lyra_Oidium_mistral7B_LoRA

Modèle de prévision du risque d’Oïdium – Vigne (Mistral 7B SFT)

➡️ English version

---

🎯 Objectif du modèle

Ce modèle est un Mistral 7B spécialisé (SFT) dans l’évaluation du risque d’oïdium de la vigne et la génération de recommandations agronomiques opérationnelles, à partir d’un nombre limité mais pertinent de variables météorologiques et biologiques.

Il a été conçu pour dépasser une simple reconnaissance de patterns, et apprendre une logique décisionnelle conditionnelle, proche du raisonnement d’un expert terrain.

---

🌱 Variables prises en compte

Le modèle raisonne à partir des entrées suivantes :

• Stade phénologique
• Température moyenne (24 h)
• Humidité relative (proxy de durée ≥ seuil sur 24 h)
• Pluie sur 24 h (booléen)
• Inoculum (proxy normalisé 0–1)
• ETP (mm/j, proxy d’assèchement)

Une attention particulière est portée aux cas frontières, par exemple :

• humidité élevée mais forte ETP,
• pluie récente suivie d’un assèchement rapide,
• conditions proches des seuils critiques.

---

📊 Qualité du dataset et entraînement

Dataset

• Entraînement : 1500 lignes
• Évaluation : 100 lignes
• Répartition des classes : 30 % faible / 40 % moyen / 30 % élevé
• Aucun doublon (train / eval / croisé)
• 112 cas frontières explicitement intégrés

Entraînement

• SFT réalisé sous Google Colab (GPU L4)
• Durée : ~15 minutes
• 3 epochs
• Convergence stable (pas d’overfitting)

---

🧪 Résultats – Évaluation agronomique qualitative

Sur une série de tests d’inférence ciblés (cas simples + cas frontières) :

• ≈ 85–90 % des décisions sont pleinement valides agronomiquement
• Les rares écarts observés correspondent à des choix prudents (sur-classement moyen → élevé)
• Aucun cas incohérent ou biologiquement aberrant n’a été observé

Ces résultats indiquent que le modèle :

• comprend les interactions pluie / humidité / ETP,
• adapte ses recommandations au stade phénologique,
• respecte strictement le format de sortie attendu.

Le modèle est donc opérationnel en l’état, sans nécessité de micro-ajustement supplémentaire.

---

🔧 Cas d’usage

• Aide à la décision agronomique
• Surveillance du risque phytosanitaire
• Intégration dans des workflows automatisés (ex. n8n)
• Démonstrateur IA agronomique open-source

⚠️ Ce modèle ne remplace pas une expertise humaine locale et doit être utilisé comme outil d’aide à la décision.

---

📌 Statut

• Modèle validé qualitativement
• Déployé sur Hugging Face
• Prêt pour intégration API / workflow

---

English version

🎯 Model purpose

This model is a specialized Mistral 7B (SFT) designed to assess powdery mildew (Oidium) risk in vineyards and generate actionable agronomic recommendations based on a limited yet informative set of meteorological and biological variables.

It is designed to learn conditional decision logic, not only pattern recognition.

---

🌱 Input variables

• Phenological stage
• Mean temperature (24 h)
• Relative humidity (proxy for ≥ threshold duration)
• Rainfall (24 h, boolean)
• Inoculum pressure (normalized proxy 0–1)
• Reference evapotranspiration (ETP, mm/day)

The model explicitly handles borderline and contradictory scenarios, such as high humidity combined with strong drying conditions.

---

📊 Dataset and training quality

• Training set: 1500 samples
• Evaluation set: 100 samples
• Class distribution: 30 % low / 40 % medium / 30 % high risk
• No duplicates (train / eval / cross)
• 112 explicit borderline cases

Training details:

• Supervised Fine-Tuning (SFT)
• GPU: L4 (Google Colab)
• 3 epochs, stable convergence

---

🧪 Agronomic validity assessment

Based on targeted inference tests:

• ~85–90 % of decisions are agronomically valid
• Remaining cases reflect conservative but defensible choices
• No biologically incoherent outputs observed

The model demonstrates reliable reasoning over humidity, rainfall, ETP, and phenological sensitivity.

---

🔧 Use cases

• Agronomic decision support
• Vineyard disease risk monitoring
• Automated pipelines (e.g. n8n)
• Open-source agronomic AI demonstration

⚠️ This model is an assistive tool and does not replace local expert judgment.

---

📌 Status

• Qualitatively validated
• Deployed on Hugging Face
• Ready for API and workflow integration