Digital Livestock Farming – překlad článku, část 2.

Dnes Vám přinášíme druhou část vědeckého článku Digital Livestock Farming publikovaného v Sensing and Bio-Sensing Research z roku 2021.

Jedná se opět o překlad těch nejzajímavějších částí z anglického originálu, který si můžete celý přečíst zde:  https://www.sciencedirect.com/science/article/pii/S2214180421000131

Využití biometrických senzorů pro monitorování zdraví a welfare hospodářských zvířat vede k obrovskému množství potřebných údajů které musí být zpracovány a analyzovány tak, aby poskytly smysluplné poznatky pro možné řízení chovu. Tato nutnost vedla i k pokroku v analýze velkých dat a komplexních souborů dat. Precizní chov hospodářských zvířat se opírá o správné využití analýzy velkých dat o nutričních potřebách, reprodukčním stavu nebo klesajících trendech v produktivitě, které mohou poukazovat na zdravotní problémy zvířat nebo nedostatečné welfare. Velké datové modely stahují informace ze senzorů, zpracují a poté je použijí k detekci abnormalit v údajích. Data lze rozdělit na data orientovaná na zvířata a data orientovaná na jejich prostředí. Oba typy dat by měly být sledovány současně, neboť společně ovlivňují zdraví a produktivitu zvířat. Digitalizací živočišné výroby prostřednictvím používání údajů zaměřených na zvířata a životní prostředí lze zlepšit zejména jejich celkový zdravotní management, výživu, genetiku, reprodukci a welfare.

Spolu se zaváděním technologií precizního zemědělství je nutné také vyvíjet software, mechanismy kontroly kvality, databázové systémy a statistické metody pro shrnutí a vizualizaci dat. Datové modely poskytují smysluplný výstup pro chovatele, včetně předpovědi pravděpodobnosti budoucích událostí, zlepšují reakci a rozhodování chovatelů a mohou přispět k lepšímu využití vstupních zdrojů seskupováním zvířat podle jejich potřeb. Existují dva primární typy datového modelování: průzkumné a prediktivní. Průzkumné modely berou data z předchozích událostí a určují, které faktory byly důležité, zatímco prediktivní modely poskytují údaje pro předpovídání budoucích událostí. Právě použití prediktivních modelů umožňuje chovatelům předpovídat hospodářské výsledky a zavést proaktivnější přístup řízení farmy.Strojové učení je odvětví umělé inteligence, které využívá algoritmy pro statistickou předpověď a inferenci.

Strojové učení je rostoucí oblastí zájmu precizního chovu hospodářských zvířat, neboť umožňuje počítačovým algoritmům učit se postupně z velkých dat a stále se zdokonalovat. Algoritmus založený na strojovém učení je schopný detekovat mastitidu z automatizovaných technologií dojení na mléčných farmách, odhadnout tělesnou hmotnost pomocí analýzy obrazu nebo monitorovat zdraví. Digitalizace prostřednictvím technologií precizního zemědělství u chovu hospodářských zvířat má potenciál reagovat na rostoucí obavy spotřebitelů o dobré životní podmínky zvířat, udržitelnost životního prostředí, veřejné zdraví a také chovy připravit na uspokojení rostoucí poptávky po živočišných produktech. Systémové inovace v oblasti digitalizace chovu hospodářských zvířat představuje např. strategie Evropské unie Farm-to-Fork.

Jak vývoj a zavádění technologií postupuje, bude těchto technologií stále více a budou přístupné zemědělcům po celém světě, a to zejména chovatelům v rozvojových zemích, které čelí problémům s uživením rostoucí populace. Vzhledem k tomu, že celosvětový růst populace pokračuje a stejně tak i poptávka po živočišných produktech, nutnost hledání řešení, jak zefektivnit chov hospodářských zvířat bude kritičtější než kdy dříve.

Samozřejmě žádné velké pokroky v živočišné výrobě nepřicházejí zcela bez problému, které je nutné nyní identifikovat a řešit. Někteří spotřebitelé se obávají, že technologie precizního zemědělství přispějí k „továrnímu zemědělství“ s aspekty intenzivního chovu hospodářských zvířat, kdy se se zvířaty zachází spíše jako se zbožím než s vnímajícími bytostmi. Použití technologií na farmách má také potenciál vytvářet nerovnosti uvnitř odvětví, což vytváří socioekonomické nebo sociokulturní napětí a znevýhodňuje pracovníky, kteří nejsou technicky zdatní. Technologie precizního zemědělství jsou nyní stále v rané fáze implementace a než budou skutečně široce přijímány zemědělci a spotřebiteli po celém světě je nutné nalézt odpovědi na mnoho otázek.