Dans l’industrie fromagère, l’« extrait sec » (la part de matière solide dans le fromage) est un indicateur clé pour suivre la performance de fabrication. Il doit être supérieur à un seuil fixé par la réglementation, tout en restant le plus proche possible de ce minimum afin de garantir à la fois la conformité des produits et la compétitivité des entreprises.

Jusqu’à présent, atteindre cet objectif repose surtout sur l’expertise des fromagers, qui ajustent les procédés en fonction de leur expérience et de la variabilité du lait. Pouvoir prévoir à l’avance des indicateurs comme l’extrait sec, à partir des caractéristiques du lait et des conditions de fabrication, permettrait d’améliorer ces performances.

Pour cela, de nouvelles méthodes issues du Machine Learning sont aujourd’hui utilisées. Elles permettent d’analyser de grandes quantités de données et de mieux comprendre les variations observées. Dans cette étude, plusieurs modèles ont été testés pour prédire l’extrait sec d’un fromage industriel à partir de données réelles de production (plus de 2 800 fabrications et 76 paramètres suivis tout au long du procédé).

Les modèles les plus performants ont ensuite été étudiés pour identifier les paramètres les plus influents. Cinq facteurs principaux ont ainsi été mis en évidence, permettant de mieux comprendre ce qui fait varier l’extrait sec.

Ces résultats renforcent l’expertise des fromagers et les aident à ajuster plus précisément les conditions de fabrication pour améliorer leurs performances. Plus largement, cette capacité à prévoir et à expliquer les résultats ouvre de nouvelles perspectives pour l’industrie fromagère. Cette approche pourrait être appliquée à d’autres indicateurs (économiques, environnementaux ou liés à la qualité des produits) et à d’autres systèmes de production agroalimentaire, afin d’améliorer leur performance globale.