Trois raisons guident ce choix, pas une posture marketing : la souveraineté — les données de culture, les échanges avec notre assistant, les photos de plantes, ne quittent jamais notre infrastructure, conformément à la nLPD/LPD suisse ; la confidentialité — aucun tiers, aucun fournisseur cloud étranger, n'a accès à ces données ; la latence et le coût à l'échelle — un traitement local évite les allers-retours réseau et les coûts d'API qui grandissent avec le volume, un critère qui compte dès qu'on pense à un réseau de cultures plutôt qu'une seule box.

HelvetGreen s'appuie sur plusieurs modèles de langage open-source, hébergés sur notre propre infrastructure de calcul — jamais un service cloud externe. Plutôt qu'un modèle unique généraliste, chaque usage est confié au modèle le plus adapté :

Notre assistant de formation Academy s'appuie sur une base documentaire scientifique interrogeable par similarité de sens plutôt que par simple mot-clé (une approche dite RAG — retrieval-augmented generation). Le principe : chaque source documentaire est indexée, une question posée est comparée à cette base, et les passages les plus pertinents sont utilisés pour construire une réponse ancrée dans des sources réelles — ce qui limite les réponses inventées, une réponse s'appuie sur ce qui a réellement été indexé et peut être citée.

Un modèle d'analyse d'image dédié observe les photos de culture prises régulièrement et évalue des indicateurs visuels de croissance et de santé de la plante — un complément à la surveillance continue des paramètres climatiques (température, humidité, VPD, CO2), qui elle aussi déclenche des alertes intelligentes en cas d'écart.

Par honnêteté : certaines pistes ne sont aujourd'hui que des concepts, pas des fonctionnalités en production — notamment une réplique numérique d'installation capable de simuler l'effet d'un changement de paramètre avant de l'appliquer réellement. C'est une piste de collaboration future avec des partenaires de recherche, pas un outil disponible aujourd'hui.