Le secteur des produits de la mer est extrêmement imprévisible. Les conditions météorologiques, les températures de la mer, les niveaux des stocks de poissons, les schémas de migration, le changement climatique - tous ces facteurs ont un impact sur les opérations de pêche, déclenchant des excédents et des pénuries d'approvisionnement. La qualité est également imprévisible, car elle dépend souvent de facteurs environnementaux, des méthodes de capture, de la saisonnalité, de la manutention en mer, de la chaîne du froid, etc. L'aquaculture connaît également une variabilité naturelle. Des conditions environnementales incontrôlables, telles que des problèmes de qualité de l'eau dus aux conditions météorologiques ou à la pollution et des épidémies, affectent la production et la qualité des élevages de poissons et de crevettes. En bref, il s'agit d'une activité risquée.
C'est pourquoi l'intelligence artificielle (IA) - décrite comme une "machine à prédire" - promet de rendre l'industrie des produits de la mer plus prévisible et donc plus rentable.
"La prédiction est le processus qui consiste à compléter les informations manquantes", écrivent les auteurs de Prediction Machines : The Simple Economics of Artificial Intelligence. La prédiction prend les informations dont vous disposez, souvent appelées "données", et les utilise pour générer des informations que vous n'avez pas. En plus de générer des informations sur l'avenir, la prédiction peut générer des informations sur le présent et le passé. C'est le cas lorsque la prédiction classe les transactions par carte de crédit comme frauduleuses, une tumeur dans une image comme maligne, ou si une personne tenant un iPhone en est le propriétaire."1
Les auteurs, tous professeurs de commerce à l'université de Toronto, affirment que l'IA nous permet de faire de meilleures prédictions, plus rapidement et à moindre coût. En bref, cela stimule les profits et l'adoption de l'IA dans tous les secteurs, y compris celui des fruits de mer.
Dans cet article, je donne aux lecteurs un aperçu des différents types d'IA, de leur fonctionnement et de leurs applications. Ensuite, j'analyse la manière dont l'IA est actuellement utilisée dans les chaînes d'approvisionnement en produits de la mer, sur la base d'une enquête portant sur quelque 365 applications logicielles. Troisièmement, j'explorerai comment l'IA peut être utilisée dans la transformation des produits de la mer, un secteur qui n'est actuellement pas suffisamment desservi par l'IA. Je ferai également part des recherches de pointe que nous (ThisFish Inc.) menons actuellement pour introduire l'IA dans le secteur de la transformation. Enfin, je conclurai par quelques réflexions sur la manière dont les entreprises du secteur des produits de la mer peuvent commencer à se préparer à la révolution de l'IA, en s'assurant qu'elles ne seront pas laissées pour compte.
Qu'est-ce que l'IA et comment fonctionne-t-elle ?
L'intelligence artificielle est souvent considérée comme la quatrième révolution industrielle. La première révolution a été portée par la vapeur et la mécanisation dans les années 1780 ; la deuxième s'est concentrée sur l'électrification et la production de masse dans les années 1870 ; et la troisième a commencé en 1969 avec l'électronique informatique. L'IA est désormais au cœur de la quatrième révolution industrielle, souvent appelée Industrie 4.0. Bon nombre des nouvelles technologies telles que l'informatique en nuage, l'internet des objets (IoT), les capteurs intelligents et les puces électroniques permettent l'IA grâce aux progrès réalisés dans la collecte et le stockage des données ainsi que dans la puissance de calcul. L'IA est elle-même à l'origine de nombreuses nouvelles technologies telles que les robots autonomes, les voitures auto-conduites, la réalité augmentée et l'informatique cognitive.
