Сидячи у компанії друзів, ти хизуєшся своїм новим смартфоном і тим, як круто штучний інтелект (ШІ) здатен видаляти зайві предмети з фото, виділяти з купи отриманих повідомлень в месенджері основні тези на два-три речення та виконувати ще цілу купу важливих повсякденних задач.

І чим потужніший ШІ, тим більше енергії він споживає. Отже, що означає поява все більш потужних генеративних моделей ШІ для майбутнього вуглецевого сліду?

Точну вартість витраченої енергії окремої моделі штучного інтелекту важко оцінити, і вона включає енергію, яка використовується для виготовлення обчислювального обладнання, створення моделі та використання моделі на виробництві.

У 2019 році дослідники виявили, що створення генеративної моделі штучного інтелекту під назвою BERT зі 110 мільйонами параметрів споживає енергію трансконтинентального перельоту туди й назад для однієї людини.

Також підрахували, що, наприклад, на створення GPT-3, який має 175 мільярдів параметрів, було витрачено 1287 мегават-годин електроенергії та вироблено 552 тонни вуглекислого газу, що еквівалентно 123 автомобілям з бензиновим двигуном, які їздили протягом одного року. І це лише для того, щоб підготувати модель до запуску, перш ніж будь-які споживачі почнуть її використовувати.

А чи варто воно того? Чи на то ми (людство) витрачаєм дорогоцінні ресурси? Чи є взагалі від того ШІ сенс? А як же АГРО? Чи може штучний інтелект працювати на те, шо годує? Чи може він допомогти в управлінні молочною фермою?

Насправді може. Вже сьогодні маємо низку досліджень з використанням машинного навчання та декілька цікавих реалізованих проектів від комерційних компаній.

ШІ та кульгавість

Кульгавість є серйозною проблемою для добробуту та здоров'я тварин, що використовуються в молочній промисловості в усіх системах вирощування. Візуальна оцінка мобільності хоч і дуже корисна, але трудомістка та фізично вибаглива, особливо на великих молочних фермах, що часто призводить до неузгодженості та неадекватного її використання. Технологічний і обчислювальний прогрес штучного інтелекту (ШІ) призвів до розробки численних автоматизованих рішень для моніторингу тварин.

У дослідженні Siachos et al, 2024 (Automated dairy cattle lameness detection utilizing the power of artificial intelligence; current status quo and future research opportunities) було зроблено огляд розроблених на сьогоднішній день автоматизованих систем, що використовують алгоритми ШІ для виявлення кульгавості. Ці системи покладаються на аналіз ходи за допомогою акселерометрів, платформ для зважування, акустичного аналізу, радарних датчиків і технології комп’ютерного зору.

Джерело фото: doi.org/10.1016/j.compag.2020.105 761

ШІ та ефективна годівля

Вже доволі давно ми навчились оцінювати виробництво молока, жиру та білка кожною твариною окремо, але продовжуємо оцінювати споживання корму групою тварин.

Метою останніх досліджень є розробка системи машинного зору для візуальної ідентифікації окремих корів та моніторингу споживання корму окремою коровою за допомогою недорогих RGB-D-камер та застосування глибоких моделей CNN, які дадуть змогу працювати в умовах безприв’язного корівника.

Завдяки штучному інтелекту камери вчаться ідентифікувати кожну корову за її зовнішністю. Маючи інформацію про споживання корму кожною коровою, а також її продуктивність і склад молока, можна оцінити індивідуальну ефективність використання корму.

Джерело фото: Tassinari et al, 2021; dairyglobal.net

ШІ та оцінка вгодованості

Новим підходом до автоматизованої оцінки вгодованості (BCS) корів є використання нейронних мереж. Деякі підходи використовують різні методи для вилучення ознак і нейронні мережі як класифікатори.

Розробка та валідація повністю автоматизованої системи візуалізації, яка генерує оцінку стану тіла корів за допомогою машинного навчання — моніторинг стану тіла (BCS) — є корисним інструментом управління для оцінки вгодованості корови або групи корів.

Автоматизоване оцінювання BCS стає важливим для великих комерційних молочних ферм, оскільки допомагає фермерам оцінювати своїх корів частіше та послідовніше порівняно з оцінкою вручну.

Джерело фото: mdpi.com/1424−8220/23/22/9051

ШІ та оптимальний час осіменіння

Цікавими є результати ще одного дослідження — характеристика біометричних даних таза, стопи та хвоста за допомогою 3D-кінематичних аналізів під час овуляції у молочних корів, що перебувають у природному циклі, при прив’язній системі утримання (Characterization of Pelvic, Foot and Tail Biometrics Using 3D-Kinematic Analysis during The Proestrus-Ovulation Period in Naturally Cycling Primiparous Dairy Cows Housed in a Tie-stall System).

Мета цього дослідження полягала в дослідженні 3D-кінематики як методу для визначення того, чи демонструють молочні корови першої лактації відмінності в біометричних показниках поведінки під час тічки, коли наближається овуляція, в системі прив’язного утримання. Друга мета полягала в тому, щоб оцінити точність поведінкових біометричних даних як попереджень про тічку.

Джерело фото: doi.org/10.1016/j.livsci.2020.104 090

Як висновок, можемо зазначити, що вже сьогодні системи, керовані штучним інтелектом, невтомно стежать за худобою, аналізуючи дані в режимі реального часу, щоб виявити ранні симптоми хвороби, дисбаланс харчування або показники стресу.

Цей проактивний підхід сприяє негайному втручанню людини, тим самим зберігаючи здоров’я тварин та підвищуючи їхню ефективність, а також може допомогти в майбутньому зменшити вуглецевий слід від тваринництва, яким так опікуються європейські країни та США.