Na celém světě je přibližně více než jedna miliarda ovcí. Hlavní oblasti chovu ovcí se nacházejí v Austrálii, Jižní Americe a na Novém Zélandu i v Evropě a Asii. Navzdory obrovskému počtu ovcí v rozvinutých zemích jsou ovčí farmy ve srovnání s chovem skotu obhospodařovány relativně tradičními přístupy. To znamená zvýšení nákladů na krmivo, zranitelnost vůči predátorům, problémy se zdravím zvířat a nepříznivé dopady na životní prostředí. S rozvojem lepších postupů přesného chovu jsou zemědělcům nabízena digitální řešení jejich ovčích farem.
Integrace digitalizace a umělé inteligence, znamená začátek nové éry efektivního chovu ovcí.
Již od starověku se ukazuje, že používání psů při řízení a ochraně ovcí před predátory je vysoce účinné. Bylo však pozorováno, že tento přístup může u ovcí vyvolat chronický stres, který se vyznačuje zvýšenými hladinami kortizolu, a to především v důsledku zranitelné a povahy ovcí. Slibnější alternativou je integrace autonomních pastevních systémů s umělou inteligencí. Za tímto účelem byly prozkoumány drony a koncept známý jako „sky shepherding“. Drony mohou být naprogramovány tak, aby vysílaly různé zvukové podněty k vyvolání specifických reakcí ovčích stád. Během nočního provozu lze navíc využít drony vybavené termálními infračervenými kamerami k detekci potenciálních hrozeb a vyhlášení poplachu v případě vetřelců.
Virtuální oplocení využívá počítačový systém, který má schopnost vytvářet hranice bez použití jakékoli fyzické bariéry nebo plotu. Konvenční fyzické oplocení (s viditelnou hranicí) na farmách má problémy s údržbou a vysokými náklady. Přijetí technologie virtuálního oplocení (technologie bez plotu) má řadu výhod, včetně ochrany zvířat, snížení nadměrné pastvy a nákladové efektivity. Tato technologie řízená umělou inteligencí má virtuální oplocení založené na globálním polohovém systému (GPS), díky čemuž nejsou nutné fyzické bariéry. Když se ovce pokusí prolomit virtuální hranici, jsou buď vystaveny zvukovému signálu, nebo obdrží mírný elektrický podnět digitálním obojkem. V reakci na etické obavy týkající se používání elektrických stimulů vymysleli systém, který využívá výhradně sluchové signály, aby odradil ovce od přechodu virtuálního perimetru.
Použití konvenční světelné mikroskopie zůstává zlatým standardem pro identifikaci střevních parazitů ve vzorcích stolice, a to především díky její ceně a dostupnosti. Tato metoda je však časově náročná, pracná, méně citlivá a podléhá interpretačnímu zkreslením. Jako slibná alternativa se ukázala integrace umělé inteligence do laboratoří klinické mikrobiologie a parazitologie, která je schopna poskytovat přesné, citlivé a rychlé výsledky. Skupina výzkumníků vyvinula model konvoluční neuronové sítě (CNN) kombinací digitálního skenování diapozitivů s umělou inteligencí. Tento model prokázal vynikající citlivost a přesnost ve srovnání s manuálním vyšetřením. Nové metody navíc zahrnují využití síly strojového učení k hmotnostním spektrům MALDI-TOF. Na trhu je automatizovaný skener poháněný umělou inteligencí známý jako VETSCAN IMAGYST, který využívá algoritmy hlubokého učení k identifikaci vajec ve stolici. Tento přístup je praktický, protože moderní chytré telefony jsou vybaveny vestavěnými senzory a jsou nákladově efektivní proti pracné mikroskopii.
Pro rozhodování v oblasti péče o zvířata je nezbytné zaměřit se na sběr dat z farmy v reálném čase. Identifikace jednotlivých ovcí a jejich různého chování má zásadní význam pro sledování jejich zdravotního stavu a dalších postupů pomocí automatizovaného sledovacího systému založený na radarech s přesným sledováním zvířat v reálném čase. Generovaná data se integrují systémů založených na umělé inteligenci, které upozorní zemědělce na jakékoli nežádoucí změny. Automatizovaný systém je schopen detekovat změny ve výrazech obličeje ovcí, které svědčí o bolesti. Digitalizace počítání ovcí proto získává na stále větší přitažlivosti. Používá se konvoluční neuronová síť (CNN) pro počítání ovcí, nebo je možno využít model umělé inteligence, který je detekuje na obrázcích nebo videích. Tento systém využívá fotoaparát k pořizování fotografií nebo videí a vkládání do systému, který dokáže přesně identifikovat ovce s efektivní možnosti detekce a počítání.
Efektivní řízení a welfare ovcí na farmách, i během jejich přepravy mezi farmami, lze hlídat sledováním dynamiky skupin ovcí, jejich pozic, chování a fyziologických ukazatelů. Pravidelné sledování chování ovcí je cenné pro včasné odhalení nemocí nebo jakýchkoli nepříjemných pocitů, které mohou ovce pociťovat. Běžně používanou metodou sledování chování zvířat je ruční pozorování, ale tento přístup je neefektivní, časově náročný a nepraktický. Aplikace umělé inteligence a strojového učení při monitorování ovcí pomocí počítačových algoritmů, různých biosenzorů a technik sběru dat. Biosenzory se používají ke shromažďování údajů v reálném čase o chování zvířat, příjmu krmiva, zdraví a podmínkách prostředí. Pro behaviorální analýzu použili vědci model, který nejprve zpracoval vstupní obrázky pasoucích se ovcí, aby se naučil rozpoznávat normální chování ovcí. Model by pak vyslal alarm, pokud se zaznamená odlišné chování. V jiné studii vědci použili senzory GPS a 3D akcelerometry připevněné k obojku.
