🍒 Modèle IA – Aide au déclenchement de la récolte de cerise

(Burlat & Summit – Référentiel CTIFL)

📌 Contexte du projet

Ce projet a été réalisé dans un cadre expérimental et pédagogique, avec des contraintes fortes liées à :

Infrastructure : entraînement LoRA limité à Mistral‑7B‑Instruct v0.3 sur Google Colab, avec compatibilités restreintes et ressources GPU modestes.
Dataset : construit à partir des références CTIFL pour la maturité des cerises, volontairement limité à deux variétés (Burlat et Summit).
- L’espace combinatoire était fini (≈314 configurations), ce qui a permis un apprentissage exhaustif mais restreint.
- La génération de données plus vaste n’était pas possible à cause de l’instabilité des LLM frontier ce jour là (charges serveurs, mises à jours ?) et du coût de validation.
Objectif : démontrer qu’un modèle IA peut apprendre un raisonnement expert discret et explicable à partir d’un dataset propre et limité.
- Il ne s’agit pas d’un modèle prédictif continu, mais d’un outil d’aide à la décision basé sur des règles agronomiques qualitatives.
- Le projet illustre la faisabilité d’un système expert appris par IA, dans un contexte contraint.

⚠️ Limites connues :

Le modèle ne couvre pas toutes les variétés CTIFL.
Il ne prend pas en compte les facteurs climatiques, culturaux ou contextuels.
Les résultats doivent être interprétés comme un support pédagogique et démonstratif, et non comme un outil opérationnel universel.

🎯 Finalité réelle : proposer une preuve de concept d’IA explicable en agronomie, montrant comment un raisonnement expert peut être capturé par un petit modèle via SFT LoRA, dans un cadre limité mais reproductible.

🎯 Objectif

Ce dépôt présente un modèle IA spécialisé destiné à l’aide au déclenchement du stade de récolte de la cerise, pour les variétés Burlat et Summit, à partir d’un raisonnement agronomique expert inspiré des références CTIFL.

Le modèle classe chaque situation dans l’un des trois stades suivants :

Récolte trop précoce
Récolte à maturité optimale
Récolte trop tardive

Il s’agit d’un outil d’aide à la décision, et non d’un modèle de prédiction physico-chimique continue.

📥 Entrées du modèle

Variété : Burlat ou Summit
Couleur : entier de 2 à 6 (code couleur CTIFL)
Fermeté : Très ferme · Ferme · Moyen · Insuffisant
IR (sucres) : Très sucré · Sucré · Moyen · Insuffisant
Acidité : Acide · Acidulé · Moyen · Peu acide

🧠 Logique

La couleur est l’indicateur principal du stade de récolte.
Les critères fermeté, sucres et acidité sont secondaires.
Le raisonnement est qualitatif, discret et explicite, proche de la pratique terrain.

Le modèle est entraîné pour reproduire ce raisonnement expert, pas pour extrapoler hors référentiel.

📊 Dataset

300 lignes d’entraînement
Dataset expert-driven, volontairement peu bruité
L’espace combinatoire agronomiquement cohérent est fini (≈314 configurations)

La convergence rapide du modèle est une propriété structurelle attendue, pas un artefact.

⚙️ Entraînement

Modèle de base : Mistral-7B-Instruct
Méthode : LoRA (Supervised Fine-Tuning)
Durée : 3 epochs
Objectif : apprentissage d’une frontière de décision experte

✅ Résultats et limites connues

Prédictions stables et cohérentes sur la majorité des cas
Zone frontière identifiée pour certains cas Summit – Couleur 5, selon les indicateurs secondaires

Cette ambiguïté est :

réaliste agronomiquement,
documentée,
assumée.

🧩 Cas d’usage

Aide à la décision de récolte
Démonstration d’un système expert appris par IA
Support pédagogique (agronomie, IA explicable)
Intégration possible dans des agents ou workflows automatisés

⚠️ Avertissement

Ce modèle :

ne remplace pas l’expertise humaine,
ne prend pas en compte le contexte climatique ou cultural,
doit être utilisé comme outil d’aide, pas comme oracle.

👤 Auteur

Projet développé par Jérôme
Approche : systèmes experts, IA explicable, agronomie appliquée.

🍒 AI Model – Cherry Harvest Timing Decision Support

(Burlat & Summit – CTIFL-based reasoning)

📌 Project Context

This project was carried out in an experimental and educational framework, under strong constraints related to:

Infrastructure: LoRA fine‑tuning limited to Mistral‑7B‑Instruct v0.3 on Google Colab, with restricted compatibility and modest GPU resources.
Dataset: built from CTIFL references for cherry maturity, deliberately limited to two varieties (Burlat and Summit).
- The combinatorial space was finite (≈314 configurations), allowing exhaustive but restricted training.
- A larger dataset generation was not possible due to the instability of frontier LLMs at that time (server load, ongoing updates?), which made outputs inconsistent and unsuitable for scaling.
Objective: to demonstrate that an AI model can learn a discrete, expert‑driven, and explainable reasoning process from a clean and limited dataset.
- This is not a continuous physico‑chemical prediction model, but a decision‑support tool based on qualitative agronomic rules.
- The project illustrates the feasibility of an expert system learned by AI, within a constrained but reproducible context.

⚠️ Known limitations:

The model does not cover all CTIFL cherry varieties.
It does not take into account climatic, cultural, or contextual factors.
Results should be interpreted as a pedagogical and demonstrative support, not as a universal operational tool.

🎯 Real purpose: to provide a proof of concept of explainable AI in agronomy, showing how expert reasoning can be captured by a small model via LoRA fine‑tuning, within a limited but meaningful framework.

🎯 Goal

This repository presents a specialized AI model designed to support cherry harvest timing decisions for Burlat and Summit, based on expert agronomic reasoning inspired by CTIFL references.

The model outputs one of three stages:

Harvest too early
Harvest at optimal maturity
Harvest too late

This is a decision-support tool, not a continuous physico-chemical predictor.

📥 Inputs

Variety: Burlat or Summit
Color: integer from 2 to 6 (CTIFL color code)
Firmness: Very firm · Firm · Medium · Insufficient
Sugars (IR): Very sweet · Sweet · Medium · Insufficient
Acidity: Acidic · Tangy · Medium · Low acidity

🧠 Logic

Color is the primary signal.
Firmness, sugars, and acidity are secondary indicators.
The model reproduces a discrete expert decision process, similar to field practice.

📊 Dataset

300 training samples
Expert-driven, low-noise dataset
Finite valid configuration space (≈314 combinations)

⚙️ Training

Base model: Mistral-7B-Instruct
Method: LoRA (SFT)
Training: 3 epochs, fast convergence

✅ Results & limitations

Overall stable and coherent predictions
A known borderline zone for some Summit – Color 5 cases

This ambiguity is realistic, documented, and intentionally preserved.

🧩 Use cases

Harvest decision support
AI-learned expert system demonstration
Teaching material (agronomy, explainable AI)
Agentic and automation workflows

Downloads last month: -; Downloads are not tracked for this model. How to track

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support