Qu'est-ce que l'IA ? À la base, l'IA consiste à simuler l'intelligence humaine dans des machines et relève du domaine général de la science des données. L'apprentissage automatique est un sous-ensemble de l'IA dans lequel les machines prennent des décisions sans être programmées. En fait, nous formons des machines à l'aide de données. En général, des données plus nombreuses et de meilleure qualité rendent l'IA plus intelligente. Vous pouvez "superviser" l'apprentissage de l'IA en étiquetant les données, ce qui signifie que l'entrée est accompagnée d'une étiquette de sortie correspondante. Par exemple, vous pouvez étiqueter l'image d'un poisson (l'entrée) avec son espèce (la sortie). L'apprentissage non supervisé implique un algorithme qui tente de découvrir des modèles cachés dans les données, comme la détection d'anomalies ou d'erreurs. La Food and Drug Administration (FDA) des États-Unis, par exemple, utilise l'IA pour repérer des schémas dans les données d'importation de produits de la mer afin d'identifier d'éventuelles illégalités. Un troisième type d'apprentissage est le "renforcement", qui se produit lorsque l'IA interagit avec son environnement et reçoit un retour d'information positif ou négatif. Les chatbots d'assistance à la clientèle qui vous demandent d'évaluer leurs réponses sont un exemple courant d'apprentissage renforcé.
Un sous-ensemble de l'apprentissage automatique est appelé "apprentissage profond", qui utilise des réseaux neuronaux inspirés de la structure et de la fonction du cerveau humain. Cette technologie est souvent utilisée pour découvrir des modèles cachés dans des ensembles de données extrêmement vastes, complexes ou multidimensionnels. Les technologies les plus courantes sont la vision par ordinateur et le traitement du langage naturel.
La vision par ordinateur est un domaine de l'intelligence artificielle qui permet aux machines d'interpréter et de prendre des décisions sur la base de données visuelles provenant du monde entier. Chaque pixel d'une image se voit attribuer un numéro, puis les algorithmes trouvent des modèles qui permettent, par exemple, de différencier un albacore d'un thon obèse dans une image. Les ordinateurs peuvent classer une image, détecter un objet, segmenter une image en composants et reconnaître des visages. Les technologies de vision par ordinateur utilisent un type de réseau neuronal pour atteindre une grande précision.
La dernière technologie est l'IA générative, comme le très populaire ChatGPT ou DALL-E pour la génération d'images. Cette technologie utilise également des réseaux neuronaux pour apprendre des modèles à partir de vastes ensembles de données d'images ou de textes afin de générer de nouveaux contenus. De grands modèles de langage sont formés sur des millions de pages de texte, ce qui leur donne une apparence humaine.
Comment toute cette technologie de l'IA peut-elle être appliquée au secteur des fruits de mer ? Le cadre P.A.C., mis au point par l'entrepreneur et expert en IA Rob May, est un outil utile. P.A.C. est l'abréviation de Predict (prédire), Automatic (automatiser) et Classify (classer), qui sont les fonctions essentielles de l'IA. Rob May suggère de créer un simple tableau pour voir comment l'IA peut s'appliquer à votre entreprise. "Pour créer votre première grille, faites trois colonnes, une pour Prédire, une pour Automatiser et une pour Classifier. Puis, sur les lignes, dressez la liste des domaines clés de votre entreprise. Par exemple, vous pouvez indiquer : Clients, Produits et Opérations. Ensuite, dans chaque case, vous pouvez imaginer comment cette approche spécifique de l'I.A. pourrait s'appliquer à ce domaine de votre entreprise", écrit M. May.
J'ai créé une grille de ce type (tableau 1) en examinant différents secteurs de la chaîne de valeur des produits de la mer, notamment la pêche, l'élevage, la planification, la production et le contrôle de la qualité. Cette liste n'est pas exhaustive, mais elle a pour but de susciter une réflexion sur la manière dont l'IA pourrait s'appliquer à votre entreprise. Comme nous le verrons dans la section suivante, l'IA est désormais largement adoptée dans le secteur des produits de la mer.
