Chapeau

Les nouvelles techniques dites de l’élevage de précision foisonnent. Elles fournissent de très nombreuses données et informations à l’éleveur, certaines nouvelles, mais cela aide-t-il l’éleveur au quotidien à prendre ses décisions et y adhère-t-il facilement ? Quelles conditions faut-il réunir pour y parvenir ? Et si ces informations de l’élevage ne servaient pas qu’à la décision de l’éleveur, comment peut-on mieux les valoriser ?¹

1.1. Automatisation de l’acquisition d’informations usuelles en élevage

Les nouvelles techniques de l’information ont été conçues pour assister l’éleveur dans le recueil d’un certain nombre d’informations dont il disposait déjà, comme les informations de production de lait ou de croissance. La mesure de la production de lait (compteurs à lait) et la pesée (balances électroniques) ont bénéficié très tôt de ces nouvelles techniques (Faverdin et Fischer, 2016). De même, pour le suivi de la reproduction (détection des chaleurs et plus récemment des vêlages), les capteurs se sont avérés très utiles pour la conduite d’élevage. Quels en sont les bénéfices associés ?

Le premier bénéfice concerne le travail d'astreinte. Les outils assurant ces mesures ou détections de façon plus ou moins automatisée permettent souvent de réduire les temps de travail comme l'indiquent des éleveurs. Ce réel gain de temps dans l'acquisition d'information est bien entendu assujetti au bon fonctionnement des dispositifs. Mais actuellement, beaucoup de systèmes de mesures ne génèrent aucune alerte sur des dysfonctionnements, faisant que l'éleveur doit surveiller les animaux, mais aussi ces dispositifs de mesure. La surveillance est généralement bien réalisée sur les compteurs à lait (Allain et al., 2012), mais celle des autres capteurs est souvent aléatoire. Comment détecter qu'un collier avec un accéléromètre n'est plus bien positionné, qu'un des capteurs de pesée ne fonctionne plus correctement, que la transmission de certains capteurs se fait mal ? En conséquence, bien que réduisant certaines tâches d'observation, l'utilisation des techniques de l'information génère un nouveau type de travail : la surveillance et le contrôle des outils. Il est important de développer des dispositifs capables de réaliser leur autocontrôle pour limiter le travail de surveillance de ces nouveaux dispositifs.

Le second avantage potentiel concerne l'amélioration de la qualité de l'information au sens large, ce qui peut s'accompagner d'une amélioration de la multi-performance. Ces nouveaux capteurs permettent parfois de recueillir une meilleure information car le suivi se fait en continu comme pour la détection des chaleurs, ce que l'éleveur ne peut pas faire, surtout la nuit. Des mesures à fréquence élevée peuvent aussi détecter des évènements ignorés autrement. Ainsi, une mesure quotidienne du lait ou du poids vif n'est pas juste une information plus fréquente de la production. La mesure fréquente de ces paramètres permettra par exemple d'observer des perturbations par rapport à la situation normale. L'analyse des perturbations (Codrea et al., 2011) est un bon indicateur d'un stress de l'animal (sanitaire, thermique, comportemental) (Bareille et al., 2014). Il est même possible que l'analyse de la forme, l'importance, la concomitance des perturbations (Ben Abdelkrim et al., 2019) aident à améliorer la qualité du diagnostic. D'autres variables peuvent également être extrapolées à partir de variables élémentaires. La modélisation des cinétiques du poids et du lait quotidien peut permettre d'estimer l'ingestion et ses perturbations (Faverdin et al., 2017), alors que cette variable est très difficile à mesurer directement.

1.2. De nouvelles informations, de nouveaux phénotypes

Les nouveaux capteurs et la multiplicité des caractères potentiellement mesurables ouvrent très largement la possibilité d’avoir une connaissance de plus en plus large et continue du phénotype d’un individu ou d’un troupeau, mais aussi de son environnement.

