СТАЛЕ ТВАРИННИЦТВО ТА БЛАГОПОЛУЧЧЯ ТВАРИН SULAWE

SUSTAINABLE LIVESTOCK PRODUCTION AND ANIMAL WELFARE

МОДУЛЬ 3 ЦИФРОВЕ ТВАРИННИЦТВО/MODULE 3 DIGITAL LIVESTOCK FARMING

Електронний посібник/The electronic manual

5. ІНФОРМАЦІЙНІ СИСТЕМИ УПРАВЛІННЯ В ТВАРИННИЦТВІ

 

 

5.1. Принципи та функції інформаційних систем управління фермами у тваринництві

5.1.1. Функції інформаційних систем управління

5.1.2. Групи FMIS за функціональними особливостями

5.1.3. Проблеми сумісності інформації з датчиків у базовій закритій моделі

5.1.4. Методи машинного навчання для аналізу інформації з датчиків

5.1.5. Аналіз даних за допомогою штучного інтелекту

 

 

Інформаційна система управління (ІСУ) передбачає збір, обробку, зберігання та поширення інформації, необхідної для ефективного управління. ІСУ об’єднує комп’ютерні системи, апаратне забезпечення, програмне забезпечення, бази даних і людські ресурси для збору та керування даними. Ці дані перетворюються на корисну інформацію, яка потім використовують для підтримки прийняття рішень стосовно стратегічної, тактичної та оперативної діяльності організації. Водночас Інформаційні системи управління фермами (від англ. Farm Management Information Systems) покликані допомагати фермерам у їх роботі (Mishra, Kendhe, & Bhalerao, 2015).

 

 

Рис. 1. Приклад схеми інформаційної системи управління

фермою (FMIS)

 

Тоді як інформаційні системи управління фермою – це більш глобальні рішення, які покликані об’єднувати як внутрішню інформацію ферми (тобто продуктивність корів, дані сенсорів на тваринах і у приміщенні) так і зовнішню інформацію, як-от супутникові дані, дані економічного моніторингу, бухгалтерського обліку, дані агрономічної служби господарства (управління полями) і багато іншого в одній програмі. Такі дані поєднуються в єдиному інтерфейсі задля можливості їх аналізувати і приймати оперативні рішення щодо управління фермою задля її удосконалення (Fountas, Carli, Sørensen, Tsiropoulos, Cavalaris, Vatsanidou, Tisserye, 2015).

Рішення інформаційних систем управління у сільському господарстві еволюціонували від простих систем ведення обліку ферм до великих комплексних інформаційних систем управління фермами у відповідь на потребу в комунікації та передавання даних між базами даних, а також для задоволення вимог різних зацікавлених сторін (Fountas, Carli, Sørensen, Tsiropoulos, Cavalaris, Vatsanidou, Tisserye, 2015).

Тільки в Нідерландах використовують майже 50 FMIS, які можна розподілити за функціональними особливостями на кілька груп.

1. Обмін даними – основною функцією таких систем є обмін даними між різними системами.

2. Управління полем – такі FMIS надають фермеру детальну інформацію про його поля, зокрема урожайність культур, використання різноманітних засобів захисту рослин, добрив, проведення різноманітних технологічних операцій та інше.

3. Управління фінансами – Ця FMIS надає фермерам необхідні інструменти для управління фінансами, як-от відстеження доходів, витрат та амортизації.

4. Управління стадом – переважно такі FMIS надають інформацію про індивідуальну продуктивність корови, її здоров’я та інші дані, які важливі для управління стадом.

5. Управління годівлею – програма надає інформацію про наявність і використання кормових ресурсів на підприємстві.

6. Управління продукцією – надає інформацію про загальне виробництво продукції, наприклад молока.

7. Програма племінної книги – надає доступ фермеру до племінної книги.

8. Управління погодою – такі FMIS надають інформацію про погоду як ретроспективі, так і її прогноз (Kassahun et al., 2022).

Науковці описали найпопулярніші комп’ютерні програми, які використовують у молочному скотарстві (табл. 1) (Shergaziev et al., 2024).

