---
language:
- fr
- en
license: apache-2.0
tags:
- agronomy
- viticulture
- plant-disease
- oidium
- mistral
- sft
- lora
- decision-support
pipeline_tag: text-generation
model_name: Oidium_Mistral7B_SFT
---

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

➡️ **[English version](#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