2.1. Les « Success Stories » : le cas où l’information était déjà utilisée dans la conduite

Certaines techniques sont aujourd'hui très répandues en élevage. Ainsi, selon une enquête réalisée en France (Allain et al., 2015), près de 70 % des éleveurs sont équipés d'au moins un outil connecté. Les plus fréquents sont les capteurs embarqués comme les détecteurs de chaleurs ou de vêlages (29 %), ou les systèmes de monitoring de la traite comme les compteurs à lait, les conductimètres ou les analyseurs de lait (26 %). Des chiffres similaires ont été rapportés dans une étude réalisée aux Pays-Bas chez les éleveurs laitiers néerlandais (Steeneveld et Hogeveen, 2015). Compte tenu de la croissance rapide de ces technologies dans les élevages, le taux d'équipement a probablement significativement augmenté depuis la réalisation de ces états des lieux. Dans la plupart des cas, ces outils se sont imposés car ils sont venus assister l'éleveur dans une activité de surveillance ou d'acquisition d'information qu'il réalisait déjà.

2.2. Des informations qui cherchent encore leur place dans la décision

À l'image des smartphones et grâce aux nouveaux outils informatiques d'apprentissage automatique (« Machine Learning »), on voit de plus en plus de solutions proposées pour extraire des informations élaborées à partir des données de capteurs très génériques (accéléromètre, GPS ou image) dont les données brutes prises séparément ne sont pas informatives. Nous assistons à un développement exponentiel d'outils d'élevage de précision (en général des capteurs associés à un logiciel de traitement des données), avec pour objectif de surveiller l'état sanitaire des animaux, leurs comportements, leur croissance ou encore leur état de stress (Veissier et al., 2019). Pour n‘en citer que quelques-uns :

i) des systèmes de localisation en temps réel (« Real-Time Locating System », RTLS) pour détecter la position des animaux et en déduire leur activité (par exemple, CowView ®, CowManager ®, Smartbow ®) ou des accéléromètres pour détecter si un animal est debout, couché, en mouvement ou encore en train de manger ou de ruminer (par exemple, Heat'Live ®, Time'Live ® et Feed'Live ®, IceQube ®) ; ces données sont interprétées pour identifier un animal en chaleur, malade, etc. (Wagner et al., 2020) ;

ii) des caméras à détection de mouvement (par exemple Kinect ®) couplées à une analyse d'images pour mesurer l'état d'engraissement ou la morphologie d'un animal, détecter des agressions, identifier des lésions, etc. (Fischer et al., 2015 ; Le Cozler et al., 2019 ; Lee et al., 2016) ;

iii) des microphones pour détecter la toux ou les vocalisations d'animaux (par exemple, SoundTalks ®).

En général, des algorithmes permettent soit de classer les observations (par exemple des pattes de poulets avec ou sans lésions) ou de détecter des anomalies au sein de séries temporelles. Par exemple, le comportement d’un animal est repéré dans un premier temps pour déterminer une ligne de base et ensuite les déviations par rapport à cette ligne de base sont détectées. Ces anomalies sont généralement liées à un événement de reproduction (chaleurs, mise bas…), à un problème sanitaire (maladie infectieuse, boiterie...) ou à un stress. Ces outils demandent à être validés dans les conditions réelles d’élevage : permettent-ils de détecter de manière fiable des anomalies et d’en faire un diagnostic ? Bien souvent les performances en termes de sensibilité et spécificité de la détection ne sont pas précisées. Par ailleurs, la détection se limite souvent à une information binaire et la question de la sévérité des troubles est rarement abordée. De plus, la détection, étant souvent très précoce, la confirmation et l’identification d’un trouble par examen clinique n’est pas simple. On peut enfin noter l’absence de cadre règlementaire concernant les caractéristiques minimales y compris en termes de sécurité, pour ces outils.