 

Таблиця 1. Порівняльна характеристика окремих програм управління стадом

 

Використання таких програмних продуктів дає змогу: удосконалити адміністративну роботу: складати чіткий перелік завдань для працівників господарства; контролювати основні показники поголів’я щодо продуктивності, репродукції (відтворення) та здоров’я; швидко формувати звіти за бажаними показниками за будь-який період; уникати зайвих витрат та запобігати виникненню хвороб (Shergaziev, Nurgaziev, Baitemir, Karybekov & Sultangaziev, 2024).

Якщо говорити про молочне скотарство, то сенсори можуть розміщуватися як на тварині, так і всередині неї. Переносні датчики можуть відстежувати споживання їжі, жуйку, рН, температуру тіла, поведінку під час лежання, активність тварин, їхнє положення або розміщення та багато іншого.

Одним із багатьох прикладів датчика, який розміщують всередині тварин, є болюс компанії smaXtec. На рис. 2 вказано принцип роботи цієї системи. До складу системи входять власне датчик (болюс), що розміщується всередині тварини (приклад встановлення болюсу корові).

 

g3

 

1. Болюси компанії smaXtec вимірюють внутрішню температуру тіла, споживання води, румінацію та активність корови.

2. Дані, отримані болюсом, автоматично передаються у базову станцію. Датчик клімату надає додаткову інформацію про зовнішню температуру та вологість у корівнику.

3. Зведена інформація із вищевказаних датчиків надходить у хмару TruD від smaXtec, де дані аналізуються за різноманітних алгоритмів штучного інтелекту.

4. Фермер отримує доступ до всієї необхідної інформації на своєму комп'ютері та смартфоні. Програмне забезпечення можна підключити до програми управління стадом.

На основі отриманої і обробленої інформації така система дає  змогу детектувати багато станів тварини, зокрема охоту, наявність теплового стресу, контролювати румінацію, поведінку під час споживання води, прогнозувати отелення та метаболічні розлади, субклінічний ацидоз. Вищенаведений приклад – це чудова демонстрація закритості таких систем. Така система має низку датчиків та апробовані алгоритми, які аналізують отриману інформацію і, сигналізуючи про певний стан тварини, допомагають фермеру приймати необхідні управлінські рішення. Такі системи не повністю синхронізуються із даними, які отримують із інших приладів, як-от доїльні зали тощо.

 

 

Наприклад, датчики роботів, здатні збирати великі обсяги даних. Вчені відмічають низку проблем, які пов’язані із використанням датчиків, зокрема тому, що більшість датчиків включено в замкнуті «екосистеми», які охоплюють датчик, бази даних і комп’ютерні програми, аж до конкретних інструментів звітності, включаючи спеціальні комп’ютерні термінали. Однією з причин такої, часто незадовільної ситуації, є базова закрита модель (Gengler, 2019).

Для того щоб синтезувати дані та отримати корисну інформацію, фермер змушений поєднувати дані з різних систем FMIS вручну. Наприклад, коли дані від доїльного робота вказують на нижчу продуктивність молока, фермерам потрібно вручну об’єднати інформацію із системи, пов’язаної з педометром, з інформацією зі стандартної FMIS управління стадом, щоб діагностувати втрату продуктивності (Kassahun et al., 2022).

Для управління стадом у свинарстві в Україні застосовують велику кількість різноманітного програмного забезпечення, з-поміж якого одними із найбільш поширених є програми Cloudfarms та Agrosoft (нині Agrovision). Сервіс Cloudfarms має 8 модулів (Sow Management; Wean-to-Finish Management; Breeding & Multiplication Management; Boar & Semen Management; Workflow & Alert Management; Data Analytics; Individual Animal Tracking; Traceability from Field to Fork). Кожна відіграє важливу функцію в управлінні виробництвом продукції свинарства. PigVision має безліч спільних функцій, які роблять її простою у використанні та зручною для користувача. Наприклад, виробничий звіт, розрахунки за формулами, лікування, інструкції, фільтрація та сортування, вид таблиць, налаштованих відповідно до індивідуальних потреб, робочий список та порівняльний аналіз.

