Comment une maison de vins et spiritueux a rendu chaque vignoble visible

Le Challenge

La qualité d’un vin ou d’un spiritueux se joue dans le vignoble, des mois avant le travail en cave. Le sucre, l’acidité et la maturité aromatique doivent s’équilibrer dans une fenêtre étroite, et une récolte décidée trop tôt ou trop tard pèse sur l’ensemble du millésime.

Le client est une grande maison de vins et spiritueux. Elle s’approvisionne auprès de dizaines de milliers d’hectares cultivés par plus de 1 000 viticulteurs indépendants, chacun avec ses propres parcelles, pratiques et microclimat. La maison porte ainsi le risque qualité de décisions prises à l’échelle de la parcelle, loin de ses caves.

Une équipe d’environ une douzaine de personnes surveillait le réseau à pied et sur papier, en ne suivant qu’une parcelle sur dix. Les neuf autres étaient estimées par extrapolation, et les dates de récolte reposaient sur l’expérience du personnel de terrain, à partir d’un échantillon très réduit. Chaque saison, des décisions mal calées coûtaient de la qualité, du rendement, ou les deux : les fruits étaient cueillis trop tôt ou laissés sur pied au-delà de leur apogée.

Le client avait besoin d’une visibilité continue sur l’ensemble de sa base d’approvisionnement, ainsi que d’un moyen d’orienter son expertise de terrain, limitée, là où elle compte le plus.

La Solution

Un moteur de suivi des récoltes a été construit sur des images satellites haute fréquence, dans le visible et l’infrarouge, analysées à l’échelle de la parcelle avec un taux de revisite élevé. Les bandes infrarouges révèlent la vigueur et le stress de la vigne, invisibles depuis la route. Le résultat est une carte unique de dizaines de milliers d’hectares, actualisée tout au long de la saison.

Des modèles de machine learning ont été entraînés pour suivre la maturité et prédire la bonne fenêtre de récolte de chaque parcelle. Chaque parcelle de viticulteur dispose ainsi de sa propre date de récolte, au lieu d’une moyenne régionale.

Les prédictions ont été remises à l’équipe viticole afin que les visites ciblent les risques signalés, et intégrées à son quotidien de travail. Les experts de terrain gardent la décision finale.

Le pipeline d’imagerie, les modèles et la routine opérationnelle ont été conçus comme des composants réutilisables, afin que le groupe puisse étendre l’approche à ses autres régions d’approvisionnement.

L'Impact

Couverture : 100 % du vignoble est désormais suivi ; le client ne dépend plus d’un échantillon d’une parcelle sur dix.

Anticipation : les fenêtres de récolte sont prédites 5 à 8 jours plus tôt, parcelle par parcelle, ce qui laisse au client et aux viticulteurs le temps de planifier la cueillette et la réception.

Productivité : l’équipe de terrain est huit fois plus productive. La même douzaine d’experts couvre l’ensemble de la base d’approvisionnement et se concentre sur les parcelles qui ont besoin d’eux, avec des données derrière chaque décision.

Portée plus large : l’article soutient que le machine learning appliqué aux matières premières, à la source, peut agir sur la qualité, le rendement et le calendrier d’une manière que l’IA générative dans les fonctions support ne peut pas atteindre. L’approche s’applique à toute activité dont la qualité du produit se joue en amont, comme dans les champs, les forêts ou les réseaux de fournisseurs.