Chytré zemědělství, včetně aplikací umělé inteligence (AI), má potenciál zlepšit dobré životní podmínky hospodářských zvířat v mnoha ohledech, ale praktické dosažení tohoto cíle závisí na řadě vnějších faktorů.
Britská bioložka a profesorka etologie na Oxfordské univerzitě Marian Dawkinsová uvedla, že aby technologie splnila svůj cíl ve schopnosti zlepšit životy chovaných zvířat, musí být splněny tři podmínky.
• Veřejnost i zemědělství se musí spokojit s tím, že automatizovaná měřítka welfare mohou zachytit to, co se rozumí pod pojmem „dobré životní podmínky – welfare".
• Existují vědecké důkazy, že zvolená technologie skutečně zlepšuje životní podmínky zvířat, pokud je použita na komerčních farmách.
• Existují prokazatelné finanční, environmentální a jiné přínosy dobrých životních podmínek zvířat, aby se chov komerčně vyplatil.
Dawkinsová řekla, že chytré nebo přesné zemědělství je obecný termín, který zahrnuje řadu různých technik, které využívají počítače v zemědělství, a lze jej rozdělit do tří kategorií, a to:
• Používání senzorů na individuální nebo skupinové úrovni k poskytování informací o produkci, dobrých životních podmínkách, zdraví a nemocech a proměnných životního prostředí, které nahrazuje nebo doplňuje měření při prováděná auditů, veterinárními pracovníky nebo pracovníky farem.
• Pochopení dynamického šíření nemocí v uvnitř farem i mezi nimi a shromažďování důkazů o tom, co je „osvědčeným postupem“ pro dosažení optimálních výsledků v oblasti zdraví a produkce.
• Využití počítačového rozhodování a cílených zásahů na všech úrovních od manažerských rozhodnutí až po zásahy na úrovni skupin či jednotlivých zvířat.
Technologie podle ní mohou optimalizovat životní podmínky zvířat, ušetřit náklady na pracovní sílu, včas odhalit a léčit nemoci, minimalizovat plýtvání a vést k vyšším příjmům zemědělských podniků. Její správná implementace by mohla vést ke skutečnému zlepšení životních podmínek zvířat, což by vedlo k tomu, že by zvířata měla zdravější prostředí a nové možnosti vyjadřování chování, které je pro ně důležité.
Dawkinsová však varovala, že přesné zemědělství by mohlo vést k nebezpečným opatřením, pokud by se při řízení zemědělských systémů zcela spoléhalo na stroje. A to i v případě, že by lidé nerozpoznali přirozená omezení umělé inteligence. Techniky jako je strojové učení, využívají k nalezení vzorců ve velkých souborech dat algoritmy učení, ale pokud jsou tyto soubory dat složeny z neobjektivních nebo heterogenních datech, budou výsledky zavádějící.
Fyzické zdraví
Dawkinsová ve svém příspěvku uvedla, že inteligentní systémy chovu, které by mohly zajistit stejné cíle v oblasti welfare, ale činily by tak efektivněji, objektivněji a s větší biologickou bezpečností než v současnosti používané subjektivnější a pracovně náročnější přístupy.
V současné době jsou k dispozici automatizované metody pro zjišťování příznaků onemocnění nebo zranění hospodářských zvířat, které využívají různé senzory včetně vizuálního zobrazování, termovizního snímání a zvukových a pohybových údajů z akcelerometrů. Zdraví jednotlivých zvířat lze sledovat buď umístěním senzorů, sledovacích zařízení nebo měřicích zařízení na každé zvíře nebo neinvazivního vizuálního rozpoznávání jednotlivých zvířat z dat z kamery. Například obrazová analýza výrazů obličeje a bolesti u ovcí se používá k včasnému varování před nemocemi, jako je hniloba kůže a mastitida, což umožňuje individuální léčbu dříve, než se nemoc rozšíří na zbytek hejna.
Identifikace nemocných nebo zraněných ptáků
Digitální zobrazovací technologii lze také použít k analýze různých pozic indikujících nemocné nebo zraněné drůbeže nebo k rozpoznání chromých brojlerů podle abnormalit pohybu jejich těla, frekvence kroku a délky kroku. Tam, kde jsou tisíce zvířat chovány pohromadě ve velkých skupinách, by tato schopnost mohla vést k výraznému zlepšení životních podmínek. Například individuální rozpoznání brojlerů je v současné době obtížné, protože hejna jsou posuzována a je s nimi zacházeno jako s celkem. Krmivo, očkování, léky, výška napáječky, osvětlení a další faktory nejsou upraveny pro každého jednotlivého ptáka, ale jsou určeny pro průměrné potřeby hejna, zatímco výsledky dobrých životních podmínek, jako je schopnost chůze a vady nohou, jsou počítány jako procento z celkové skupiny.