Tableau 1 : Cadre P.A.C. adapté à l'industrie des produits de la mer
La croissance explosive de l'IA dans les produits de la mer
L'IA est désormais omniprésente dans notre vie quotidienne : dans nos smartphones, nos assistants virtuels, nos voitures, nos recommandations musicales, nos livraisons de nourriture, notre reconnaissance faciale, etc. Trois facteurs sont à l'origine de cette croissance. Premièrement, le volume des données numériques a été multiplié par 30 au cours des dix dernières années. L'IA a besoin de données pour apprendre, et la croissance des technologies numériques - en particulier l'informatique en nuage et les smartphones - génère les données nécessaires à l'entraînement de l'IA. Deuxièmement, les algorithmes d'IA sont devenus plus puissants. Par exemple, ImageNet est un défi de reconnaissance visuelle à grande échelle organisé une fois par an au cours de la dernière décennie. En 2015, le meilleur système d'IA a battu les performances humaines pour la première fois. L'IA peut désormais reconnaître des photos avec une précision supérieure à celle des humains. Enfin, les puces informatiques sont de plus en plus puissantes et de moins en moins chères. Elles sont essentielles pour traiter de plus grandes quantités de données avec des algorithmes plus complexes.
En ce qui concerne les produits de la mer, j'ai identifié une "métatendance" qui permet d'expliquer pourquoi l'IA est largement adoptée dans le secteur. Je l'appelle l'indice Fish n' Chips. Depuis 1990, l'indice FAO des prix du poisson a augmenté de 60 % alors que le prix des semi-conducteurs ou des puces informatiques a baissé de plus de 50 %. Aujourd'hui, environ un tiers des logiciels - plus de 120 applications - utilisés dans l'industrie des produits de la mer font appel à l'IA.
En fait, j'ai analysé plus de 365 applications logicielles utilisées dans l'industrie des produits de la mer et les ai publiées dans un répertoire en ligne sur le site web de ThisFish2. On a assisté à une explosion des nouvelles startups technologiques au service du secteur des produits de la mer, qui a atteint son apogée en 2018-2019. Cependant, l'IA est appliquée de manière inégale dans l'industrie des produits de la mer.
Une centaine d'applications logicielles sont utilisées dans les pêcheries de capture sauvage et une centaine d'autres dans l'aquaculture. Près de 70 % des technologies aquacoles utilisent l'IA, contre seulement 20 % dans le secteur de la pêche. La raison de cette divergence est double : les incitations et les réglementations. Dans l'aquaculture, l'IA permet de réduire deux des coûts les plus importants du secteur : l'optimisation de l'alimentation et la réduction des mortalités. Les agriculteurs sont motivés par l'adoption de l'IA car elle est rentable. Dans le secteur de la pêche, la plupart des technologies ne sont pas motivées par la dynamique du marché, mais par le respect des réglementations visant à mieux contrôler les captures. Les pêcheurs sont réticents à adopter des technologies qui renforcent la surveillance, à l'exception, peut-être, de l'amélioration de la sécurité en mer. Une grande partie de l'IA dans le secteur de la pêche se concentre sur l'utilisation de la vision par ordinateur pour automatiser l'examen des vidéos provenant des systèmes de surveillance électronique à bord des navires de pêche.
Cet écart dans l'adoption de l'IA va probablement se creuser. Selon Crunchbase, les entreprises technologiques du secteur de l'aquaculture ont levé environ 632 millions d'USD d'investissements, contre seulement 19 millions d'USD pour les entreprises technologiques du secteur de la pêche. En fait, Crunchbase indique qu'en 2022 seulement, 45 startups aquacoles ont levé 292 millions d'USD.