Les capteurs concernant la santé sont nombreux, mais pour beaucoup, développés initialement pour la détection des vêlages ou chaleurs : par exemple des boucles auriculaires (Fevertags ®) ou des bolus ruminaux (San'phone ®) mesurant la température (utiles par exemple pour la détection de troubles respiratoires en élevage de taurillons (Timsit et al., 2011)). Des modifications de rumination et d'activité permettent d'alerter l'éleveur sur le/les animaux à regarder de façon plus précise sans donner toutefois un diagnostic précis de l'affection en cause. Enfin, sur les robots de traite, de nombreuses informations liées à la santé de la mamelle peuvent être obtenues (comptage des cellules somatiques et conductivité du lait par exemple), car le robot doit détecter les mammites et décider s'il faut écarter le lait ou non. Des changements dans la fréquentation du robot ou le suivi de la production laitière peuvent indiquer un souci sanitaire. De nouveaux outils basés sur l'analyse d'images sont en cours d'étude pour détecter notamment des animaux ayant des faciès exprimant des douleurs (Noor et al., 2020) et identifier des anomalies de comportement. Des tapis à détection de pression permettent de détecter des anomalies d'appui et donc d'identifier des boiteries. Là encore, la détection étant souvent très précoce, la confirmation et l'identification d‘un trouble par examen clinique ne sont pas simples. Par ailleurs, la référence ou « gold standard » pour évaluer la sensibilité et la spécificité de l'outil est aisée à obtenir pour des chaleurs ou un vêlage, mais beaucoup plus délicate pour des troubles de santé, ne serait-ce que par le choix des fenêtres de validation (périodes sans alertes). En effet, si une alerte vêlage se déclenche, la simple observation de l'évènement permettra de qualifier cette alerte. Si l'alerte concerne la détection des chaleurs, la comparaison à une détection par l'éleveur, ou à un dosage hormonal permettra également de la qualifier. Pour les troubles de santé, les difficultés concernent :

i) l’alerte en elle-même : le seuil d’alerte est-il fixe (par exemple, T°< 40°C) ou est-il basé sur l’animal qui joue son propre témoin ?

ii) la période nécessaire d’anomalies enregistrées avant de générer l’alerte (sensibilité vs spécificité) ;

iii) le « gold standard » à mettre en face pour qualifier sensibilité et spécificité. Une alerte basée sur une hyperthermie ou une baisse d’activité n’est en rien spécifique d’une maladie. Il s’agit d’identifier les animaux méritant un examen approfondi et non d’un diagnostic. La fenêtre temporelle de validation de la spécificité (en l’absence d’alerte) pose également problème.

Outre le suivi des animaux, les techniques de l'information peuvent aider à gérer les ressources, application plus rarement évoquée. Cela a pourtant des impacts importants sur l'environnement (Faverdin et Brossard, 2019). L'apport des nouvelles techniques dans l'alimentation de précision est un secteur très attendu, mais un peu décevant actuellement. Il semble qu'une alimentation individualisée en fonction des besoins définis à partir de la production permette une légère amélioration de l'efficience alimentaire, d'autant plus importante que les apports nutritifs avant individualisation sont élevés (Cutullic et al., 2013), mais ces pratiques compliquent la gestion de l'alimentation. L'approche la plus originale, même si son utilisation ne se développe que modérément, est celle où l'on teste individuellement la réponse de l'animal à l'apport de concentré pour ajuster les niveaux en fonction de celle-ci afin de réaliser une optimisation économique dynamique (André et al., 2010). C'est sans doute dans l'utilisation des compléments nutritionnels couplée à des détections précoces de signes précliniques que l'on peut espérer une plus-value intéressante et originale de ces techniques. Si cela est plus souvent évoqué en élevage de monogastriques, cet aspect de la gestion des ressources ne doit pas être négligé pour limiter les pertes d'eau ou d'énergie, pour limiter les pertes d'azote et optimiser la gestion des effluents. Néanmoins, les offres sont encore peu structurées autour de cette gestion des ressources, sauf pour le contrôle des bâtiments en élevage de monogastriques.

2.3. De l’aide à la décision à la délégation de la décision

S’il y a des capteurs dont l’information délivrée n’est pas toujours facile à intégrer dans la décision, il y a à l’opposé des techniques qui sont beaucoup plus explicites dans la décision. Mais l’éleveur est-il prêt à déléguer la décision, voire l’opération, à la technologie ?

