Type de document : article scientifique publié dans Animal Health Research
Auteurs : Shadi Nayeri, Mehdi Sargolzae, Dan Tulpan
Résumé en français (traduction) : Le secteur de l’élevage est en train de passer à une ère numérique à haut débit où de grandes quantités d’informations capturées par des systèmes de capteurs électro-optiques, acoustiques, mécaniques et biologiques sont stockées et analysées quotidiennement et toutes les heures, et où des décisions réalisables sont prises sur la base de résultats analytiques quantitatifs et qualitatifs. Alors que les méthodes traditionnelles de prédiction de la reproduction animale ont été utilisées avec beaucoup de succès jusqu’à récemment, le déluge d’informations commence à créer un goulot d’étranglement au niveau du calcul et du stockage qui pourrait avoir des répercussions négatives à long terme sur les stratégies de gestion des troupeaux s’il n’est pas traité correctement. Une pléthore d’approches d’apprentissage machine, utilisées avec succès dans diverses applications industrielles et scientifiques, ont fait leur apparition dans les approches courantes des techniques d’élevage, et les résultats actuels montrent que ces méthodes ont le potentiel d’égaler ou de surpasser les approches traditionnelles, tout en étant la plupart du temps plus évolutives du point de vue du calcul et du stockage. Cet article donne un aperçu succinct des méthodes de prévision traditionnelles et nouvelles actuellement utilisées dans le domaine de l’élevage, de leur succès et de l’avenir de ce domaine dans la nouvelle ère de l’agriculture numérique.
Résumé en anglais (original) : The current livestock management landscape is transitioning to a high-throughput digital era where large amounts of information captured by systems of electro-optical, acoustical, mechanical, and biosensors is stored and analyzed on a daily and hourly basis, and actionable decisions are made based on quantitative and qualitative analytic results. While traditional animal breeding prediction methods have been used with great success until recently, the deluge of information starts to create a computational and storage bottleneck that could lead to negative long-term impacts on herd management strategies if not handled properly. A plethora of machine learning approaches, successfully used in various industrial and scientific applications, made their way in the mainstream approaches for livestock breeding techniques, and current results show that such methods have the potential to match or surpass the traditional approaches, while most of the time they are more scalable from a computational and storage perspective. This article provides a succinct view on what traditional and novel prediction methods are currently used in the livestock breeding field, how successful they are, and how the future of the field looks in the new digital agriculture era.