Definice pohodlí a welfare
Welfare takových kuřat by se dal výrazně zlepšit technologií, která by farmářům umožnila identifikovat zraněné ptáky a individuálně s nimi zacházet nebo být upozorněni na konkrétní oblasti haly, kde začínají potenciální problémy, jako je dušení nebo přeplnění. S hejny by se nezacházelo jako s jedním sjednoceným blokem, ale jako s mnoha jedinci, kteří by zažívali různé podmínky a měli různé výsledky dobrých životních podmínek, což by umožnilo větší zaměření na welfare jednotlivých ptáků, než je v současnosti možné. Pomocí vizuálních snímků lze kulhání automaticky detekovat v hejnu brojlerových kuřat s vysokým stupněm í poškození končetin z anomálií v pohybu hejna ještě předtím, než se stanou patrnými pro lidské oko.
Duševní zdraví zvířat
Myšlenka duševního zdraví u zvířat je podpořena jedním z nejdůležitějších nedávných vědeckých vývojů o dobrých životních podmínkách zvířat, použitím rámce „afektivního stavu". Existují dva způsoby, jak může chytré zemědělství v této oblasti přispět, a to pomáhá zjistit, jaké okolnosti vedou ke vzniku pozitivních nebo negativních afektivních stavů, a dešifrovat řeč těla a fyziologické příznaky zvířat v různých stavech.
Tradičně se takové studie provádějí přímým pozorováním člověka nebo analýzou videozáznamů, ale nová technologie otevírá možnosti analýzy mnohem větších souborů dat o tom, jak zvířata tráví svůj čas. Hledání vzorců v jinak těžkopádných datech pomocí umělé inteligence a dalších počítačových analýz by se mohlo stát důležitým. V některých případech je již známo, že existují zjistitelné rozdíly mezi dobrým a špatným welfare duševního zdraví. Domácí kuřata vydávají tiché „radostné pípání“, když jsou v teple, dobře krmená a s ostatními mláďaty nebo se svou matkou, zatímco vydávají hlasité, uši trhající „nouzové“ volání, když je jim zima, mají hlad nebo jsou izolovaná.
Učení pomocí umělé inteligence
Schopnost poskytovat informace o současném stavu welfare a předvídat problémy a včas varovat personál farmy před potenciálními problémy je založena na schopnosti strojů učit se z velkého množství historických dat. Pokud jsou data z fungujících komerčních farem dobrá, měla by být schopna posoudit, zda přidání bidýlek nebo jiná vylepšení životního prostředí na farmách brojlerů zlepšilo životní podmínky. Potřebují však údaje o výsledcích v oblasti zdraví a dobrých životních podmínek na farmách, které taková obohacení nezavedla, aby zajistila poskytování užitečných informací.
Dawkinsová řekla, že v současné době existuje problém s důvěrností dat, kdy producenti potenciálně nejsou ochotni sdílet informace o svých vlastních farmách s jinými konkurenčními společnostmi, pokud v tom nevidí pozitivní výhodu. Druhým problémem je kvalita dat a metody použité pro analýzu. Jedna cesta – neomezená cesta umělé inteligence (AI) – by se spoléhala na to, že umělá inteligence bude mít přístup ke všem dostupným záznamům o zdraví zvířat na farmách, bez ohledu na to, jak byla data shromažďována nebo jaká byla přesná definice pojmů, jako je „hockburn – popálení hlezenního kloubu“ u ptáků a „aktivita“, zda všechny záznamy obsahovaly stejný rozsah proměnných.
Finanční výhody
Investice do nových technologií, včetně zajištění dobrých životních podmínek zvířat, lze ospravedlnit pouze tehdy, pokud existují přesvědčivé důkazy, že se finančně vyplatí. Takže pro zemědělce, kteří si osvojí metody inteligentního zemědělství, je nepravděpodobné, že se to stane tam, kde je jediným přínosem dobré životní podmínky zvířat.
Ale i když potravinářské společnosti a spotřebitelé mohou vyvíjet tlak na lepší welfare kuřat, zlepšení životních podmínek zvířat může být často spojeno s dalšími výhodami, jako jsou
nižší úhyny, vybíjení a snižování kvality, menším množstvím odpadu a lepší konverzi krmiva. Vědci prokázali, že zemědělci, kteří přešli na vyšší standardy welfare brojlerových kuřat, měli nižší úmrtnost a používali méně antibiotik než zemědělci používající konvenční metody. Nedávná zpráva Asociace producentů drůbeže a obchodu s drůbeží v zemích EU však tvrdí, že takové zlepšení životních podmínek by mohlo vést k dodatečným nákladům o více než 37 % na každý kilogram vyrobeného drůbežího masa, což by vytlačilo cenu kuřete výše.
Ovládat proměnné v drůbežárně bezdrátově
Automatizované úpravy by mohly pomoci snížit náklady na energii a zvýšit užitkovost drůbeže. Bezdrátová síťová technologie, která využívá umělou inteligenci (AI), by mohla analyzovat a proaktivně upravovat řadu environmentálních kontrol drůbežárny, čímž by šetřila náklady na energii a zvyšovala užitkovost drůbeže.