La plupart du temps, les techniques utilisées par les éleveurs se limitent à la fourniture d’une information ou d’une alerte notifiant la survenue d’un trouble sanitaire ou d’un évènement de reproduction. Pourtant, l’agrégation d’informations issues des capteurs avec d’autres informations (économiques, historiques, techniques) provenant de l’élevage et enregistrées par d’autres canaux (contrôle de performance, logiciels de gestion de troupeau...) permettrait d’aboutir à la production de conseils ciblés pour faciliter la décision de l’éleveur. Le développement de ce type de modèle d’aide à la décision par les constructeurs représente une perspective d’avenir pour l’élevage de précision. Quelques dispositifs commerciaux le proposent déjà.

Ainsi, le système Herd Navigator ® (DeLaval), qui permet d’effectuer automatiquement des dosages enzymatiques des paramètres du lait comme la progestérone, la lactate déshydrogénase ou le béta-hydroxybutyrate, utilise les résultats de ces dosages en plus d’autres informations individuelles enregistrées par l’éleveur ou mesurées par le robot de traite pour construire un arbre de décision aboutissant à la production d’un conseil ciblé. Pour la gestion de la reproduction par exemple, le système prend en compte la parité de la vache, son stade de lactation, ou son niveau de production en complément de l’alerte issue du dosage de progestérone pour conseiller à l’éleveur d’inséminer ou non et dans quel délai. L’adoption de cet automate d’analyses reste encore limitée en raison d’un coût élevé, mais son utilisation permet la détection spécifique des ovulations qui offre un meilleur suivi de la reproduction que la détection des chaleurs.

Concernant l'alimentation de précision, le système DLM ® (« Dynamic Linear Model ») développé par Lely suite au modèle d'André et al. (2010) en lien avec ses robots de traite, permet d'ajuster automatiquement la distribution de concentrés et la fréquence de traite individuellement en fonction de considérations biologiques et techniques (niveau de production, taux butyreux et protéique du lait, intervalle de traite et temps de préparation à la traite) et économiques (prix du lait et coût des aliments) pour optimiser la marge économique par litre de lait et non plus uniquement le niveau de production. Cependant, actuellement beaucoup d'éleveurs n'utilisent pas cette fonctionnalité qui peut conduire à des baisses de production mal acceptées, mais utilisent bien le pilotage de la fréquentation du robot.

Dans ces deux exemples, on voit que le niveau de délégation de la décision aux robots par les éleveurs est divers. De plus, de nombreuses informations sont nécessaires pour ce pilotage. Cependant, la majorité des informations utilisées sont issues de mesures réalisées par le robot de traite ou ses périphériques, c'est-à-dire par des outils provenant majoritairement d’un même système et d’un même constructeur. À l’avenir, l’interopérabilité des outils devrait être assurée pour permettre le croisement de données de diverses sources et améliorer l’utilisation des données pour décider.

2.4. Un rapport coût/bénéfice incertain

Les nouvelles techniques permettent dans certains cas de réduire le travail d'astreinte du fait d'une collecte de l'information automatisée par les capteurs, d'un stockage facilité, d'un traitement rapide et centralisé, d'une aide à la prise de décision (restitution sous forme d'alertes ou de rapports synthétiques) ainsi que de la possibilité de se focaliser uniquement sur les animaux nécessitant une attention particulière. Cependant, ces gains de temps sont parfois réduits si le troupeau est agrandi (Hostiou et al., 2017). Les informations produites par les capteurs sont aussi source de stress, et peuvent ne pas être adoptées car jugées trop compliquées ou trop nombreuses (Russell et Bewley, 2013) (tableau 1). Ces outils produisent beaucoup d'informations rendant difficiles la sélection des informations utiles pour la prise de décision, amenant à une forte sélection. Seulement 3 % des alertes de mammites délivrées par les robots de traite seraient mobilisées (Hogeveen et al., 2013). Les informations restituées sous forme d'alertes sont cause de stress car trop fréquentes, et perturbant les autres activités agricoles. Cependant, les informations allègent aussi le stress car les éleveurs délèguent la responsabilité de la détection de l'évènement à l'outil, notamment quand des signes physiologiques sont plus facilement détectables par les capteurs, comme les chaleurs. Pour les éleveurs, les nouvelles techniques donnent aussi une image plus moderne de leur métier, ce qui le rendrait plus attractif (Faverdin et al., 2020b).

