Sur dix vaches boiteuses, le modele en reperait deux

Sur dix vaches boiteuses, le modèle en repérait deux. 40 495 notations de mobilité sur 2 690 animaux, répartis dans 10 troupeaux laitiers. Cinq modèles testés, dont deux de deep learning, entraînés sur des données déjà enregistrées en élevage. 📉 Sensibilité moyenne entre les fermes, 0,21 à 0,28. Tous les modèles savaient dire quel animal n'était pas boiteux. Presque aucun ne savait dire lequel l'était. 🤖 Le détail qui pique : le deep learning n'a pas fait mieux que la régression logistique. Empiler de la puissance de calcul n'a pas compensé le manque de contexte. 🔧 Puis les auteurs ont réglé le seuil de décision ferme par ferme. Sensibilité moyenne : 0,64 à 0,71. Même modèle, même données, résultat multiplié par trois. 📊 Et les variables qui traversent le mieux les élevages sont les moins spectaculaires. Historique de boiterie, âge de l'animal, antécédent d'ulcère de sole. Ce que vous notez déjà. ⚠️ Deux limites. Le réglage reste exploratoire, fait après coup. Et le jeu de données ignorait le logement et la litière, deux facteurs de risque connus. Une partie de l'écart entre fermes se joue peut-être là. 🐄 C'est de l'élevage laitier. La question vaut pour tout outil vendu à une structure vétérinaire : validé où, et réglé par qui ? ✅ L'IA identifie un risque, le praticien décide. Et un outil se règle sur votre terrain avant d'y servir à quelque chose. 📚 Référence : Lewis K. E., Randall L., O'Grady L., Green M., Manning A., Bradley A., Clifton R. (2026). « Cross-farm generalisation of machine and deep learning models for lameness prediction in multiparous dairy cows ». Preventive Veterinary Medicine, 255, 106965. https://doi.org/10.1016/j.prevetmed.2026.106965 🎙️ Nous creusons ce type de publication dans VETO-IA : https://open.spotify.com/show/5wlGAVBuJwv0a1QFepdwoX