base plus faible des modèles de base, mais sont restées constantes. Le MAE de XGBoost a été réduit d'environ 4-5 %, et le MASE de 2,5 %.
• Sensibilité du modèle : Llama 3.1 8B a produit les corrections les plus fortes et les plus cohérentes pour toutes les configurations. Qwen 2.5 7B a suivi avec des gains modérés. LLaVA 13B a montré des performances incohérentes, dégradant souvent les résultats (par exemple, augmentant l'erreur sur le maïs), soulignant que le choix du modèle d'affinement est critique et que le pré-entraînement vision-langage n'aide pas nécessairement le raisonnement numérique structuré.

Étude d'ablation

Une étude d'ablation a confirmé que la Détection de Phase est le composant « porteur de charge » du pipeline. Son retrait a entraîné une augmentation du MAE de 72 % sur l'ensemble de données des fraises, rendant les corrections peu fiables. Les autres outils (Apprentissage du biais, Validation de la plage) ont contribué de manière incrémentale mais n'étaient pas aussi critiques que la capacité à reconnaître la phase saisonnière.

Importance et revendications

L'article affirme que ce travail démontre la viabilité de la correction a posteriori basée sur les LLM en tant que solution pratique pour la prévision agricole contrainte par les données. Les contributions clés incluent :

1. Un nouveau paradigme : Aller au-delà de l'hypothèse selon laquelle de meilleures prévisions nécessitent plus de données ou des modèles de base plus complexes. Au lieu de cela, l'approche raisonne plus efficacement sur les données existantes, « désordonnées ».
2. Encodage des connaissances du domaine : Traduire avec succès les heuristiques agricoles (phases saisonnières, limites de croissance) en un ensemble d'outils structuré qu'un LLM peut exécuter, plutôt que de s'appuyer uniquement sur les connaissances paramétriques du LLM.
3. Généralisabilité : Le cadre est agnostique aux ensembles de données. Sans modification des outils ou des invites, le même agent a amélioré les prévisions pour les fraises britanniques et le maïs américain, prouvant qu'il peut gérer différentes cultures, échelles et géographies.
4. Aucun réentraînement requis : La méthode fonctionne comme une couche plug-in, ne nécessitant ni réentraînement du modèle de prévision de base ni collecte de données supplémentaire.

Les auteurs concluent que, bien que l'approche introduise une surcharge computationnelle (due à la boucle ReAct et aux appels LLM), elle offre un complément déployable, explicable et efficace aux pipelines de prévision existants, en particulier là où les modèles de base échouent à capturer les contraintes biologiques saisonnières.