Si le gain de confort et de temps de travail sont souvent cités par les éleveurs pour justifier l'investissement dans ces techniques, leur coût est en revanche un frein (tableau 1). Il dépend notamment du coût du matériel, des performances de l'élevage avant de s'équiper, du système d'élevage et des pratiques d'utilisation des techniques par l'éleveur (Bekara et Bareille, 2019). D'une manière générale, lorsque les techniques ont un coût modéré et qu'elles produisent des informations déjà utilisées dans la conduite (compteurs à lait, détecteurs de chaleurs ou de mise bas...) leur amortissement est beaucoup plus rapide que lorsqu'il s'agit d'automates coûteux (robot de traite ou d'alimentation) ou de dispositifs fournissant des informations pour lesquelles il est difficile de prendre une décision simple (monitoring des troubles de la santé et du bien-être par exemple). L'incertitude sur les avantages d'un système de capteurs, et les améliorations de conduite du troupeau attendues d'un système de capteurs, constituent des raisons économiques rationnelles d'adopter ou non ces nouvelles techniques. L'étude comparée d'adoption des détecteurs de chaleurs ou de la notation d'état corporel semble bien illustrer ce cadre théorique (Rutten et al., 2018). L'apparition de nouveaux modes de commercialisation proposant un ensemble de services tarifés à l'animal (Bouquet Farmlife, Medria Solutions) et non plus un investissement dans une technologie peut permettre à des éleveurs de franchir le pas pour tester l'apport de ces outils et éventuellement d'y renoncer s'ils en évaluent le rapport coût/bénéfice des services défavorable. Il sera intéressant de voir si l'élevage, avec ces nouvelles techniques, évolue comme la société vers plus de paiements aux services et moins d'investissements.

2.5. Du « Technology driven » au « Decision driven » ?

La technologie offre des perspectives, mais il faudra du temps pour l'utiliser intelligemment. L'objectif serait de passer de la question « que vais-je faire de cette nouvelle information ? » à « de quelles informations et avec quelles qualités, aurais-je besoin pour mieux décider tel aspect de la conduite ? ». Cette approche est très rarement menée. Elle nécessite de beaucoup mieux comprendre la place de l'information dans la décision. C'est une question très complexe, mais il ne faut pas l'éluder pour améliorer durablement les choses. Une première option consiste à modéliser la qualité du système d'informations de l'éleveur pour essayer d'en voir les conséquences sur les performances. Cette approche a par exemple été testée sur la reproduction et a montré l'impact sur les performances du troupeau de la qualité de la détection des évènements de santé et du paramétrage spécificité-sensibilité de la détection (Brun-Lafleur et al., 2010). Suivant le système d'élevage, les paramètres et les impacts diffèrent.

En analysant finement comment on prend une bonne décision, on peut revisiter la question de l'information, des capteurs et de leurs propriétés. Pour décider, il est essentiel de connaître les informations que l'on mobilise pour un diagnostic, comment on peut évaluer des décisions, quelle précision est nécessaire pour une information et, quand faut-il l'acquérir. L'utilisation des modèles dans des outils d'aide à la décision avait conduit à une réflexion fournie sur l'évaluation de ces outils et la nécessité d'associer très tôt les décideurs à la démarche (Prost et al., 2012). L'apport de ces nouvelles techniques dans l'aide à la décision joue un rôle très semblable à celui des modèles ou des systèmes experts. Prend-on une meilleure décision avec cette information ? Les performances sont-elles réellement améliorées ? Il conviendrait de revisiter l'évaluation des outils d'aide à la décision basée sur ces nouvelles techniques. Cela aiderait à mieux qualifier ces outils et à les faire évoluer vers de meilleurs services à l'éleveur.

