L’IA ouvre un champ de possibilités en élevage de volailles.
L’élevage avicole n’échappe pas à la révolution de l’intelligence artificielle (IA). Mais à ses débuts, l’IA doit faire ses preuves quant aux gains de productivité, de santé et de temps.
L’élevage avicole n’échappe pas à la révolution de l’intelligence artificielle (IA). Mais à ses débuts, l’IA doit faire ses preuves quant aux gains de productivité, de santé et de temps.
Si l’intelligence artificielle arrive dans les élevages de volailles, beaucoup d’applications pratiques sont encore à l’état de développement. Cependant on commence à percevoir les possibilités futures qui permettraient de gagner en productivité, en rentabilité, en bien-être animal et aussi en confort pour l’éleveur. Même si l’usage de l’IA est enclenché, il faut encore trouver les outils utiles et efficaces capables de faire la différence sur les performances et la rentabilité.
Lire aussi : La solution IA coMi Sense, à l’écoute des signaux précurseurs de troubles de santé des volailles
L’étape d’entraînement
« On donne à manger de la donnée », indiquent les spécialistes. Un important travail d’enregistrement et d’annotation est nécessaire en amont pour « nourrir » l’IA en données. Dans les élevages de volailles, par exemple, des algorithmes sont entraînés à reconnaître un piaillement ou un éternuement afin de déceler des problèmes de santé. Les sons sont enregistrés, puis analysés et annotés par des spécialistes qui indiquent si l’animal piaille, crie ou tousse… « Les sons enregistrés sont transformés en image hyperspectrale, c’est ce que l’on donne à manger au modèle. Une fois entraîné sur des données étiquetées, il est capable de dire ce que fait l’animal avec des sons en continu », expliquait Élodie Doutart, data analyste à Idele lors d’une conférence au Space organisée par l’Itavi le 17 septembre à Rennes. Ainsi, un long travail d’analyse est nécessaire. « Aujourd’hui dix minutes de vidéo, ce sont trente minutes de traitement. Nous avons des marges de progrès mais le matériel évolue et nous travaillons à l’identification du meilleur compromis », reconnaissait Pauline Créac’h de l’Itavi, évoquant les travaux d’imagerie où chaque poulet dans le champ de vision de la caméra est suivi individuellement.
Au service des éleveurs.
Si l’éleveur accède déjà à un grand nombre de données : ambiance, performance, consommation, température… il pourrait avec l’IA renforcer son outil de pilotage au quotidien.
Interrogé, l’éleveur Jérémy Choquet est favorable à l’IA si celle-ci améliore la productivité de ses lots. « Si demain, on pouvait voir en temps réel les lots qui décrochent par rapport à d’autres lots mis en place en même temps et dans les mêmes conditions, on pourrait régler le problème le plus tôt possible dans l’objectif de sortir le plus de tonnage. » Pour le vétérinaire, Jef Reichardt, l’IA doit détecter les signaux faibles. « Une pathologie peut être une petite baisse d’ingéré, une dégradation de l’indice de consommation, un petit épisode fébrile à peine visible par l’éleveur ou le vétérinaire, donc la recherche d’outils qui détectent les signaux faibles est vraiment importante pour tous », explique-t-il. Pour d’autres, l’IA doit apporter du confort de travail à l’éleveur. Demain, le couplage de l’IA au boîtier de régulation est fortement envisagé.
L'éleveur Jérémy Choquet.
Faire ses preuves
Or, les perspectives et les travaux étant nombreux, il faut être vigilant sur le type de modèle proposé, alertent les spécialistes. « Des modèles simples et utiles que le terrain s’approprie », indique Elodie Doutart. Mais l’IA nécessite l’apport de capitaux et, doit convaincre pour gagner du terrain. « Les équipementiers voudront connaître le retour sur investissement avant tout développement. Il faut montrer le potentiel de gain technique et économique pour l’éleveur. Et ensuite, l’étape de déploiement viendra toute seule », conclut Pauline Créac’h.
Emmanuelle Le Corre
Trois définitions pour mieux comprendre l’intelligence artificielle
L’intelligence artificielle est un processus d’imitation de l’intelligence humaine qui repose sur la création et l’application d’algorithmes exécutés dans un environnement informatique dynamique.
Le machine learning (ou apprentissage automatique) est une sous-catégorie de l’intelligence artificielle. C’est un ensemble de techniques fondées sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d’apprendre à partir de données.
Le deep learning (ou apprentissage profond) est un sous-domaine du machine learning. Il correspond à toutes les techniques de réseaux de neurones artificiels. Les modèles de deep learning peuvent auto-apprendre et s’améliorer en utilisant les commentaires provenant d’erreurs connues. Mais pour fonctionner de façon optimale, le deep learning a besoin d’une quantité importante de données.