[Paroles de doctorants] Josie Signe : Bien-être animal : caractériser la diversité rencontrée, entre et au sein des élevages, à l’aide de méthodes de data mining appliquées aux données issues de capteurs en élevages laitiers

Sujet de thèse cofinancée par #DigitAg

 

Je m’appelle Josie Signe et je suis diplômée d’un Master informatique parcours Science informatique, orienté Science des données.

J’ai effectué mon stage de fin d’étude à l’Irisa dans l’équipe Inria Lacodam, spécialisée dans la fouille de données.
J’ai choisi de poursuivre en thèse dans cette équipe car je suis intéressée par la fouille de donnée et en particulier par la fouille de motifs.
Je suis sensible au bien-être animal, donc utiliser les méthodes de fouilles de motifs pour avancer sur les problématiques du bien-être animal m’intéresse particulièrement.

Bien-être animal : caractériser la diversité rencontrée, entre et au sein des élevages, à l’aide de méthodes de data mining appliquées aux données issues de capteurs en élevages laitiers

  • Date de démarrage : 1er octobre 2020
  • Université : Université de Rennes 1
  • Ecole doctorale : MathSTIC
  • Discipline / Spécialité : Informatique
  • Directeur de thèse : Alexandre Termier, Lacodam, Inria
  • Encadrant(es)  : Peggy Cellier, Insa Rennes, Véronique Masson, Lacodam, Université de Rennes 1
  • Financement : #DigitAg – Inria
  • #DigitAg : Thèse cofinancée  – Axe 5: Fouille de données, analyse de données, extraction de connaissances, Challenge 4 : Des productions animales durables

Mots-clés : Fouille de données, séries temporelles, bien-être animal, vaches laitières

Résumé : Le changement climatique se caractérise notamment par des épisodes de plus fortes chaleur en cours d’été, avec des températures parfois très élevées, ce qui peut s’avérer néfaste pour le bien-être et la production des animaux laitiers. Ce stress thermique est aussi amplifié lorsque l’hygrométrie est élevée, comme dans le cas d‘épisodes orageux.
Aujourd’hui, les outils de monitoring permettent la mesure de données en tempe réel, appelées series temporelles. Il est notamment possible de suivre l’évolution de la température d’un animal sur des pas de temps long, à la fois en cours de lactation mais aussi sur plusieurs lactations. Ces données permettent par exemple d’observer que la réponse de température face à un stress thermique n’est pas le même pour chaque animal.
Ces différences pourraient s’expliquer par le niveau seuil de température d’un animal, ses capacités d’adaptation, ou encore des caractéristiques individuelles (ingestion, production de lait, poids…).
Pouvoir caractériser , mais aussi prédire, la réponse d’un animal à un stress thermique constitue un véritable challenge pour le bien-être des animaux et le maintien de leurs performances. Pour caractériser la réponse au stress thermique chez les vaches, nous utiliserons des méthodes d’extraction de motifs discriminant, capable d’extraire des groupes dont les réponses face au stress thermique diffèrent. En particulier, nous nous concentrerons sur les algorithmes de découverte de sous-groupes qui permettront d’extraire et de caractériser par exemple des groupes de vaches à risques.
Néanmoins, les algorithmes de découverte de sous-groupes ne sont pas conçus pour gérer des ensembles de séries temporelles. Une première tâche est donc la construction d’une méthode de découverte de sous-groupes permettant de traiter des séries temporelles.
Une autre tâche importante est de définir plus précisément comment caractériser ces sous-groupes afin de trouver des caractéristiques propres aux vaches laitières.

Contact:  josie.signe [AT] inria.fr​ – Tél :