PREDIA

Bovin allaitant, Bovin lait

Prédiction du moment d'insémination et de sa réussite chez les bovins laitiers et allaitants

CONTEXTE

Si l’agriculture génère un grand nombre de données, l’élevage n’y est pas pour rien ! Entre capteurs, robots et génotypages, le Big Data est une réalité pour les exploitations françaises. Exploitée et analysée, cette masse de données pourrait être un réel atout pour prédire, grâce aux approches d’intelligence artificielle, des évènements complexes et multifactoriels, comme la fertilité ou l’occurrence d’une insémination. Selon Reproscope, l’observatoire de la reproduction des bovins en France, 51% des vaches laitières sont fécondées à la 1ère IA sur la campagne 2018/2019. Ce chiffre augmente légèrement pour atteindre les 57% pour les vaches allaitantes. L’amélioration de la fertilité des élevages apparaît alors clairement comme un levier d’amélioration de l’efficience des exploitations agricoles et des coopératives d’insémination.

© photo : Eliance

Type de programme

Amorçage

Durée

2021/2023

Financement apis-gene

91000 €

Coordination

Pascal Salvetti (Eliance)

objectifs

Le programme vise à évaluer la faisabilité de la prédiction de la réussite et de l’occurrence des inséminations chez les bovins laitiers et allaitants en recourant à l’Intelligence Artificielle (Machine Learning) sur les données disponibles en élevage.

Partenaires

Avancements scientifiques

Grâce aux coopératives d’inséminations (AWE, CECNA, Coopelso, Eleveurs des Savoie, Groupe Altitude, Geniatest, XR Repro, …) qui se sont impliquées dans ce projet innovant et ont recueilli les consentements des éleveurs, une base de données composée de 7 506 élevages laitiers et allaitants a été constituée. En parallèle, après un retour favorable de France Génétique Elevage, des centaines de milliers de données correspondant aux carrières de tous les animaux ayant eu une IA entre 2010 et 2020 dans un cheptel ayant signé le consentement ont été obtenues par extraction directe du SNIG (Système National d’Information Génétique). Par ailleurs, des données complémentaires de monitoring des chaleurs (Sensehub®), des données sanitaires et des données échographiques pourront être utilisées en complément dans le but d’améliorer les performances des algorithmes. Les 1^ers modèles de prédiction ont été focalisés sur la fertilité, afin de pouvoir détecter les femelles non gestantes. Quatre modèles de prédiction de la fertilité, basés sur la technique de Random Forest, ont été créés de manière indépendante. A ce stade du programme, les éléments analysés suggèrent que les variables à disposition ne sont pas suffisantes pour discriminer efficacement les femelles gestantes des non gestantes, et ne permettent pas à prédire l’issue de la gestation après IA. Ces conclusions mettent en lumière le travail qu’il reste à effectuer sur les données complémentaires dans la suite du programme pour évaluer si leur intégration permet d’améliorer les performances actuelles des modèles de prédiction.