Type de document : article de revue scientifique publié dans Journal of Applied Poultry Research
Auteurs : Naeem M, Jia Z, Wang J, Poudel S, Manjankattil S, Adhikari Y, Bailey M, Bourassa D
Résumé en français (traduction) : Avancées dans les applications de l’apprentissage automatique en aviculture : revue de la littérature
L’intégration de l’apprentissage automatique (AA) dans la science avicole offre des opportunités transformatrices pour optimiser la production, améliorer le bien-être animal et améliorer la gestion des maladies. Cette revue explore le paysage actuel des applications de l’AA dans le secteur avicole, englobant la prévision de croissance, la détection des maladies, l’analyse du comportement, la surveillance environnementale et l’amélioration de la productivité. Les techniques d’apprentissage automatique, notamment les réseaux de neurones artificiels, les forêts aléatoires et l’apprentissage profond, ont démontré une grande précision prédictive et une grande adaptabilité dans le traitement de données avicoles complexes et non linéaires. Parmi les innovations clés, citons la détection automatisée des oiseaux malades grâce à la reconnaissance d’images et de sons, la prévision de la croissance et du poids corporel à l’aide de paramètres environnementaux et nutritionnels, et l’évaluation du comportement et du bien-être des animaux. Cette revue met également en évidence les défis liés à la qualité des données, à l’interprétabilité des modèles, aux limites des infrastructures et à la généralisation des modèles à différents systèmes avicoles. Malgré ces obstacles, les études de cas rapportées dans la littérature démontrent des avantages tangibles en termes de gains de productivité et d’atténuation précoce des maladies grâce aux applications d’apprentissage automatique. De plus, l’émergence des technologies de détection en temps réel et des appareils connectés à l’Internet des objets permet une collecte de données plus granulaire, renforçant encore l’impact potentiel de l’apprentissage automatique. Les stratégies futures comprennent la promotion d’une collaboration plus étroite entre les scientifiques spécialisés dans les données et les spécialistes de l’aviculture, le développement de modèles d’apprentissage automatique explicables et l’intégration de ces modèles dans des systèmes d’aide à la décision afin de mieux aider les agriculteurs. L’article préconise des solutions d’apprentissage automatique évolutives, éthiques et transparentes, qui concilient la viabilité commerciale et les objectifs de bien-être animal. Dans l’ensemble, l’apprentissage automatique constitue une frontière prometteuse pour aborder la dynamique biologique et opérationnelle complexe de l’aviculture moderne.
Résumé en anglais (original) : Integrating machine learning (ML) in poultry science presents transformative opportunities for optimizing production, enhancing animal welfare, and improving disease management. This review explores the current landscape of ML applications within the poultry sector, encompassing growth prediction, disease detection, behaviour analysis, environmental monitoring, and productivity enhancement. ML techniques, including artificial neural networks, random forests, and deep learning, have demonstrated high predictive accuracy and adaptability in handling complex and nonlinear poultry data. Key innovations include the automated detection of diseased birds via image and audio recognition, the prediction of growth and body weight using environmental and nutritional parameters, and the assessment of animal behavior and welfare. This review also highlights challenges related to data quality, model interpretability, infrastructure limitations, and the generalizability of models across different poultry systems. Despite these hurdles, case studies reported in the literature demonstrate tangible benefits in productivity gains and early disease mitigation through ML applications. Moreover, the emergence of real-time sensing technologies and Internet of Things devices enables more granular data collection, further enhancing ML’s potential impact. Future strategies include fostering closer collaboration between data scientists and poultry specialists, developing explainable machine learning models, and integrating these models into decision-support systems to better assist farmers. The article advocates for scalable, ethical, and transparent ML solutions that align with both commercial viability and animal welfare goals. Overall, ML serves as a promising frontier for addressing the complex biological and operational dynamics of modern poultry farming.
