modele-classification-intentions-agricoles

Agricultural Intention Classifier (French version below )

This model is a text classifier for agricultural user intentions, trained on a dataset of farmer questions in French. It identifies the type of request a user makes, such as seeking technical advice, validation, or planning.

Use case

This classifier is intended to power an AI assistant for farmers, helping to route the user's question to the right processing module (calendar, technical, validation, etc.).

Classes

The model predicts one of the following 7 intention labels:

• alert / prevention
• calendar / planning
• recommendation / advice
• technical question
• validation request
• optimization
• problem solving

How to use

from joblib import load

# Load the model
model = load("model_svc_intention_predictor.joblib")

# Example prediction
question = "Can I plant millet just before the rainy season?"
prediction = model.predict([question])[0]
print("Predicted intention:", prediction)

🇫🇷 Version Française

Ce modèle est un classifieur d’intention en contexte agricole, entraîné sur un corpus de questions posées par des agriculteurs en français. Il permet d’identifier le type de demande exprimée par l’utilisateur (ex : conseil, validation, calendrier...).

Cas d’usage

Ce modèle est conçu pour alimenter un assistant vocal intelligent dédié aux agriculteurs, capable d’interpréter automatiquement les intentions pour orienter les requêtes vers les bons modules de traitement.

Intention prédite (7 classes) :

• alerte / prévention
• calendrier / planification
• conseil / recommandation
• question technique / pratique
• demande de validation
• optimisation / amélioration
• problème / résolution

Exemple d'utilisation

from joblib import load

# Charger le modèle
model = load("model_svc_intention_predictor.joblib")

# Exemple de prédiction
question = "Puis-je planter du mil juste avant la saison des pluies ?"
prediction = model.predict([question])[0]
print("Intention prédite :", prediction)

Model trained using scikit-learn and TF-IDF vectorization (max_features=2000), based on a cleaned and labeled dataset.