Menu
e-shop
Producenti a zpracovatelé mléka čelí rostoucí poptávce. Udržení konkurenceschopnosti vyžaduje vysokou produktivitu. Jsou kladeny čím dál vyšší požadavky na udržitelnost. Jak mohou pomoci inovativní technologie a umělá inteligence, která se v posledních letech stala transformačním nástrojem v širokém spektru lidské činnosti.
Aktuální trendy stále ukazují na zvyšování poptávky po živočišné výrobě ovšem i na zájem o welfare a udržitelnost. S tím souvisí i vyšší koncentrace chovaných zvířat, ale také náhrada lidské práce, automatizace některých činností a využití robotizovaných systémů, které vyžadují odpovídající software a spolehlivá vstupní data.
Senzory pracující na různých principech jich jsou schopné nepřetržitě pořizovat obrovská množství. O to komplikovanější bývá jejich následná analýza a interpretace. Vysoce komplexní datové soubory se vyznačují nelinearitou a vzájemnými vztahy mnoha proměnných. Proto se rozšiřují aplikace založené na umělé inteligenci (AI) a tzv. strojovém učení (ML), které systémům umožňují učit se na dostupných datech, analyzovat je, a vytvářet různé analytické modely, u nichž díky iteracím dochází k neustálému zlepšování, zvyšování přesnosti a spolehlivosti výpočtů.
Umělá inteligence (AI) umožňuje „neživému“ počítači (či jeho prostřednictvím jinému zařízení) provádět úkoly, které vyžadují takový styl uvažování, jenž je běžně spojován s inteligentními bytostmi. Díky stále propracovanějším a cenově dostupnějším softwarovým i hardwarovým řešením si AI našla cestu do mnoha oborů lidské činnosti, vč. zemědělské prvovýroby a své místo získává i v chovech dojeného skotu, kde může zlepšit pracovní podmínky, minimalizovat či zcela eliminovat manuální provádění některých opakujících se úkonů. Avšak překážkou pro vývoj a zavádění některých AI systémů bývají různorodá data, jež jsou nezřídka uložena izolovaně ve vzájemně nepropojených systémech. S moderními „smart technologiemi“ už se toho zvládne docela dost – analýzy videozáznamů v reálném čase, identifikace jednotlivých zvířat, hodnocení jejich tělesné kondice a dalších parametrů zdraví a pohody, ale také detekce změn podmínek prostředí nebo třeba stav krmiva na krmném stole. Odhalené změny v chování poslouží jako časné varování před onemocněními, indikátor říje či obecně stavu, kterému je třeba věnovat pozornost.
Takové AI aplikace mohou napodobovat lidské uvažování a přebírat některé úkoly ošetřovatelů. Strojové učení, které dovede využívat heterogenní datové sady, může posloužit k predikci takových parametrů, jako je např. plodnost, kdy lze například zlepšit odhad podílu zabřezlých díky kombinaci zdravotních událostí, změn v energetických rezervách (tj. kondice), genetických a behaviorálních dat, výsledků analýzy mléka a informací o prostředí. Kromě toho může být AI použita ke sledování dodržování protokolů, bezpečnostních opatření apod.
V potravinářském průmyslu se AI aplikace uplatňují např. při kontrole kvality mléka a mléčných výrobků či optimalizaci výrobních procesů, ale také při vývoji nových produktů, kde pomáhají predikovat chuť a texturu. Neměla by se opomenout ani ochrana osobních údajů, etických aspektů a technických bariér. Stručně řečeno, umělá inteligence způsobuje revoluci v tradičních postupech, umožňuje tzv. precizní zemědělství, energeticky úsporné způsoby zpracování a vytváření vysoce kvalitních produktů „šitých na míru“ konkrétním skupinám spotřebitelů. Strojové učení se využívá v několika vzájemně se prolínajících oblastech chovu dojnic. Jsou jimi zdraví a welfare, kde se uplatňují analýzy dat ze senzorů, jež bývají připevněny na zvířatech (obojky, ušní známky, krokoměry), a umožňují včasnou detekci příznaků onemocnění, a to například na základě odlišných vzorců pohybu, změn aktivity či příjmu krmiva. V kombinaci s analýzou historických i aktuálních záznamů je pak možné predikovat riziko vzniku či šíření onemocnění a zlepšit prevenci, což následně snižuje spotřebu antibiotik a dalších léčiv, náklady na jejich pořízení a aplikaci, vyšší organizační a pracovní nároky a pozitivně ovlivňuje celkový zdravotní stav stáda a pohodu v něm.
Pravidelná, osobní kontrola zvířat se někdy dostane za hranice fyzických možností chovatele. V takových případech je vhodné popřemýšlet nad některým z „chytrých“ řešení, jehož senzory a software dovedou problém odhalit hned v počátcích a nahlásit jej chovateli, nebo také zavést prvotní opatření, třeba prostřednictvím propojení s automatickou třídicí brankou a přesměrování „podezřelé“ dojnice při cestě z dojírny či dojicího robota do odděleného prostoru, aby mohla být co nejdříve zkontrolována a ošetřena, vrácena do stáda, převedena „na marodku“ nebo vyřazena.
