Offre de Thèse CIFRE : Projet Num’Agnel – Développement d’un modèle d’IA pour prédire l’agnelage à partir de données de capteurs

Contexte 

L’agnelage est une étape clé dans la gestion des élevages ovins, mais elle est aussi l’une des périodes les plus critiques. Les éleveurs doivent faire face à des taux de mortalité parfois élevés, que ce soit chez les agneaux ou chez les brebis, en raison de complications liées au travail d’agnelage, d’un manque de surveillance ou d’interventions tardives. Ces pertes impactent fortement la rentabilité des exploitations et soulèvent également des enjeux de bien-être animal. 

Dans ce contexte, le projet Num’Agnel s’inscrit dans une dynamique d’innovation technologique visant à soutenir les éleveurs en l’alertant d’un agnelage imminent. L’objectif est de fournir un système prédictif fiable basé sur des capteurs et des algorithmes d’intelligence artificielle, capable d’alerter les éleveurs pour permettre des interventions précoces et adaptées. 

La solution envisagée repose sur l’utilisation de plusieurs technologies complémentaires : 

• Caméras : Pour analyser les comportements des brebis. 
• Accéléromètres : Pour détecter les mouvements spécifiques associés aux phases de préparation à l’agnelage. 
• Capteurs de proximité : Pour surveiller les interactions et changements de position des animaux. 

Grâce à ces outils, Num’Agnel vise à garantir une surveillance renforcée, même en l’absence physique de l’éleveur. Cette approche, basée sur l’intelligence artificielle, permettra également de valoriser les données collectées pour enrichir les connaissances sur le comportement des ovins. 

Objectifs 

La thèse s’articule autour de plusieurs axes, avec un objectif central : développer des approches capables de relever le défi majeur du traitement des données massives, non structurées et peu labellisées, issues de capteurs agricoles.

Traitement de données non structurées 

Dans le cadre du projet Num’Agnel, les données brutes collectées (images, accéléromètres, capteurs de proximité) représentent une source d'information précieuse mais complexe à exploiter dans leur état natif. Ces données, par nature massives, hétérogènes et bruitées, posent plusieurs défis qui doivent être résolus pour extraire des informations pertinentes et exploitables. 

La thèse devra donc s’attacher à : 

• Synchroniser des données hétérogènes issues de différentes sources en proposant des solutions robustes pour aligner temporellement et spatialement des données qui peuvent présenter des décalages, des absences ou des incohérences. 
• Développer des stratégies de fusion adaptées, qui tiennent compte des particularités des données bruitées et non standardisées.  
• Explorer des techniques de prétraitement avancées : telles que des modèles auto-supervisés ou basés sur les représentations latentes, permettant d’extraire des informations significatives sans dépendre d’un étiquetage exhaustif. 

L’objectif de cette étape est de fournir une base solide et cohérente de données traitées, qui pourra ensuite alimenter les modèles prédictifs. 

Développement des modèles prédictifs 

Une fois les données prétraitées, la thèse s’orientera vers le développement de modèles d’intelligence artificielle capables de détecter avec précision l’arrivée imminente d’un agnelage. Ce volet nécessitera : 

• Tester des modèles de Deep Learning, en s’appuyant sur des architectures reconnues pour leur robustesse dans le traitement de données massives ou des techniques d’apprentissage avancées 
• Évaluer les performances des modèles sur des ensembles de données tests, en intégrant des critères tels que la précision, la robustesse aux environnements bruités, et la capacité de généralisation. 

Profil recherché 

Pour mener à bien ce projet, nous recherchons un(e) candidat(e) avec le profil suivant : 

• Formation : Diplôme Bac+5 (Master ou école d’ingénieur) dans les domaines suivants : analyse d’images, intelligence artificielle, data science, ou tout autre domaine pertinent. 
• Compétences techniques : 
  • Maîtrise des langages de programmation pour l’analyse de données et le développement d’algorithmes d’IA (Python ou similaire). 
  • Connaissances en traitement d’images et/ou traitement de données issues de capteurs (vision par ordinateur). 
  • Familiarité avec les frameworks de deep learning (TensorFlow, PyTorch, Keras) et les bibliothèques de data science (pandas, NumPy, scikit-learn). 
• Intérêt marqué pour l’élevage et/ou les applications pratiques des technologies dans des environnements réels. Une sensibilité aux problématiques d’élevage est un atout. 
• Qualités personnelles : 
  • Capacité d’adaptation, créativité et curiosité intellectuelle. 
  • Bonnes compétences en communication pour interagir avec des ingénieurs et des scientifiques. 
  • Autonomie tout en sachant travailler en équipe dans un cadre pluridisciplinaire.

Encadrement :  

Thèse sous l’encadrement de Louise Helary (Data scientist au sein du service DATA’STAT de l’institut de l’Elevage), d’Adel Hafiane, Xavier Desquesnes et Bruno Emile (laboratoire PRISME INSA CVL - Université d’Orléans). En plus de ces encadrants, le doctorant aura l’occasion d’interagir avec les autres acteurs du projet. 

Conditions pratiques 

• Durée : Thèse CIFRE de 3 ans. 
• Lieu : Basée au laboratoire PRISME INSA CVL - Université d’Orléans 
• Cadre contractuel : Le doctorant sera embauché sous un contrat CIFRE 

Contact : 

Envoyer une lettre de motivation et un CV à louise.helary(at)idele.fr avant le 13 juin 2025.