Як згадувалося у попередніх розділах, у тваринництві, окрім доїльних роботів, використовують ще й різноманітні датчики, камери для оцінки вгодованості та інше. Усі дані, зібрані за допомогою наведених технічних рішень, відповідають терміну Big data. Вони характеризуються великим об’ємом, правдивістю (Veracity), різноманітністю (Variety),  швидким накопиченням інформації (Velocity). Для того щоб отримати користь із великого об’єму зібраної інформації, нині для їх аналізу застосовують різноманітні методи машинного навчання (Hudson et al., 2018).

За аналізовані роки (2018-2020) кількість досліджень, пов’язаних із застосуванням машинного навчання у сільському господарстві, зросла на 745%, порівняно із періодом (2004 до 2018 року) (Benos et al., 2021), (Liakos et al., 2018).

Зокрема, якщо окремо говорити про тваринництво, кількість досліджень ефективності застосування різноманітних алгоритмів штучного інтелекту у тваринництві, починаючи із 2016 р., неупинно зростає (Bao & Xie, 2022).

Shine & Murphy, 2021 проаналізували публікації (статті, матеріали конференцій), у яких застосовували для аналізу даних різноманітні алгоритми машинного навчання тільки у молочному скотарстві, які було опубліковано у період із 1999 по 2021 рік (до 1999 року таких статей у доступних електронних базах дослідники не знайшли). Загалом автори публікацій апробували 90 різноманітних алгоритмів машинного навчання, які розподілили на 8 категорій (найпопулярніші tree based algorithms, Statistical Regression, Neural Network). Зокрема, за їх даними, у середньому у статтях, опублікованих між 2018 та 2021 роками, які були включено до аналізу у роботі (Shine & Murphy, 2021), найпопулярнішими категоріями досліджень були фізіологія та здоров’я, аналіз поведінки і тваринництва (animal husbandry), на які припадали 38, 19% та 14 % досліджень відповідно. Тоді як на такі категорії, як молоко, управління та годівля припадало всього 29% публікацій. Слід зазначити, що до категорії animal husbandry здебільшого належали статті, у яких розглянуто питання, пов’язані із відтворенням стада, у категорії управління – прогнозування та аналіз витрат ресурсів, як-от вода, енергетика тощо та управління відходами, у категорії молоко – прогнозування молочної продуктивності та аналіз лактації корів (Shine & Murphy, 2021).

За даними дослідників, у свинарстві найбільш популярними проблемами, розв’язанням яких займалися з використанням алгоритмів машинного навчання, були здоров’я, генетичні дослідження, годівля (van Klompenburg & Kassahun, 2022).

За допомогою алгоритмів штучного інтелекту можна виявляти хвороби птиці на ранніх стадіях, також за їх допомогою на основі даних датчиків можна оптимізувати  мікроклімат у приміщеннях (Taleb et al., 2024).

Алгоритми аналізу даних набувають популярності у бджільництві для прогнозування наявності матки та роїння. На основі даних звуку, аналізують великі дані, зібрані з вуликів,  взаємодію бджіл, клімату та продуктивності рослин (Uthoff et al., 2023), (Sharif et al., 2021).

Також такі методи інтегрують для аналізу наборів даних і прийняття рішень у аквакультурі, зокрема зусилля дослідників сфокусоване на моніторингу і контролі виробничого середовища, оптимізації використання кормів, моніторингу рибної біомаси та профілактиці захворювань (Gladju et al., 2022).

Також алгоритми штучного інтелекту активно застосовують для аналізу різноманітних зображень у ветеринарній медицині (Pereira et al., 2023).

Останнім часом стрімко розвивається напрям аналізу відео у тваринництві. На основі такого аналізу ідентифікують тварин (Qiao et al., 2021).

Дізнаються про індивідуальну поведінку (Chen et al., 2021).

Детектують кількість спожитого корму тваринами (Bezen et al., 2020).

Також вчені навчилися виявляти емоції свиней (Nie et al., 2024), собак (Franzoni et al., 2024), котів (Koyasu et al., 2024).

 

Попередня тема

На початок

Наступна тема