Dalším onemocněním dojnic, u kterého je včasná detekce prvotních varovných signálů rozhodující nejen pro prognózu a pohodu, ale i pro produkci mléka a ekonomiku, je zánět mléčné žlázy (mastitida). Negativní vliv na ekonomiku má nejen vyřazení mléka z dodávky do mlékárny, ale také náklady na léčbu antibiotiky. Takže i v tomto případě platí, že čím dříve je zahájena cílená léčba, tím lepší účinnost a nižší náklady lze očekávat. Není divu, že je vítán každý způsob, jak toto onemocnění rozpoznat co nejdříve. Organismus krávy na změny související s počátkem mastitidy reaguje, a to jak zhoršením kvality mléka, také chováním dojnice. Již čtyři hodiny poté, co se začne rozbíhat zánětlivý proces, dochází ke změně v chování dojnice a postupně se přidávají další příznaky, např. zvýšená tělesná teplota a otok vemene. Zkušený ošetřovatel by počínající problém mohl zaregistrovat dokonce o dvě hodiny dříve. Jenže v současném provozu na velkokapacitních stájích to zvládne jen stěží. To opět otevírá prostor pro senzory a chytré technologie, které dovedou i nepříliš výrazné odchylky v chování zvířat zachytit a upozornit na ně chovatele.
V oblasti užitkovosti a produktivity se využívají různé modely strojového učení při analýze genetických, nutričních a environmentálních dat, jež slouží nejen k predikci produkce mléka u jednotlivých dojnic, ale také jako nástroj k přesnější selekci zvířat pro další chov. Chytré systémy zvládnou rovněž monitorovat a vyhodnocovat kvalitativní parametry mléka (obsah tuku, bílkovin a laktózy, počet somatických buněk a další). To pomáhá včas odhalit anomálie indikující onemocnění či nedostatky ve výživě.
V oblasti výživy a krmení lze pomocí různých modelů analyzovat složení krmiva, jeho příjem i související zdravotní parametry a následně upravovat krmné dávky tak, aby odpovídaly individuálním potřebám dojnic, a to jak ve stájích s klasickými dojírnami, tak robotickým dojením. Systém tzv. precizního krmení vyžaduje nepřetržité vyhodnocování rozsáhlých datových souborů, jehož výsledky jsou využívány k pravidelným úpravám směsné krmné dávky. K hodnoceným parametrům patří např. tělesná hmotnost a kondice dojnic, aktuální produkce mléka a mléčných složek. Ty je možné pořizovat přímo prostřednictvím dojicího robota a využít je ke stanovení nutričních nároků dojnic. Dojicí roboty také obvykle evidují pouze množství vydaného jádra, nikoliv skutečně zkonzumované množství. Je možno využít 3D snímky z kamery v dojicím robotu před a po krmení každé krávy. K analýze 3D snímků a odhadu množství krmiva před krmením a po něm se dá použít konvoluční neuronové sítě (CNN). Analýza 3D dat pomocí CNN umožnila kvantifikovat množství krmiva zbývajícího po každém krmení. Integrace této technologie do automatizovaného systému krmení by mohla přispět k efektivnějšímu managementu výživy a krmení.
Pokud jde o reprodukci, v této oblasti se nejčastěji zpracovávají analýzy fyzické aktivity a specifických vzorců chování dojnic, které vedou k přesnější detekci říje, což zvyšuje úspěšnost inseminace. Ale využití je možné i pro odhalování reprodukčních problémů a jejich predikci, např. v souvislosti s působením tepelného či jiného stresu. V oblasti čistě genetických analýz se modely strojového učení trénují na rozsáhlých souborech dat zahrnujících genotypy a fenotypy jednotlivých zvířat. Cílem je přesnější predikce plemenných hodnot, a to zejména pro specifické vlastnosti, k nimž patří např. imunita, dlouhověkost či délka produktivního života, které se jen těžko či nepříliš přesně odhadují tradičními metodami, ale jsou stále žádanější. Řada modelů strojového učení již byla úspěšně využita k predikci genomických plemenných hodnot, a to nejenom dojného skotu
Umělá inteligence a strojové učení mohou pomoci zlepšovat nejen jednotlivé sektory v chovu skotu, ale v podstatě management celého zemědělského podniku. Na základě analýz údajů o produkci mléka, výnosech a nákladech lze optimalizovat mnohé, od harmonogramu dojení a krmení, přes reprodukci a welfare, po implementaci nejvýhodnějších ekonomických strategií.
Ing. Anna Mikšovský Marcinková + foto
Podrobněji v NCH 11/2026.