Cas d'utilisation de l'IA pour la transformation des produits de la mer
Le secteur de la transformation des produits de la mer a pris du retard à la fois dans la transformation numérique et dans l'adoption de l'IA. La tenue de registres papier est la méthode prédominante de collecte des données, ce qui entraîne de nombreux problèmes tels que des erreurs humaines, l'absence d'analyses en temps réel, la lenteur des rapports et une mauvaise traçabilité. Il existe 29 produits logiciels destinés à ce secteur, mais seuls quatre d'entre eux sont dotés de capacités d'IA. Pour les tests et la vérification de la qualité, il existe 13 produits logiciels pour les produits de la mer. Plus de 50 % d'entre eux utilisent l'IA, notamment la vision par ordinateur, les tests ADN et la chimiométrie.
Malgré de faibles niveaux de numérisation et d'adoption de l'IA, les transformateurs de produits de la mer sont des nœuds critiques dans les chaînes d'approvisionnement, agrégeant l'offre, maintenant la sécurité alimentaire et permettant le commerce mondial. Selon les estimations, environ 23 000 entreprises sont impliquées dans la transformation des produits de la mer à l'échelle mondiale. Elles représentent un goulot d'étranglement entre les millions de producteurs primaires et les milliards de consommateurs.
Malgré son importance commerciale cruciale, le secteur de la transformation souffre d'une faible rentabilité. Planet Tracker a analysé 89 entreprises de transformation de produits de la mer cotées en bourse pour déterminer que leur marge bénéficiaire avant intérêts et impôts (EBIT) n'était en moyenne que de 3,4 %.3 L'intelligence artificielle pourrait potentiellement améliorer ces marges grâce à l'automatisation et à l'optimisation, tout en respectant les objectifs de durabilité.
Sur la base de son travail de numérisation des usines de transformation des produits de la mer, ThisFish Inc. estime qu'une conserverie de thon moyenne, traitant 100 tonnes métriques de matières premières par jour, génère plus de quatre gigaoctets de données numériques par an, soit environ 2,7 millions de pages de texte. Les transformateurs de thon et de saumon fraîchement congelés génèrent environ un gigaoctet de données, soit 680 000 pages. Cet énorme volume de données pourrait s'avérer précieux pour le secteur de la transformation des produits de la mer. Les données historiques pourraient être utilisées pour former des algorithmes d'apprentissage automatique afin de prédire la qualité et les résultats de la production. Dans la section suivante, je vous présenterai quelques-unes des recherches innovantes que nous avons menées au fil des ans dans le domaine de l'IA.
Apprentissage automatique
En 2021, les data scientists de ThisFish Inc. ont mis au point une validation de principe pour prédire les rendements d'une conserverie de thon en Thaïlande. Les données utilisées pour l'analyse provenaient d'environ 22 mois de production de thon listao, germon et albacore. Les données comprenaient 8 818 points de données uniques pour lesquels les rendements ont été calculés. Une unité unique de matière première pour laquelle les rendements ont été calculés était un lot de production. Le rendement a été calculé comme suit :
Nous divisons les variables en deux catégories : les variables relatives à la matière première et les variables relatives au processus. Les variables relatives à la matière première sont des propriétés inhérentes telles que l'espèce de poisson, la taille du poisson, la méthode de récolte, etc. Les variables de processus sont celles qui sont collectées dans le cadre du processus de mise en conserve, telles que la durée de stockage au froid, le temps de décongélation, les températures de décongélation, le temps de cuisson, les températures de cuisson, etc. Nous avons étudié l'impact de ces variables et essayé de déterminer comment elles peuvent être ajustées pour augmenter potentiellement les rendements.
En résumé, les principales variables qui ont influencé les rendements sont la taille du poisson, l'espèce de poisson, le temps de stockage au froid, la température de cuisson et le temps de cuisson. Cependant, le résultat le plus intéressant a été l'impact de la durée de l'entreposage au froid sur les rendements, qui a eu une incidence sur les récupérations allant jusqu'à trois pour cent. Environ 85 % de la variation des rendements a été expliquée par les variables du modèle et l'IA avait un niveau de confiance de 95 %. La matière première étant le principal coût de production, un modèle de prévision des rendements pourrait aider une conserverie à prévoir les marges brutes de production.