V chovu ovcí mohou potenciální anomálie mimo jiné zahrnovat příznaky nemoci, neobvyklé v chování stáda a neočekávané podmínky prostředí. Byly vytvořeny přesné predikční modely, které zasílají upozornění zemědělcům na základě dat od zvířat a životního prostředí a mohou pomoci při detekci jakékoli odchylky od normálu. Technologický pokrok umožňuje vytvářet diagnostické nástroje schopné identifikovat anomálie, aniž by zvířeti způsobovaly stres. To umožňuje odhalit ohnisko nákazy několik dní předtím, než by se o něm zemědělci vůbec dozvěděli.
Pojmem „přesné krmení“ se rozumí praxe, při níž je hospodářským zvířatům poskytováno krmivo v množství a složení, které odpovídají jejich specifickým výživovým potřebám a tělesným požadavkům. Pro sledování výživy přežvýkavců byly vyvinuty různé senzory a technologie. Přesná analýza příjmu krmiva pro ovce je důležitá pro zdraví ovcí, využívá akustické signály produkované žvýkání krmiva ovcí. Tyto signály mohou být zachyceny zařízením na krčním obojku a zpracovány nástrojem strojového učení, aby bylo možné předpovědět jakoukoli odchylku v chování při krmení jako známku nemoci. Zvukové signály z kousání, žvýkání a přežvykování lze rozlišit. Podobný systém se také používá ke sledování příjmu píce jednotlivými ovcemi.
Digitalizace a využití umělé inteligence mají potenciál výrazně zlepšit chov ovcí tím, že umožní optimalizaci plánů chovu, sledování údajů o říji, identifikaci optimálních párů při páření, výběr žádoucích genetických znaků a předpovídání plemenných hodnot. Výzkum také prokázal, že techniky strojového učení mohou přesně předpovídat plemenné hodnoty ovcí, což je účinnější alternativou ke konvenčním strategiím. K implementaci umělé inteligence do šlechtění jsou zapotřebí velké objemy dat o genetických a fenotypových znacích.
Tradiční chov ovcí je typický vysokými náklady, časovými omezeními a nespolehlivostí. Nedávný výzkum se významně zaměřil na vývoj mobilních aplikací založených na umělé inteligenci a mobilních integrovaných zařízení určených ke zlepšení životních podmínek ovcí. Vzhledem k tomu, že zemědělské podniky se obvykle nacházejí ve venkovských oblastech, mohou komunikační mezery mezi zemědělci a veterinárními lékaři vést k finančním ztrátám. Mobilní aplikace překlenují tuto mezeru a umožňují zemědělcům zůstat ve spojení s veterináři a sledovat zdravotní zprávy. Různé aspekty chovu ovcí, včetně postupu březosti, welfare chovu a informací o očkování ovcí, lze snadno sledovat pomocí rychlejšího a přesného systému rozpoznávání obličeje.
Přestože se umělá inteligence a strojové učení rychle rozvíjejí, stále čelí určitým výzvám. Vývoj vhodných algoritmů a jejich validace zůstává výzvou při implementaci strojového učení. Řešení pro moderní zemědělské postupy by měla být přizpůsobitelná různým velikostem a zeměpisným oblastem a měla by být uživatelsky vstřícná, aby si je zemědělci osvojili. Navzdory četným výhodám, které digitalizace nabízí, jako je snížení požadavků na pracovní sílu, je důležité si uvědomit klíčovou roli lidského zásahu. Drobní chovatelé ovcí by z používání umělé inteligence pravděpodobně neměli prospěch. Je to proto, že algoritmy umělé inteligence spoléhají při trénování a ověřování ve velkých souborech dat, na modely, které předpovídají situace. Tato technologie vyžaduje značné finanční investice do vybavení a odborných znalostí. Dostupnost takové modernizace je proto další velkou výzvou. Několik modelů umělé inteligence využívá GPS a další senzory, což vyžaduje vysokorychlostní připojení k internetu, jako je 5G. Tyto systémy mohou ovlivnit také faktory prostředí, jako je počasí nebo terén. Nově vznikající modely založené na umělé inteligenci se aplikují na různá zvířata včetně ovcí, skotu, koní, drůbeže, prasat a koz. Přestože cílem využití umělé inteligence v chovu ovcí je zvýšit produktivitu, budoucí výzkum by měl věnovat také etice používání umělé inteligence v chovu ovcí. Jedním z důležitých směrů výzkumu je prediktivní řízení zdraví pomocí umělé inteligence. Další výzkum by měl také zjistit, jak může umělá inteligence pomoci chovu ovcí v měnících se podmínkách prostředí v důsledku změny klimatu
Digitalizace a umělá inteligence se stala všudypřítomnou ve všech aspektech života. Některé z problémů, kterým se čelí při zavádění technologií umělé inteligence v chovu ovcí, jsou vysoké náklady, potřeba velkých dat, možnost nepřesných předpovědí, etické aspekty, problémy s adaptabilitou na nové prostředí a složitost. To vyžaduje mezioborovou spolupráci mezi veterináři, počítačovými vědci, odborníky na chování zvířat a zemědělskými inženýry.*
