Présentement, plusieurs critères de conformation, de performance ou de génétique servent à classer et sélectionner les vaches. Dans ce processus, le décideur suppose que les critères basés sur la performance antérieure, les valeurs génétiques ou des projections à court terme, comme les rendements à 305 jours en lait, sont étroitement liés à la performance et à la rentabilité futures des vaches à long terme. De plus, bien que les vaches puissent être classées selon leur génétique et leur performance, des décisions cruciales sont souvent prises en ignorant leur probabilité de rester dans le troupeau. Cette omission peut mettre à risque le progrès génétique, la longévité et la rentabilité globale du troupeau.
Dans cette optique, Lactanet a voulu déterminer à quel point les critères de sélection existants sont reliés à la performance future et explorer si la puissance de l’IA peut aider à mieux prédire la rentabilité et les revenus futurs des vaches ainsi que leur probabilité de survie.
Les revenus cumulés à vie peuvent-ils être prédits par des critères de sélection existants?
En suivant la même orientation que l’indice génétique Pro$ et le classement des vaches selon le revenu, générés par Lactanet, les comparables de base pour cette analyse ont été les rendements cumulatifs à l’âge de 6 ans. Le seuil de 6 ans représente un âge mature et est considéré comme une durée de vie réaliste. En plus, la comparaison des performances de vaches à une étape de vie standardisée plutôt qu’à la fin d’une lactation, à l’âge au vêlage ou au nombre de parités est une référence plus impartiale et uniforme.
À partir d’un ensemble de données de production couvrant environ 12,5 millions de contrôles laitiers individuels provenant de 2 587 fermes au Québec entre 2017 et 2025, les rendements cumulatifs de lait, de gras et de protéine à l’âge de 6 ans ont été calculés rétrospectivement pour 12 927 vaches, toutes races comprises. Les marges et les revenus cumulatifs à l’âge de 6 ans ont été calculés à l’aide de modèles économiques reflétant les prix du lait et les coûts opérationnels.
Les performances cumulatives à l’âge de 6 ans ont été comparées aux indicateurs de sélection existants afin de déterminer à quel point la performance future pouvait être effectivement prédite par ces indicateurs. Les projections à 305 jours montraient l’association la plus proche, mais leur capacité de prédiction demeure relativement faible. Par exemple, le rendement cumulatif du gras sur 305 jours n’expliquait que 44 à 57 % de la variation du gras cumulé futur selon la parité.
Comme le démontre la figure 1, bien que le gras cumulé à 6 ans augmente à mesure que le rendement du gras à 305 jours pendant la première lactation augmente, la variation autour de cette relation mine la fiabilité des prédictions. Par exemple, des vaches produisant 400 kg de gras en 305 jours à leur première lactation pouvaient aussi bien produire 1 500 que 2 500 kg de gras à l’âge de 6 ans. D’autres indicateurs comme Pro$ présentaient une relation encore plus faible, expliquant seulement 17 % de la variation du revenu cumulé à 6 ans. Par conséquent, bien que les critères de sélection existants permettent d’identifier des vaches supérieures en production et en génétique, il y a des progrès à faire quand vient le temps de prédire la performance et la rentabilité future des vaches.
On en conclut donc que la capacité à mieux prédire la performance future des vaches pourrait aider à identifier celles à garder dans le troupeau en fonction de leur contribution future à la rentabilité de l’entreprise, particulièrement pour les vaches dans la plage intermédiaire de performance ou de valeur génétique.
L’IA pour prédire les revenus futurs et la probabilité de survie
En utilisant le même jeu de données décrit précédemment, un modèle perceptron multicouche (un type de réseau neuronal artificiel d’apprentissage profond) a été utilisé pour prédire les rendements et les revenus futurs à 6 ans (pour les vaches âgées de 5,7 ans et moins) et au prochain anniversaire (pour les vaches de plus de 5,7 ans).
Les modèles obtenus ont présenté une bonne performance prédictive, expliquant jusqu’à 97 % de la variation des rendements futurs avec une erreur absolue moyenne de 5,68 %, 5,92 % et 5,51 %, pour le lait, le gras et la protéine, respectivement. Les modèles prédictifs pour la marge et le revenu futurs ont obtenu des performances similaires. Par exemple, la figure 2 représente la relation entre les revenus observés avec ceux prédits par le modèle. La performance du modèle était indépendante de la race ou de l’âge des vaches, ce qui renforce la robustesse des modèles.
La capacité de prédire aussi la probabilité de survie des vaches est apparue comme un besoin pour aider à la prise des décisions stratégiques et durables. Pour ce faire, les données de 214 700 cas de réforme involontaire ont été identifiées et des variables explicatives ont été sélectionnées pour bâtir un modèle d’arbres décisionnels XGBoost, une autre technique d’IA prometteuse, pour prédire la probabilité de survie à des intervalles réguliers au cours des deux années à venir.
Par exemple, la figure 3 illustre les courbes de survie prédites par ce modèle pour deux vaches (A et B), la vache A présentant une probabilité de survie plus grande à un an, mais une probabilité de survie similaire à deux ans par rapport à la vache B. Dans les faits, la vache B a été reformée 4 mois après la prédiction tandis que la vache A a été reformée 20 mois après, ce qui correspond bien aux prévisions du modèle. Donc, la performance prédictive obtenue est relativement bonne : 0,71 sur une échelle de 0 à 1, indiquant que le modèle était capable d’identifier la plupart des cas positifs (réforme) et d’éviter trop de faux positifs. Ce n’est pas parfait! Mais les indices de probabilité de survie générés avec ce modèle peuvent tout de même être utilisés comme outil d’aide à la décision (par exemple, pour un classement initial ou pour prioriser des cas) et toujours combinés avec d’autres critères de sélection et une dose de bon jugement. Des améliorations futures de ce modèle sont envisageables lorsque des données supplémentaires, comme celles liées à la reproduction et aux événements de santé, seront disponibles.
Plusieurs critères de sélection regroupés
Ces nouveaux critères de sélection développés avec l’aide de l’IA et axés sur la performance future et la probabilité de survie feront partie de Selacta, un nouveau tableau de bord interactif disponible au cours de l’année 2026. Dans cet outil, les utilisateurs auront également accès à plus de 20 critères de sélection existants reliés à la génétique, la période de transition, la santé, l’état reproductif et la performance pour pouvoir classer les vaches selon leurs besoins. Parmi d’autres caractéristiques, Selacta offrira :
- l’option de personnaliser les coûts opérationnels pour le calcul de la marge
- des comparables provinciaux et indicateurs de performance du troupeau
- un indice composite calculé selon les critères choisis
Selacta a pour but d’aider les producteurs et autres intervenants à classer et sélectionner les vaches selon les critères de leur choix, de soutenir leurs prises de décision de gestion à court et moyen terme grâce aux nouveaux indicateurs basés sur la prédiction des rendements anticipés et la probabilité de survie et, éventuellement, d’accroitre la longévité et la rentabilité du troupeau.
Ce projet a reçu des soutiens financiers dans le cadre du Programme de développement territorial et sectoriel du ministère de l’Agriculture, des Pêcheries et de l’Alimentation, et une contribution des Producteurs de lait du Québec.
