Applications of cross-species predictive modeling in precision livestock farming : estimating broiler livability using salmonid production data

Read full text Summarise with VIRAT
Authors: Rezwan Ghaffarzadeh Derakhshan
Cited by: 0
References: 76

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

La viabilité, définie comme le pourcentage d’oiseaux parvenant à l'âge d’abattage, est un indicateur de performance critique dans la production commerciale de poulets de chair. Elle reflète directement le bien-être animal et l’efficacité économique. Cependant, le développement de modèles prédictifs robustes pour prédire la viabilité est souvent limité par la disponibilité restreinte de jeux de données annotés de haute qualité dans le secteur avicole. Cette étude répond à ce défi en proposant un cadre informatique innovant fondé sur l'apprentissage par transfert (transfer learning) et l'apprentissage en contexte (in-context learning), visant à transférer des connaissances d’un secteur de production animale riche en données, l'aquaculture commerciale,vers un secteur de production où ces données sont rares ou difficiles d’acquérir, soit la production de poulets de chair. Nous avons utilisé un jeu de données complet provenant de la production de salmonidés au Chili comme domaine source afin d’améliorer les capacités prédictives sur un jeu de données cible, plus limité, provenant de troupeaux de poulets de chair au Québec. La méthodologie a consisté à aligner des caractéristiques de production hétérogènes au moyen d’une ingénierie agnostique du domaine, puis à comparer deux stratégies d'apprentissage distinctes : une approche d'apprentissage par transfert basée sur l'apprentissage profond et une approche d'apprentissage en contexte basée sur un grand modèle de langage (LLM). Les modèles ont été évalués sur leur capacité à prédire les taux de viabilité cumulés et à identifier les facteurs de risque clés. Les résultats démontrent que l'apprentissage inter-espèces est à la fois réalisable et efficace. Le modèle d'apprentissage en contexte a obtenu la performance supérieure avec une erreur quadratique moyenne (RMSE) de 1,51 %, surpassant légèrement le modèle d'apprentissage par transfert (RMSE 1,53 %). De manière significative, les deux modèles ont atteint des taux d'erreur inférieurs à l'écart-type naturel du jeu de données (1,60 %), confirmant ainsi leur validité prédictive. L'analyse de l'importance des caractéristiques a identifié la densité d'élevage, le stress thermique et le taux de conversion alimentaire (TCA) comme les variables prédictives les plus influentes de la viabilité, s'alignant sur la littérature vétérinaire établie. En revanche, l'utilisation d'antimicrobiens (AMU), bien que perçue comme importante pour le suivi sanitaire d'un troupeau, n'a pas eu une influence prédictive significative par rapport aux facteurs de stress environnementaux dans ce cadre multi-espèces. Ces résultats soutiennent l'hypothèse selon laquelle les dynamiques de production fondamentales sont transférables entre espèces et démontrent le potentiel des modèles de fondation pour surmonter la rareté des données dans l'élevage de précision.

Fields of Study & Subjects

Domain Adaptation and Few-Shot Learning Smart Agriculture and AI Animal Nutrition and Physiology

Publication details

Publication date
1 March 2026
Language
EN
Document type
Thesis