Modèle de prévision du risque d’Oïdium – Vigne (Mistral 7B SFT)
🎯 Objectif du modèle
Ce modèle est un Mistral 7B spécialisé (SFT) dans l’évaluation du risque d’oïdium de la vigne et la génération de recommandations agronomiques opérationnelles, à partir d’un nombre limité mais pertinent de variables météorologiques et biologiques.
Il a été conçu pour dépasser une simple reconnaissance de patterns, et apprendre une logique décisionnelle conditionnelle, proche du raisonnement d’un expert terrain.
🌱 Variables prises en compte
Le modèle raisonne à partir des entrées suivantes :
- Stade phénologique
- Température moyenne (24 h)
- Humidité relative (proxy de durée ≥ seuil sur 24 h)
- Pluie sur 24 h (booléen)
- Inoculum (proxy normalisé 0–1)
- ETP (mm/j, proxy d’assèchement)
Une attention particulière est portée aux cas frontières, par exemple :
- humidité élevée mais forte ETP,
- pluie récente suivie d’un assèchement rapide,
- conditions proches des seuils critiques.
📊 Qualité du dataset et entraînement
Dataset
- Entraînement : 1500 lignes
- Évaluation : 100 lignes
- Répartition des classes : 30 % faible / 40 % moyen / 30 % élevé
- Aucun doublon (train / eval / croisé)
- 112 cas frontières explicitement intégrés
Entraînement
- SFT réalisé sous Google Colab (GPU L4)
- Durée : ~15 minutes
- 3 epochs
- Convergence stable (pas d’overfitting)
🧪 Résultats – Évaluation agronomique qualitative
Sur une série de tests d’inférence ciblés (cas simples + cas frontières) :
- ≈ 85–90 % des décisions sont pleinement valides agronomiquement
- Les rares écarts observés correspondent à des choix prudents (sur-classement moyen → élevé)
- Aucun cas incohérent ou biologiquement aberrant n’a été observé
Ces résultats indiquent que le modèle :
- comprend les interactions pluie / humidité / ETP,
- adapte ses recommandations au stade phénologique,
- respecte strictement le format de sortie attendu.
Le modèle est donc opérationnel en l’état, sans nécessité de micro-ajustement supplémentaire.
🔧 Cas d’usage
- Aide à la décision agronomique
- Surveillance du risque phytosanitaire
- Intégration dans des workflows automatisés (ex. n8n)
- Démonstrateur IA agronomique open-source
⚠️ Ce modèle ne remplace pas une expertise humaine locale et doit être utilisé comme outil d’aide à la décision.
📌 Statut
- Modèle validé qualitativement
- Déployé sur Hugging Face
- Prêt pour intégration API / workflow
English version
🎯 Model purpose
This model is a specialized Mistral 7B (SFT) designed to assess powdery mildew (Oidium) risk in vineyards and generate actionable agronomic recommendations based on a limited yet informative set of meteorological and biological variables.
It is designed to learn conditional decision logic, not only pattern recognition.
🌱 Input variables
- Phenological stage
- Mean temperature (24 h)
- Relative humidity (proxy for ≥ threshold duration)
- Rainfall (24 h, boolean)
- Inoculum pressure (normalized proxy 0–1)
- Reference evapotranspiration (ETP, mm/day)
The model explicitly handles borderline and contradictory scenarios, such as high humidity combined with strong drying conditions.
📊 Dataset and training quality
- Training set: 1500 samples
- Evaluation set: 100 samples
- Class distribution: 30 % low / 40 % medium / 30 % high risk
- No duplicates (train / eval / cross)
- 112 explicit borderline cases
Training details:
- Supervised Fine-Tuning (SFT)
- GPU: L4 (Google Colab)
- 3 epochs, stable convergence
🧪 Agronomic validity assessment
Based on targeted inference tests:
- ~85–90 % of decisions are agronomically valid
- Remaining cases reflect conservative but defensible choices
- No biologically incoherent outputs observed
The model demonstrates reliable reasoning over humidity, rainfall, ETP, and phenological sensitivity.
🔧 Use cases
- Agronomic decision support
- Vineyard disease risk monitoring
- Automated pipelines (e.g. n8n)
- Open-source agronomic AI demonstration
⚠️ This model is an assistive tool and does not replace local expert judgment.
📌 Status
- Qualitatively validated
- Deployed on Hugging Face
- Ready for API and workflow integration