Inari révolutionne le monde des semences avec une plateforme innovante basée sur l’IA

Une solution innovante qui redéfinit la durabilité dans le secteur agricole

des entreprises les plus enthousiasmantes et prometteuses dans le secteur des technologies agricoles. Elle a d’ailleurs été élue "Entreprise AgTech de l’année 2023" lors des prestigieux AgTech Breakthrough Awards.

L’ambition d’Inari est claire : aider les producteurs des principales cultures mondiales à mieux résister aux impacts du changement climatique, tout en réinventant la durabilité du système alimentaire mondial.

En combinant un design prédictif alimenté par l’IA avec une technologie de modification génétique multiplexe, Inari vise à augmenter les rendements du blé, du soja et du maïs jusqu’à 20 %, tout en réduisant l’usage d’engrais azotés et la consommation d’eau de 40 % pour le maïs.

Autrement dit : produire plus avec beaucoup moins de ressources – terres, eau et azote. Des objectifs ambitieux, à la hauteur des enjeux et de la mission que s’est fixée Inari.

Pourquoi SoftwareOne?

Inari a consulté plusieurs prestataires spécialisés en intelligence artificielle, mais a finalement choisi SoftwareOne pour son expertise inégalée et sa compréhension immédiate des enjeux à venir. La gestion de projet, malgré la complexité de la solution à déployer, a été exemplaire. SoftwareOne a su instaurer la confiance en découpant chaque décision technique en options claires et recommandations détaillées. Le processus – de la première discussion à une plateforme opérationnelle en production – n’a pas dépassé neuf mois. Après avoir testé la plateforme avec succès sur trois projets pilotes Inari, SoftwareOne a rédigé un guide complet permettant aux scientifiques de lancer et piloter leurs projets de manière autonome – une capacité qu’ils n’avaient jamais eue auparavant.

Relever les défis : unifier le machine learning et maîtriser la complexité des données

Inari utilise le machine learning pour "expérimenter" sur les plantes via sa plateforme technologique propriétaire, SEEDesign™.

« Mais voici la première difficulté », explique Alex Frieden, Directeur de l’ingénierie chez Inari.
« Nous sommes une organisation extrêmement diversifiée, composée d’ingénieurs logiciels, de scientifiques spécialisés en machine learning, de généticiens du maïs, de sélectionneurs de plantes, et de nombreux autres experts, chacun utilisant la data science et l’IA pour des objectifs très différents.
L’un des grands défis que nous avons rencontrés, c’est l’absence de savoir-faire centralisé, ou d’une méthodologie commune et cohérente pour mener nos expérimentations en ML. »

Le second défi, étroitement lié au premier, concernait la donnée elle-même : son origine, sa complexité, ses formats… et surtout son volume colossal.
La génétique végétale est d’une complexité impressionnante : par exemple, le génome du blé est cinq fois plus grand que celui de l’homme.

« Les rôles étaient fragmentés… et les données aussi », poursuit Frieden.
« Chacun avait sa propre manière de concevoir ses expériences, avec des outils et des jeux de données différents. Les sources de données étaient multiples et très disparates : nos propres recherches, des laboratoires universitaires, des bases publiques, des données achetées, etc.
Nous utilisions un outil appelé Quilt pour suivre la traçabilité des données, mais son usage n’était pas systématique. »

« En résumé, nous avions besoin d’imposer une manière de travailler plus uniforme et automatisée pour nos projets de data science et de machine learning.
Notre approche était trop chronophage, le manque d’optimisation des calculs faisait grimper les coûts, et surtout : cela nuisait à la rigueur scientifique. Les expériences n’étaient pas reproductibles, manquaient de visibilité opérationnelle, et les résultats devenaient difficiles à comparer. »

Partenariat avec SoftwareOne : Accélérer la recherche, faire avancer la science et stimuler l’innovation

Inari a échangé avec plusieurs partenaires potentiels, mais a finalement choisi SoftwareOne.
« Nous avons beaucoup apprécié nos échanges avec l’équipe IA de SoftwareOne. Ils nous ont vraiment convaincus par la profondeur de leur expertise », explique Alex Frieden. « Ils ont tout de suite compris nos enjeux. Et surtout, ils nous ont compris. »

La mission confiée ?
Concevoir une plateforme capable d’assurer une gouvernance de bout en bout des jeux de données, de standardiser les outils de workflow à l’échelle d’Inari, et de démocratiser l’usage du Machine Learning.

De la première discussion à une plateforme ML opérationnelle : moins de neuf mois.

La seule exigence non négociable d’Inari : que la solution repose sur AWS.
Cela impliquait une gestion fine des droits d’accès via AWS Identity and Access Management (IAM), et l’intégration de technologies de cluster à scalabilité automatique comme Elastic Kubernetes Service et Databricks, offrant un modèle économique flexible à la consommation ("pay-as-you-go").

