École Nationale Supérieure de
Techniques Avancées

Résumé

Ce stage s’inscrit dans le cadre du projet TwinFarms, porté par l’équipe Ekinocs (MIA Paris-Saclay, INRAE), dont l’ambition est de développer des jumeaux numériques pour l’agriculture de précision. Mon travail s’est concentré sur la modélisation de la crois￾sance des volailles de chair, un système d’élevage complexe et sensible à une multitude de facteurs. La problématique principale est de prédire cette croissance, qui se présente sous la forme de séries temporelles. Pour y répondre, nous avons exploré des méthodes d’apprentissage automatique, en privilégiant l’apprentissage de représentations pour mo￾déliser la croissance comme une fonction continue du temps. J’ai ainsi contribué au développement d’une architecture originale qui associe à chaque lot une représentation latente structurée. Cette dernière intègre de manière distincte, d’une part, les conditions d’élevage (le contexte) et, d’autre part, une composante résiduelle capturant la dynamique de poids propre au lot. Cette séparation a permis de poursuivre deux objectifs clés durant ce stage : premièrement, quantifier l’amélioration des performances prédictives apportée par l’intégration du contexte d’élevage ; deuxième￾ment, proposer une solution pour générer la courbe de poids complète lors de simulations « à froid », c’est-à-dire sans aucun historique de données. Ce travail a nécessité la construction d’un pipeline complet pour la préparation et l’harmonisation de données hétérogènes. Le système final permet non seulement de prédire la croissance de lots existants, mais aussi de réaliser des simulations prospectives en faisant varier les paramètres d’élevage. Les résultats obtenus démontrent que le modèle parvient à capturer des relations cohérentes entre les conditions d’élevage et les perfor￾mances zootechniques, ouvrant ainsi la voie au développement d’outils d’aide à la décision pour l’élevage de précision.