Un autre projet d'apprentissage automatique s'est concentré sur le poids égoutté dans les conserves de thon. Le poids égoutté est indiqué sur les boîtes de conserve et représente la quantité minimale de poids de viande qui reste dans une boîte une fois que son milieu liquide - généralement de l'huile, de la saumure ou de l'eau de source - est égoutté. Il est difficile de prédire le poids égoutté car le thon contenu dans la boîte absorbe une partie du liquide, ce que l'on appelle le "pick-up". De nombreuses variables peuvent influer sur la quantité de "pick-up", notamment l'espèce, le type de liquide, la qualité de la viande, la densité de l'emballage, la taille de la boîte, le rapport entre les écailles et les morceaux, etc. La plupart des conserveries ont mis au point des tableaux de poids égouttés qui aident les responsables de la production à déterminer le poids de remplissage des boîtes. Toutefois, ces tableaux sont simplistes et ne comportent que quelques variables. Ils ne tiennent pas compte de toutes les variables pertinentes et de la manière dont ces variables interagissent les unes avec les autres. Par conséquent, les conserveries sont souvent surprises lorsque les résultats du laboratoire de poids égoutté leur parviennent.
En outre, il existe des limites réglementaires au nombre de boîtes dont le remplissage est insuffisant, ce que l'on appelle l'erreur négative tolérable. Par exemple, le seuil d'un poids égoutté de 102 grammes signifie qu'il ne peut y avoir plus de 2,5 % de boîtes sous-remplies de 4,5 grammes et qu'il n'y a aucune tolérance pour un sous-remplissage extrême de plus de 9 grammes. Comme le processus est imprévisible, les conserveries sur-remplissent volontairement les boîtes de 3 à 6 grammes en moyenne pour s'assurer de ne pas enfreindre les règles de sous-remplissage.
En 2023 et 2024, ThisFish Inc. a travaillé avec deux conserveries de thon à Manta, en Équateur, pour développer un modèle de prédiction du poids égoutté. Nous avons reçu plus de 100 000 échantillons de poids égoutté et de variables connexes de la part d'Eurofish S.A. et de la conserverie SEAFMAN de Tri Marine. Nous avons entraîné deux modèles d'IA distincts, un pour chaque conserverie, en gardant les données séparées en raison des exigences de confidentialité.
Les résultats préliminaires étaient prometteurs. En général, l'IA a réduit l'écart-type des poids égouttés, ce qui indique un meilleur contrôle du processus. Les résultats suggèrent également qu'il est possible d'économiser jusqu'à trois grammes par boîte, en fonction des performances de référence de la conserverie. Un gramme de listao équivaut à environ 500 000 USD de coûts de matières premières chaque année pour une conserverie de 100 tonnes métriques par jour. Il existe 150 conserveries dans le monde qui produisent en moyenne 100 tonnes métriques, ce qui signifie que l'IA pourrait potentiellement permettre au secteur d'économiser entre 75 et 225 millions d'USD en coûts de matières premières chaque année. Une fois les performances améliorées, le modèle d'IA pourrait alors être réappris sur la base des meilleures données, ce qui permettrait de réaliser encore plus d'économies et de renforcer le contrôle.
Vision par ordinateur
Dans l'industrie des produits de la mer, il y a beaucoup d'inspections visuelles sur les matières premières, les produits semi-finis et les produits finis. En général, si les humains peuvent voir quelque chose, nous pouvons programmer l'IA pour qu'elle le voie aussi.
Chez ThisFish Inc, nous avons développé plusieurs algorithmes de vision artificielle pour compter et mesurer les filets de poisson, classer les filets de saumon sur la base de l'échelle de couleurs SalmoFan et détecter cinq types de défauts différents sur les filets de saumon, notamment les trous, les tranchées, la mollesse, les meurtrissures et les cicatrices d'inoculation (sur les poissons d'élevage). Nous travaillons également sur un algorithme permettant d'estimer le poids d'un saumon à partir d'une image. À l'avenir, les modèles pourraient également être entraînés sur des corégones ou des crevettes.
