Chytrý chov
Velká data, strojové učení a chytrý chov
Představte si budoucnost, kdy zdravotní stav a tělesnou hmotnost každého prasete na farmě bude možné sledovat v aplikaci pro mobilní telefon.
Budoucnost, kdy senzorové sítě v reálném čase průběžně sledují chování prasat, spotřebu krmiva a klima ve stáji a mohou varovat chovatele, pokud se tyto proměnné odchýlí od normálního stavu. Tato budoucnost se rychle stává skutečností s příchodem chytrého chovu hospodářských zvířat a technologií velkých dat, což přináší prasečímu průmyslu mnoho zajímavých příležitostí.
Chytrý chov
V chytrém chovu mohou být prostřednictvím senzorových sítí generovány rozsáhlé a komplexní datové soubory, které lze analyzovat pomocí technologií velkých dat. Neustálé monitorování poskytuje podrobné informace, které mohou zpracovat počítače, aby je chovatelé mohli použít k optimalizaci svých stád. Například použití technologie pro identifikaci chromého prasete na základě času, který strávilo vleže, je mnohem užitečnější informace, než jednoduše poskytnout zemědělci celkovou dobu, po kterou prase leží.
Velká data a strojové učení
Schopnost detekovat vzory ve velkých datech byla významně posílena příchodem strojového učení, které zahrnuje počítačové programy a algoritmy, schopné se přizpůsobit velkému množství dat a časem rozpoznat, co je v datové sadě normální a co ne. Počítače pak mohou identifikovat jakákoliv neobvyklá data a oznámit, které podmínky vedly k této odchylce. Čím více dat je jim poskytnuto, tím přesnější jsou jejich předpovědi. Výsledkem je schopnost počítačů předpovídat události, jako jsou ohniska nákazy, nebo upozornit chovatele na problém, který vyžaduje jejich zásah.
Strojové učení bylo nedávno použito k identifikaci neznámých vzorců přenosu nemocí na amerických prasečích farmách. Již dříve bylo známo, že přesun selat do odchovny souvisí se zvýšeným rizikem virové průjmové epidemie prasat (PEDv), ale přenos nemoci mezi sousedními farmami při neexistenci přesunu zvířat byl záhadou. Autoři měli podezření, že se jedná o klimatické změny. Aby identifikovali faktory související s ohnisky choroby, analyzovali data o přepravě více než 15 milionů prasat pocházejících od 332 prasnic v kombinaci s údaji o počasí, fyzikálních vlastnostech farem a okolní krajiny a o hustotě populace prasat. Algoritmy strojového učení potvrdily, že přeprava zvířat byla pro PEDv vysoce rizikovým faktorem, ale také identifikovaly aspekty počasí, jako je roční období a rychlost větru, které souvisely s ohnisky epidemie. Tyto výsledky by nebyly možné pomocí tradičních statistických metod.
Co všechno umí počítače
Schopnost počítačů vzdáleně detekovat změny v chování prasat je ohromující. Například prostřednictvím sítě kamer mohou non-stop sledovat chování prasat a zjistit negativní projevy jako jsou boj nebo kousání ocasu. Umí automaticky počítat prasata, čímž se eliminuje potřeba ručního počítání při transportu, určí optimální okamžik inseminace, což vede k přesné inseminaci jedné dávky. U kojících prasnic lze video použít ke sledování mateřského chování a ke zjištění příčin zalehnutí selat. Obrazová analýza umožňuje také odhad tělesné hmotnosti prasat a přesnější předpověď věku v jateční zralosti. Tepelné zobrazování detekuje změny tělesné teploty svědčící o nemoci a zvukové senzory mohou rozpoznat tepelný stres, bolest a respirační onemocnění na základě vokalizací a kašlání prasat. Fotoaparáty dokonce umí identifikovat jednotlivá prasata pomocí rozlišování obličeje.
S přístupem k odpovídajícímu výpočetnímu výkonu lze toto množství digitálních informací použít k rychlému odhalení zdravotních a životních problémů ve stádě. Například ušní značky, které obsahují akcelerometry, mohou sledovat pohyb prasat a automaticky detekovat kulhání 14 dní před projevením se i mírných příznaků. Protože je často obtížné manuálně detekovat kulhání ve velkých skupinách dříve, než se stane závažným, má tato technologie potenciál zkrátit dobu potřebnou pro léčbu chromých prasat a zkrátit dobu jejich utrpení. Individuální monitorování výrobních údajů, jako je konverze krmiva a intenzita růstu, může také pomoci s managementem a výrazně zlepšit zisky.
Kde jsou rezervy
Zvyšování přesnosti chovu hospodářských zvířat je dalším nevyhnutelným krokem v zemědělském průmyslu. Navzdory zřejmým výhodám pro chovatele existuje řada fyzických a technických obtíží, které je třeba překonat, než se tyto technologie rozšíří. Použité senzory musí být například dostatečně robustní, aby vydržely v prostředí stájí pro zvířata a počáteční náklady na jejich instalaci mohou být pro některé chovatele překážkou. Nutný je také přístup k počítačovým systémům, které jsou schopné zpracovat velká data do použitelných výstupů. Špatné připojení k internetu v mnoha venkovských oblastech může představovat další překážky pro řešení, která se spoléhají na vzdálenou technologii. Mnoho z těchto otázek se však bude řešit s postupným vývojem technologií v budoucnosti.
Sdílení dat je (zatím) problém
Aby mohly počítače vyvinout algoritmy potřebné pro zpracování dat do užitečných výstupů, musí být nejprve „vyškoleny“ pomocí velkých souborů dat a výsledky musí vědci potvrdit z hlediska jejich biologického významu pro zdraví a pohodu prasat. Přístup k velkým datům pro strojové učení vyžaduje spolupráci a sdílení dat v rámci odvětví, což chovatelům přináší výhody i nevýhody. Některé formy velkých dat jsou veřejně dostupné, například údaje o výskytu onemocnění zvířat nebo údaje o počasí. Ostatní údaje jsou k dispozici pouze soukromě a to včetně výrobních a dalších údajů, které si podniky přejí uchovat kvůli konkurenci v soukromí. Budoucí vývoj externě spravovaných úložišť pro ukládání soukromých dat může pomoci zmírnit obavy a zároveň umožnit přístup k těmto údajům pro strojové učení.
Příležitost pro lepší zdraví a pohodu prasat
Použití technologií velkých dat a strojového učení ke sledování fyziologie a chování prasat v reálném čase představuje mnoho příležitostí ke zlepšení jejich zdraví a pohody. Okamžitá reakce prasat na změny v jejich prostředí může být měřena v reálném čase a podle toho se upraví jejich chov. Problémy ve stájích lze identifikovat a napravit rychleji a lze je snáze předvídat. Chytrý chov kombinovaný s technologií strojového učení může chovatelům zajistit individuální péči o jejich zvířata a současně je chovat ve velkých populacích.
