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

jeromex1/lyra_Oidium_mistral7B_LoRA

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

🎯 Objectif du modèle