Standardisation des Données de Dégâts sur les Plantes : L’Apport de la Taxonomie EPPO et des Grands Modèles de Langage

Introduction

La gestion raisonnée des interactions entre les organismes et les plantes repose sur la qualité et l’homogénéité des données disponibles. Les bases de données recensant les dégâts causés aux plantes souffrent souvent d’hétérogénéité taxonomique, freinant la synthèse et l’exploitation à grande échelle. Cette étude innovante, menée par INRIA, IRD et INRAE, se penche sur la normalisation de ces données à l’aide de la taxonomie EPPO (European and Mediterranean Plant Protection Organization), couplée à la puissance des grands modèles de langage (LLMs).

Contexte et Enjeux de la Standardisation

L’accumulation de données sur les dégâts aux plantes dans divers contextes géographiques et scientifiques crée un défi majeur : la disparité dans la désignation des taxons. Cette variabilité peut entraîner l’impossibilité de relier des informations complémentaires ou de fusionner plusieurs jeux de données, essentielle pour les synthèses globales et l’aide à la décision.

L’EPPO fournit une classification taxonomique structurée et largement reconnue, tandis que les LLMs comme GPT offrent des capacités avancées de traitement automatique du langage. Leur association promet une avancée significative dans la structuration homogène des données.

Méthodologie de Normalisation des Jeux de Données

Sélection et Préparation des Données

Plusieurs jeux de données internationaux sur les dégâts causés aux plantes, comportant des entrées hétérogènes en termes de taxonomie botanique et de noms d’organismes responsables, ont été sélectionnés. Ces bases comprenaient des libellés vernaculaires, latins, abréviations ou termes ambigus, sources de confusion lors des croisements de données.

Application de la Taxonomie EPPO

La taxonomie EPPO, qui fournit des codes uniques et une structuration rigoureuse des espèces, a été employée comme référentiel principal. L'objectif : mapper systématiquement les désignations des organismes rencontrées dans les jeux de données vers des identifiants EPPO standardisés.

Intégration des Grands Modèles de Langage

Les LLMs, entraînés à la reconnaissance des entités nommées et à la normalisation taxonomique, ont été utilisés pour automatiser la correspondance entre les entrées textuelles (parfois très hétéroclites) et la nomenclature EPPO. Ils permettent la désambiguïsation des termes imprécis, la reconnaissance de synonymes et l’alignement multilingue, tout en réduisant l’intervention humaine.

Résultats Principaux

Amélioration du Taux de Reconciliations

L’utilisation couplée des LLMs et de la taxonomie EPPO a permis d’atteindre des taux de correspondance supérieurs à ceux obtenus par des méthodes conventionnelles manuelles ou basées sur des régularités simples. Les modèles ont pu gérer plus efficacement les variations orthographiques, les abréviations ou même les erreurs de transcription.

Réduction de l’Ambiguïté Taxonomique

Grâce à la désambiguïsation contextuelle offerte par les LLMs, et à la robustesse du référentiel EPPO, le taux d’assignations correctes à l’espèce ou au groupe cible a augmenté significativement. Cela donne aux gestionnaires de données et aux chercheurs la possibilité de fusionner des bases autrefois incompatibles ou de réaliser des analyses à large échelle sans pertes d’information.

Accélération des Processus

Le traitement automatique de l’ensemble des jeux de données, même volumineux, a considérablement réduit le temps nécessaire à la standardisation taxonomique, dégageant des gains opérationnels notables.

Impacts et Applications

Surveillance et Gestion des Pathogènes

En proposant une base normalisée, cette méthode facilite la détection de tendances globales, la détection de mouvements émergents d'organismes nuisibles et l’élaboration de politiques phytosanitaires coordonnées à l’échelle internationale.

Valorisation du Big Data en Agronomie

L’interopérabilité des jeux de données standardisés ouvre des perspectives en analyse prédictive, modélisation épidémiologique, et déploiement d’outils d’aide à la décision utilisant l’intelligence artificielle.

Transférabilité et Perspectives

La méthodologie développée s’avère transposable à d’autres jeux de données écologiques ou biotiques, pour peu qu’une taxonomie de référence soit disponible. Elle marque un tournant dans la capacité à tirer parti de l’explosion des données en sciences du vivant.

Limites et Défis Restants

Certaines entrées très ambiguës ou totalement inconnues des catalogues de référence demeurent problématiques. La qualité des résultats dépend aussi de l’entraînement des LLMs et de la maintenance de la taxonomie EPPO. Le travail humain de vérification reste parfois nécessaire sur des cas limites ou pour enrichir le référentiel.

Conclusion

L’intégration intelligente de la taxonomie EPPO et des grands modèles de langage offre une solution robuste, évolutive et efficace pour standardiser les bases de données sur les dégâts aux plantes. Cette approche favorise l’interopérabilité et la valorisation scientifique, ouvrant la voie à une exploitation accrue des ressources agronomiques et environnementales à l’échelle internationale.

Source : https://www.sciencedirect.com/science/article/pii/S2772375526000614?dgcid=rss_sd_all