3.1. Traçabilité des produits : la garantie des cahiers des charges et des résultats

Actuellement, les données de diverses techniques sont utilisées « sur site », par exemple pour la gestion d'une ferme, d’une unité de transport ou d’un abattoir, et ne sont pas échangées entre les acteurs de la chaîne alimentaire. Ces données pourraient informer une entreprise de transport afin de savoir si un animal est apte au transport ou non. Elles pourraient également servir à compiler des informations sur le niveau de bien-être au cours de la vie d’un animal en intégrant les informations de la ferme, du transport et de l’abattage et ces informations pourraient être partagées avec les clients (transformateurs, détaillants) pour diversifier la commercialisation ou apporter des garanties au consommateur.

Les consommateurs/citoyens évoluent considérablement dans leur rapport aux produits de l'agriculture. Historiquement, la nécessité de sécuriser l'approvisionnement et des prix bas ont longtemps été les premiers critères d'après-guerre. La qualité et la sécurité sanitaire sont progressivement venues s'ajouter. Le but n'est plus seulement d'assurer une traçabilité au sein des filières pour retrouver rapidement l'origine d'un problème sanitaire. Les attentes se sont aujourd'hui complexifiées et diversifiées face à une perte de confiance dans les modes de production (environnement, condition animale, système de production) (Delanoue et al., 2018). Quand ils achètent ou consomment un produit, de plus en plus de consommateurs veulent savoir d'où il vient, comment l'animal a été nourri, traité, transporté et abattu, comment et où le produit a été transformé, si sa production respecte l'environnement et s'il a de bonnes qualités nutritionnelles. La simple assimilation du produit avec la ferme et le producteur suffit souvent à établir la confiance.

Certaines filières intègrent déjà des plateformes de données ou des entrepôts pour leur gestion de la qualité et leurs systèmes de qualité (par exemple le groupe De Hoeve Innovatie (KDV) aux Pays-Bas). Certains utilisent la technologie de la « blockchain » pour relier un produit aux différents emplacements qu'il a traversés (la ferme, le transport et l’abattoir), ajoutant des informations à chaque étape tout en sécurisant ces données et leur origine pour informer les consommateurs (Connecting Food, Carrefour…). Ces informations pourraient porter sur la certification environnementale, le respect d’un cahier des charges sur l’alimentation des animaux (avec pâturage minimum, sans OGM, sans pesticide, sans urée, avec oméga 3...), le respect du bien-être animal, etc. La figure 2 présente des exemples de segmentation de produits lait et viande et le potentiel d’utilisation des données issues des nouvelles techniques ou d’autres sources pour objectiver le respect du cahier des charges.

Figure 2. Exemples de segmentations possibles des produits lait et viande et sources des données qui permettraient une objectivation du respect des cahiers des charges.

Save View full size Expand inline Collapse inline

De tels échanges d’informations au sein des filières nécessitent des « business » modèles innovants, précisant qui peut faire quoi avec quelles données et assurant un partage équitable des coûts et bénéfices entre les acteurs des chaînes agro-alimentaires.

3.2. L’utilisation des informations pour de nouvelles applications

« L’internet des objets » connectés ouvre la voie vers la réutilisation des informations acquises en élevage pour des utilisations qui demain pourront être hors des élevages. Des systèmes informatiques sophistiqués se développent pour organiser le courtage d’informations (« information broker ») entre les différents acteurs (Vermesan et Friess, 2013). Il n’est plus forcément question de créer des grandes bases de données qui rassembleraient toute l’information, mais de gérer des échanges d’informations en fonction des besoins et des applications. Il est important de rappeler que lorsque les données ne sont pas liées aux personnes et donc ne relèvent pas du cadre du RGPD, elles n’ont pas de notion de propriété. En dehors de ce cadre, seuls les systèmes d’information peuvent en avoir, mais leurs propriétaires peuvent vouloir partager ces informations sous forme contractuelle suivant l’objet de ce partage. Il peut y avoir différentes applications qui concernent l’élevage en offrant un nouveau service à partir des données collectées et avec l’accord de l’éleveur.

