En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal AgroParisTech Université Paris Saclay

MIA Paris

Interdisciplinary PhD position - DigitWelfare

08 avril 2022

PhD position - A hybrid modelling approach to characterize dairy goat’s activity profiles associated with welfare

WORKING ENVIRONMENT AND ACTIVITIES

Today, we all want animal production systems that are more respectful to animal welfare. Animal welfare is defined as a positive mental and physical state achieved by satisfaction of the animal’s physiological and behavioural needs according to its own perception of the situation (ANSES, 2018). Moreover, the agroecological transition of livestock farming integrates the concept of one welfare, where the interdependence between the welfare of animals, wellbeing of farmers and environmental protection is highlighted as part of this transition. To respond to these expectations, continuous objective measures of welfare state at the individual animal scale are needed. However, animal welfare is a multicriteria concept with different animal indicators combining behaviour, health, and aspects of peperformance and physiology. Such indicators are increasingly measurable with lower cost and less human effort thanks to PLF (Precision Livestock Farming) technology

The objective of this thesis is to improve our ability to assess welfare by developing a pipeline for collection of heterogenous PLF (Precision Livestock Farming) data of performance and activity of dairy goats and develop a modelling approach (combination of supervised machine learning algorithm and dynamic model of perturbed production performance). This will allow us to (1) determine the activity profiles associated with different husbandry practices considered in this project, and (2) to develop a multi-variable machine learning algorithm combined with dynamic model of goats’ performance considering behavioural and performance data, to detect deviations in the behavioural data in relation to perturbations of performance. The originality of our approach lies in the combining of the perturbed model of performance and a supervised machine learning algorithm. In particular, the following methods will be used: random forests (scikit-learn), gradient boosting with decision trees (xgboost, catboost, lightgbm), neural networks (tensorflow, keras). This project will break new ground in the characterization of activity profiles, and develop a novel modelling approach to detect deviations in these profiles. These deviations are potential signs of health and welfare problems.

This interdisciplinary thesis will benefit from the expertise of supervisors in data analytics, Artificial Intellegence, biology of robustness, and animal behaviour. This project will provide a rich research environment for the PhD candidate because it is associated with a number of projects and researcher networks in which the supervisorial team is implicated. The successful candidate will have the possibility to participate in the meetings and seminars of these networks. After the three years of the thesis, the PhD is expected to obtain a solid experience in interdisciplinary research. The PhD student will acquire knowledge on what are the different types of modelling approaches and how the combination of such approaches enables valuable inferences to be extracted from existing data, in particular PLF data. She/he will be able to develop machine learning and concept driven models. From an animal science point of view, the PhD candidate will become familiar with animal welfare concept and its influence on production sustainability. Most of all, she/he will gain the necessary tools and interdisciplinary experience to be able to handle such projects in the future as researcher or engineer.

The successful candidate will be integrated in the MoSAR team (systemic Modelling Applied to Ruminants) and the dynamic of doctoral school ABIES (Paris-Saclay university and AgroParisTech). She/he will have the possibility to follow graduate courses (English and French) of INRAE, Paris-Saclay university and AgroParisTech.

TRAINING AND SKILLS REQUIRED

- MSC (or diplôme d’ingenieur) in computer science, statistics, applied mathematics

- Knowledge on Python/R programming language

- Knowledge and experiences on the machine learning and modelling projects (Neural network, Random Forest, …)

- Experience in the domain of biology is advantageous

- High interest in animal welfare and behaviour

- Excellent communication skills to interact with a multi-disciplinary team.

Reception modalities

 Unit: MoSAR  Postal code + city: 75005, Paris  Type of contract: doctoral  Duration of the contract: 36 months  Starting date: October 2022

How to apply

To postulate, please send your CV, motivation letter (using the format provided in attached), recommendations and the name of your references (scientists) to Masoomeh.Taghipoor@inrae.fr Joon.kwon@inrae .fr

Deadline:10/05/2022

After a first selection, an oral presentation in front of the doctoral school jury is expected (from 13th to 15th of June 2022).