Technologii mesh se používá k tomu, aby se komunikovalo se všemi zařízeními v hale a měřili je. (Mesh označuje uspořádání zařízení zprostředkovávajících připojení k (Wi-Fi) síti a propojení mezi jednotlivými zařízeními (až 100 najednou). Někdy označuje jako „wireless ad hoc network“). Většina dnes používaných systémů kontroly prostředí jsou „reaktivní systémy“, které se spoléhají na chovatele, aby kontrolovali změny v prostředí v drůbežárnách.
Nová technologie reaguje nejen na změny ventilace, vytápění, krmiva a vody, ale také využívá předpověď počasí k předvídání, jak venkovní počasí ovlivní podmínky uvnitř stáje. Teplota a ventilace se automaticky upravují tak, aby dosáhly a udržely předem stanovené hodnoty. Pokud se například předpovídá chladné počasí, systém vypočítá energetickou strategii potřebnou k udržení optimálních podmínek.
Jak inteligentní ovládací prvky fungují
Senzory umístěné na zařízeních by výrobci chtěli ovládat bezdrátově a automaticky shromažďovat data, která jsou odesílána do bezdrátového rozbočovače a softwaru s umělou inteligencí. Software může samostatně dělat rozhodnutí, která pomáhají optimalizovat energetickou strategii haly. K dispozici je také mobilní aplikace, pomocí které mohou producenti kontrolovat data a být informováni o anomáliích, které by mohly znamenat selhání zařízení nebo jiné problémy v drůbežárně.Vyvážení hustoty a výkonností hejna
Po zkoumání minulých výsledků lze umělou inteligenci použít k optimalizaci budoucích výsledků. Když se technologie podívá na hmotnost ptáků a používá se program prediktivního modelu. Tak by mohlo pomoci určit, jak dosáhnout cílové hmotnosti s nejnižšími náklady.
Existuje vztah mezi hustotou hejna a hmotností ptáků. Je dobře známo, že vyšší hustota hejn – nebo umístění více ptáků do haly ve stejnou dobu – obecně vede k horším výsledkům v užitkovosti a welfare. Různé technologie umělé inteligence jsou schopny přesně určit, jak moc výkon utrpí nebo se zlepší na základě počtu ptáků na čtvereční metr. Dá se říci, že tím, že počet ptáků, resp. jejich hustota se sníží o 10 % se projeví pouze 7 % zásahu do výsledku.
Technologie umožňuje činit informovaná obchodní rozhodnutí. Místo toho, aby producenti zkoušeli pouze strategie chovu nebo přípravy krmiv, mohou se podívat na data svých minulých výsledků a vytvářet předpovědi založené na umělé inteligenci, které umožní změny, jež budou s větší pravděpodobností úspěšné.
Hodnocení drůbežího mikrobiomu
Pokroky v umělé inteligenci by mohly vést k lepšímu pochopení střevního mikrobiomu drůbeže. V posledních letech mikrobiom upoutal pozornost vědců, kteří spojili mikrobiální složení střev s řadou onemocnění drůbeže a dalších stavů ovlivňujících zdraví hejna.
Producenti se například mohou dozvědět, proč brojleři na jedné farmě mohou lépe reagovat na vyšší koncentraci doplňkových látek ve srovnání s jinou farmou. Kombinace statistické analýzy, strojového učení a umělé inteligence může spolupracovat na vytváření poznatků a doporučení o stavu mikrobiomu hejna na základě údajů z neinvazivního odběru vzorků živých ptáků z kloakálního výtěru. Producenti mohou tyto informace použít k určení, jaká opatření provést pro zlepšení výkonnosti hejna.
Řízení krmení predikcí hmotnosti brojlerů
Prostřednictvím 3D zobrazování a počítačového vidění může umělá inteligence také sledovat hmotnosti brojlerů v reálném čase. Nahrazení ručního vážení může povede t k přesnosti odhadu hmotnosti brojlerů 95 %. Data prediktivního modelování mohou producentům pomoci předvídat problémy a optimalizovat konverzi krmiva jejich hejna. To může ušetřit peníze za výrobní náklady a zároveň trvale snížit variabilitu procesu a zlepšit plánování.
Lepší technologie a náklady
Klíčovým poselstvím tedy je, že investice do technologií, které zlepšují životní podmínky zvířat, komerční producenti pravděpodobně nevyužijí, pokud se neprokáže, že povedou k návratnosti investic a splňují další požadavky, jako jsou nižší dopad na životní prostředí a větší bezpečnost potravin. Kdykoli zlepšení podmínek stojí peníze, někdo za to musí zaplatit. Tak je důležité zjistit, kdo a v jaké míře vyžaduje takové obchodní modely, které určí, zda se technologie pro měření a zlepšování životních podmínek zvířat bude nebo nebude používat v komerčních chovech drůbeže.*
Poultry World