La sélection génétique nécessite de collecter beaucoup d'informations phénotypiques associées à l'information génétique des animaux. La remontée des données vers les centres de sélection permettrait de proposer de nouveaux index à partir de l'information génomique, comme en témoigne l'indexation génomique sur les risques d'acétonémie des vaches laitières actuellement disponible (Barbat-Leterrier et al., 2016). Des paramètres enregistrés en routine par des automatismes comme les robots de traite, tels que la vitesse de traite (Heringstad et Bugten, 2014), les débits de matière utile (Fogh et al., 2012), le tempérament (sur la base du comportement pendant la traite et mesuré par le nombre de fois où les faisceaux trayeurs se décrochent (Rinell, 2013)), la conformation de la mamelle (basée sur les enregistrements des caméras et rayons lasers des robots (Fogh et al., 2012)) pourraient facilement être utilisés pour la sélection de caractères relatifs à l'aptitude des vaches laitières à la traite.

Il est possible de mieux valoriser les synergies possibles entre les données. Des applications pourraient collecter l’ensemble des données d’un élevage pour lui fournir une autre information à partir de ces données. C’est l’objectif par exemple de la société Applifarm en France ou de JoinData aux Pays-Bas. Beaucoup de données issues du monitoring peuvent avoir surtout une valorisation instantanée. Or il existe un grand potentiel d’utilisation plus large de ces (grandes) bases de données, par exemple pour aider les vétérinaires à diagnostiquer les problèmes et à fournir des conseils aux producteurs. À titre expérimental pendant 18 mois, le décret n°2020-526 du 5 mai 2020 autorise la réalisation des actes vétérinaires par voie de télémédecine, domaine où ces IoT seraient particulièrement utiles et les passerelles entre logiciels métiers indispensables. Il est aussi possible de comparer une ferme avec d’autres fermes de la même région (« benchmarking »). L’analyse de ces données sur des pas de temps plus longs peut fournir d’autres indicateurs à l’éleveur pour l’aider dans ses décisions (vision intégrée des données sur la santé, des choix de réformes et de reproduction, conduite individualisée en fonction des informations passées...). Les données générées par cet IoT peuvent permettre de revisiter les normes considérées comme physiologiques en prenant chaque animal comme son propre témoin. La notion de santé pourrait être investiguée en définissant un ensemble d’indicateurs à l’échelle de chaque individu. L’absence aujourd’hui de passerelles claires et simples entre les logiciels métiers des différents intervenants (par exemple l’éleveur et son vétérinaire) limitent la valorisation des données collectées.

L'approche « big data » des grandes masses de données en agriculture suscite beaucoup d'intérêt. Plusieurs projets en agriculture, mais aussi plus particulièrement en élevage, vont essayer de collecter et de traiter avec les nouvelles technologies d'intelligence artificielle les masses d'informations (« big data ») issues des nouvelles technologies dans ces secteurs (Morota et al., 2018). Ainsi, l'initiative « Farmbeats » de Microsoft propose des outils pour y parvenir (https://www.microsoft.com/en-us/research/project/farmbeats-iot-agriculture/). Mais il ne faut pas exclure que la combinaison des approches plus mécanistes de modélisation avec les apports du « big data » puisse encore améliorer l'utilisation de l'information pour la décision (Ellis et al., 2020). Les enjeux sont importants à l'échelle de filières ou de territoires pour anticiper les situations de marché, d'offre de ressources, les risques sanitaires, etc. Par exemple pour les risques sanitaires, des algorithmes analysant en continu les durées de gestation des vaches auraient permis, en surveillance syndromique (Marceau et al., 2014), de détecter des anomalies dans le nord de la France en 2008 seulement 7 semaines après la première notification clinique de fièvre catarrhale ovine. Les données collectées en continu permettraient, à l'instar du fameux algorithme de Google « Flu Trends », de détecter l'émergence d'un nouveau syndrome à l'échelle d'un territoire.

Notes

• Cet article a fait l’objet d’une présentation aux 25èmes Rencontres Recherches Ruminants (Faverdin et al., 2020a).