Umělá inteligence ve stáji přináší radosti i strasti

Umělá inteligence se dnes v živočišné výrobě mění v běžný pracovní nástroj, jehož účelem je nejen zpřesnění individuálního sledování a zlepšení welfare chovaných zvířat, ale má mít pozitivní dopad I na pracovní welfare chovatelů díky snížení pracovní zátěže v oblasti nutnosti pozorování zvířat, diagnostiky, ale i rozhodování v oblasti management. Precizní zemědělství v živočišné výrobě (Precision livestock farming, nebo take PLF) není cizí žádnému chovateli a drtivá většina využívá alespoň základní senzory komunikující se softwarem pro řízení stáda.

PLF vychází z jednoduché myšlenky: místo podřizování se průměru stáda, umožňuje poskytovat zvířatům individuální péči.Co dnešní precizní technologie obohacené AI skutečně umí, kde mají své meze a jaká rizika přináší pro zvířata i pro samotné chovatele zkusíme obsahnout v našem článku.

Od čipu k „chytrému rádci“

První generaci nástrojů precizního zemělství tvořila v živočišné výrobě na počátku 90. let elektronická identifikace zvířat (RFID), pedometry sloužící k identifikaci říje a automatické milkmetry v dojících stáních. V polovině prvního desetiletí přibyly bachorové bolusy a rozšířily se dojicí roboty, které výrazně zvýšily objem dat. Navíc se využití pedometrů postupně přestalo omezovat pouze na detekci říje. Akcelerometry, kterými jsou pedometry vybaveny, dokázaly v kombinaci se softwarem pro vyhodnocování získaných dat rozlišit, nejen jednotlivé kroky a jejich počet, ale I to, zda zvíře leží, či stojí. Na základě vyhodnocení těchto základních údajů o aktivitě bylo následně možné chovatele upozornit také na zvýšené riziko komplikovaného porodu nebo na možný nástup onemocnění. Kolem roku 2017 stály systémy precizního zemědělství, které monitorovaly chování a zdraví chovaných zvířat hlavně na nositelných senzorech s akcelerometry – pedometrech, obojcích a ušních značkách měřících nejen již zméněnou lokomotorickou aktivitu, ale nově i přežvykování nebo příjem krmiva. Interpretace dat a rozhodování o intervenci ovšem stale plně zůstávala na chovateli.

V posledních letech se standardem postupně stávají také bezkontaktní technologie, jako jsou barevné kamery s hloubkovým snímáním a systémy pro 3D zobrazování. Tyto technologie dokáží v reálném čase zachytit tělesné rozměry i chování zvířat, aniž by bylo nutné vybavovat je nositelnými senzory. Data získaná z kamer, senzorů a bolusů jsou následně v cloudovém prostředí společně zpracovávána pomocí algoritmů hlubokého učení. Tyto algoritmy umožňují nejen samostatné vyhodnocování dat z jednotlivých senzorů, ale také jejich vzájemnou kombinaci a interpretaci. Nové je to, co s jejich daty dělá umělá intelligence (AI)

Co AI ve stáji umí v oblasti chování zvířat.

Umělá intelignece, tvořená tzv. velkými jazykovými modely (LLM) funguje jak v roli developera, který pomáhá obrovskou rychlostí vytvářet nové algorimy a zdokonalovat ty stávající, ale využívá se v Precizním zemědělství i v roli „virtuálního AI asistenta“. Klasický systém PLF zahlásí alarm, až když nějaká hodnota překročí nastavenou mez. AI se místo toho učí z velkého množství příkladů, jak vypadá normální stav a co už je varovný signál, a sama pozná, co se se zvířetem děje. Např. kamera s integrovanou umělou inteligencí dnes pozná nejen to, kde kráva je, ale i co právě dělá: jestli žere, přežvykuje, leží, nebo je neklidná. Nehodnotí přitom jednotlivý snímek, ale celý pohyb ve videu, a zvládne to i v rušném prostředí stáje.

 Nejslibnější je spojení AI s osvědčenými výpočty výživy. AI umí doplnit údaje, které se ve stáji změřit nedají, třeba jak rychle krmivo prochází bachorem, a výživový model zasadí do biologických souvislostí konkrétního zvířete (třeba jak moc je zvíře aktivní, kolik času věnuje přijímání krmiva a přežvykování, jaké jsou denní aktivity a biorytmus daného zvířete aj.).

Druhá strana mince: rizika používání AI

S využíváním AI v chovu zvířat jsou však spojena také určitá rizika. Jedním z nich je skrytá hierarchie hodnot. Pokud se dostanou ekonomická efektivita a welfare zvířat do konfliktu, může systém optimalizovaný především na produkční ukazatele tvrdě upřednostnit zisk před dobrými životními podmínkami zvířat. Dalším rizikem je ztráta chovatelských dovedností a odborné autonomie. Pokud umělá inteligence nejen vyhodnocuje data, ale zároveň ke každému identifikovanému problému automaticky navrhuje řešení, může postupně docházet k oslabování schopnosti chovatele samostatně uvažovat, hledat vlastní řešení a využívat své odborné zkušenosti a kreativitu. S tím souvisí také proměna identity chovatele, který se může z nezávislého odborníka odpovědného za péči o zvířata postupně stát pouhým vykonavatelem doporučení poskytovaných AI systémem. Umělá inteligence by proto měla být chápána především jako nástroj podpory rozhodování, nikoli jako náhrada odborného úsudku chovatele. Dalším významným rizikem je skutečnost, že se zvířata mohou postupně měnit v pouhé datové body na obrazovce. Automatizované systémy sice dokážou zpracovávat velké množství údajů o jejich chování, fyziologii a zdravotním stavu, avšak jejich doporučení by měla být vždy doplněna fyzickou kontrolou zvířat chovatelem. V opačném případě hrozí, že bude rozhodnutí založeno na chybných či neúplných datech, například v důsledku poruchy senzoru nebo chyby při jejich zpracování.

Ing. Barbora Valníčková, PhD., Oddělení etologie a welfare, Výzkumný ústav živočišné výroby, v. v. i., Department of Animal Science, The Robert H. Smith Faculty of Agriculture, Food and Environment, Hebrew University of Jerusalem