Notes terrain depuis des expériences IA et IoT

Pendant mon stage IA et IoT chez AZLink, j’ai travaillé autour d’idées de suivi de cultures : des capteurs sur le terrain, une interface mobile pour les utilisateurs, et des expérimentations IA pour rendre les informations collectées plus faciles à chercher et à comprendre.

Le vrai problème

La partie intéressante n’était pas un outil isolé. C’était la distance entre le signal brut et la décision utile.

Un capteur peut mesurer quelque chose. Une application mobile peut afficher quelque chose. Une fonctionnalité IA peut résumer quelque chose. Mais le système devient vraiment utile seulement quand ces pièces aident quelqu’un à répondre à une question pratique.

Dans le suivi de cultures, cette question peut être simple :

• qu’est-ce qui a changé ?
• quand est-ce que cela a changé ?
• est-ce normal ?
• que faut-il vérifier ensuite ?

Si le système n’aide pas à répondre à cela, la technologie reste seulement décorative.

La forme du prototype

Le prototype connectait plusieurs couches :

• des capteurs Arduino pour les mesures brutes
• une interface Flutter pour rendre les données visibles
• un stockage structuré pour les lectures et le contexte
• des expérimentations Qdrant pour la recherche vectorielle
• des tests orientés RAG pour retrouver des explications pertinentes

L’interface mobile comptait beaucoup. Les données terrain ne sont pas utiles si l’utilisateur doit lutter avec l’écran. L’UI devait rendre les mesures compréhensibles, pas seulement techniquement correctes.

Couche	Rôle	Risque si elle est négligée
Capteurs	Capturer le signal brut	Le système n’a pas de source fiable.
UI mobile	Rendre les mesures lisibles	L’utilisateur voit des données sans pouvoir agir.
Stockage	Garder l’historique et le contexte	Les patterns disparaissent après chaque session.
Recherche	Retrouver notes ou cas liés	L’assistant répond sans ancrage.

{
  "culture": "tomate",
  "mesure": {
    "humidite": 62,
    "temperature": 28.4
  },
  "question": "est-ce normal pour le stade de croissance actuel ?"
}

Ce que l’IA peut apporter ici

L’IA est utile dans ce type de système quand elle reste proche du workflow. Elle ne doit pas remplacer la mesure. Elle doit aider à organiser l’interprétation.

Par exemple, la recherche vectorielle peut aider à retrouver des observations similaires. Un flux RAG peut connecter une mesure actuelle à des notes, des cas précédents ou des explications. Cela crée un chemin entre “la donnée existe” et “la donnée peut être utilisée”.

La meilleure fonctionnalité IA est souvent discrète. Elle réduit le temps entre le moment où l’on remarque quelque chose et le moment où l’on décide quoi faire.

Ce que j’ai appris

La leçon la plus importante est qu’un prototype a besoin d’un centre clair. Si le centre est “utiliser l’IA”, le projet devient vague. Si le centre est “aider quelqu’un à comprendre plus vite l’état d’une culture”, les choix techniques deviennent plus faciles à juger.

C’est la différence entre une démo et un outil utile.