« En dehors de notre volonté d’utiliser AWS, tout le reste était ouvert à la discussion », conclut Frieden.

« La manière dont SoftwareOne a structuré ses propositions et ses recommandations a grandement contribué à instaurer la confiance », ajoute Frieden.
« Ils ne se contentaient pas de dire : "Voici ce que nous recommandons". Ils présentaient différentes options, les avantages et les inconvénients de chacune, puis nous faisaient part de leur avis éclairé.
Par exemple, pour les fonctionnalités de machine learning, SoftwareOne nous a proposé trois solutions : MLflow sur Databricks, SageMaker (la plateforme ML d’Amazon), et Kubeflow.

« Même si MLflow sur Databricks pouvait être l’option la plus coûteuse, son principal atout est de proposer une stack unifiée pour le machine learning et le traitement de données.
Après de nombreuses discussions détaillées et bien documentées grâce aux apports de SoftwareOne, c’est finalement cette solution que nous avons choisie. »

Nous n’avons pas ici l’espace nécessaire pour analyser la plateforme dans toute sa complexité, mais nous pouvons en résumer les principaux bénéfices à un niveau stratégique.

Les données issues de bases publiques, du phénotypage chez Inari ou d’autres laboratoires, ainsi que les métadonnées associées, sont organisées dans des « buckets » distincts en amont de la première analyse primaire, préalable indispensable au traitement en machine learning.

« À cette étape, il s’agit principalement de transformer les données brutes de séquençage ADN en formats exploitables pour le machine learning », explique Frieden.  « C’est une phase où de nombreux data scientists avaient besoin d’un fort soutien de l’équipe d’ingénierie.
Grâce à la plateforme SoftwareOne, ils peuvent désormais lancer et piloter leurs projets de manière autonome, d’autant plus que les analyses secondaires et tertiaires ont été automatisées. »

Au cœur de l’architecture de la plateforme : Databricks, accompagné d’outils tels que :

• Quilt, pour la gestion des métadonnées et la traçabilité des données (lineage)
• Airflow, pour l’orchestration des workflows
• MLflow, pour la gestion opérationnelle des modèles ML (MLOps)

« Databricks offre de nombreux avantages stratégiques », souligne Frieden. « C’est une plateforme scalable qui encourage les bonnes pratiques et permet de réduire considérablement les temps d’exécution des workflows. »

Parmi les autres bénéfices clés de Databricks mentionnés par Frieden :

• Un environnement de clusters distribués, plus résilient et performant
• Une expérience de développement familière pour les bioinformaticiens, via les notebooks, avec contrôle de version intégré et fonctionnalités de collaboration
• Une infrastructure maintenue de manière cohérente et homogène
• Un espace centralisé pour gérer efficacement les modèles ML selon les meilleures pratiques

Un impact transformationnel : une recherche plus rapide, plus rentable, et une science renforcée

« Les transformations de données qui prenaient auparavant énormément de temps et de puissance de calcul se font désormais en un claquement de doigts, ou presque », affirme Alex Frieden. « La complexité a été largement réduite pour les scientifiques d’Inari, et les analyses en machine learning s’exécutent beaucoup, beaucoup plus rapidement. »

Dans le cadre du déploiement de la plateforme, SoftwareOne a mené trois projets pilotes pour Inari sur cette nouvelle infrastructure.
« Il était difficile de comparer les résultats obtenus avec ceux d’avant, car nos anciens projets n’étaient pas exécutés de manière uniforme.
D’ailleurs, ce manque de standardisation dans les comparaisons était précisément l’une des raisons majeures qui nous ont poussés à adopter la plateforme SoftwareOne ! »

« Cela dit, les gains en vitesse sont indéniables », poursuit Frieden.
« Dans une analyse “propre” et comparable, la plateforme SoftwareOne a permis de réaliser une expérience qui prenait auparavant 24 heures… en seulement 20 minutes. »

Mais le bénéfice ne se limite pas à la vitesse : les coûts ont eux aussi considérablement diminué, grâce à la capacité de la plateforme à s’auto-dimensionner : elle alloue automatiquement les ressources nécessaires en fonction des besoins de calcul, optimisant ainsi l’utilisation de l’infrastructure.

« Avant SoftwareOne, il fallait qu’une personne configure un serveur, exécute une tâche, éteigne le serveur, puis passe à la plateforme ML, récupère les résultats, et les transfère manuellement… Chaque étape générait des coûts de calcul.
Aujourd’hui, nous avons un pipeline unique et automatisé qui gère l’ensemble de ces étapes. »

Certes, ces gains de performance ne permettent pas de raccourcir le cycle de mise sur le marché des semences – un processus agricole qui se compte en années – mais ils permettent d’accélérer la validation des idées, ce qui change la donne.

« Et cela est crucial pour nous », conclut Frieden, « car cela signifie que nous pouvons plus rapidement protéger nos innovations via des dépôts de propriété intellectuelle – et les sécuriser au nom d’Inari. »