Dans l'industrie du thon, une entreprise technologique japonaise a mis au point le Tuna Scope, qui utilise la vision par ordinateur pour évaluer la qualité du thon frais. ThisFish Inc. a également expérimenté l'utilisation de la vision par ordinateur pour estimer le niveau de salinité de la bonite à ventre rayé congelée, un projet de recherche qui est en cours. Parmi les autres applications, citons l'inspection visuelle des joints de boîtes de conserve ou la détection des bosses et autres défauts sur les boîtes. La plupart des entreprises de transformation des produits de la mer procèdent également à l'inspection des étiquettes des produits finis, une tâche qui pourrait être automatisée par une caméra intelligente.
La vision par ordinateur pourrait rendre l'inspection de la qualité moins coûteuse et plus efficace. Actuellement, la plupart des contrôles de qualité sont effectués par des inspecteurs humains qui prélèvent des échantillons aléatoires pour vérifier la qualité. La vision par ordinateur permet d'automatiser les coûts de main-d'œuvre et de procéder à une inspection continue au lieu d'un échantillonnage aléatoire. Les entreprises de produits de la mer produiraient d'énormes volumes de données d'inspection qui pourraient être utilisées pour prendre de meilleures décisions et réduire les réclamations futiles, puisque les usines de transformation disposeraient d'énormes quantités de données pour prouver qu'elles ont respecté les exigences des clients.
Conclusion
Dans le passé, de nombreuses entreprises du secteur des produits de la mer pensaient qu'elles pouvaient gagner en compétitivité en cachant des données et en manquant de transparence sur leur processus de production ou leur chaîne d'approvisionnement. Avec les exigences croissantes du marché en matière de transparence et d'approvisionnement responsable, ces attitudes deviennent de plus en plus anachroniques. À l'ère de l'information, les entreprises qui découvriront des informations et des modèles cachés dans leurs données grâce à l'intelligence artificielle bénéficieront d'un avantage concurrentiel durable.
Mon conseil aux entreprises qui souhaitent se lancer dans l'IA est simple : numériser, établir des priorités et apprendre. Tout d'abord, numérisez vos données. Sans données, vous n'aurez pas d'IA. Deuxièmement, établissez des priorités en vous concentrant sur les premiers gains et les réductions de coûts grâce à l'automatisation et aux optimisations. Et troisièmement, apprenez au fur et à mesure. Adoptez une approche progressive pour l'introduction de nouvelles technologies numériques.
Si l'IA peut rendre le secteur plus rentable, elle pourrait également s'avérer précieuse pour la durabilité, notamment en aidant à détecter et à éliminer la fraude sur les produits de la mer dans les chaînes d'approvisionnement. Étant donné que l'IA nécessite des données propres, exhaustives et complètes pour des prédictions précises, il y aura de plus en plus d'incitations commerciales à collecter des données de qualité sur la provenance et la traçabilité.
Andrew Ng, professeur à Stanford et expert en IA, a déclaré : "Ce n'est pas celui qui a le meilleur algorithme qui gagne, mais celui qui a le plus de données. C'est celui qui a le plus de données". On pourrait également dire que ce sont ceux qui ont les meilleures données qui gagneront.
NOTE : Cet article a été publié pour la première fois dans le magazine en ligne InfoFish. Cliquez ici pour lire l'article.
NOTES DE BAS DE PAGE
1 Ajay Agrawal, Avi Goldfarb et Joshua Gans Prediction Machines : L'économie simple de l'intelligence artificielle. Harvard Business Review Press, Boston, 2028, pp. 29-30.
2 https://this.fish/software-directory
3 François Mosnier, John Willis, Matt McLuckie. Retours traçables. Planet Tracker. Octobre 2020.
