O modelo é treinado com base nas informações de CCS individual da vaca, DEL e número de lactações, composição do leite e estação do ano
As ferramentas digitais estão cada vez mais próximas do dia a dia das fazendas. Este cenário tem ocorrido em conjunto com as mudanças de comportamento dos consumidores (mais conectados e mais preocupados com o ambiente, bem-estar das vacas e os riscos associados com o consumo de alimentos), as quais afetam todos demais elos da cadeia produtiva do leite, como as empresas de laticínios e as de fornecimento insumos.
Para atender a demanda crescente de derivados lácteos, tem ocorrido maior intensificação na produção de leite, o que gera demanda crescente pelo uso de tecnologias digitais para tornar as fazendas mais eficientes.
Uma das principais características destas novas tecnologias é a geração de grande volume de dados, muitas vezes em tempo real, que podem ser usadas para analisar e encontrar padrões dentro dos sistemas de produção, para identificação de anomalias e tomada de decisões. Após o processamento destes dados, os resultados podem ser usados para avaliação exploratória (identificar estágios iniciais do problema) ou avaliação preditiva (prever cenários e situações futuras, com base em informações atuais).
Em relação à mastite bovina, quando é feito o controle leiteiro das vacas, que inclui a medição da produção de leite, composição e a CCS individual das vacas, são gerados grande bancos de dados que podem ser usados para avaliações preditivas em relação à saúde do úbere.
- Tristeza parasitária: A perigosa doença bovina que você precisa conhecer
- COP30: oportunidade para o agro brasileiro na agenda global do clima
- ALERTA: Ar polar se dissipa e fim de semana será mais quente em todo o país
- Chuva e temperatura mais amena beneficiam segunda safra de milho, analisa Nottus
- Trabalhador pode trocar dívidas mais caras por consignado para CLT
Um exemplo do uso de bancos de dados para avaliação preditiva de saúde do úbere foi um estudo recente1 que usou a metodologia de aprendizado de máquina (machine learning) para estimativa do status de CCS das vacas no mês seguinte, utilizando as informações do mês atual.
O estudo foi realizado com base nos dados de controles leiteiros de rebanhos da região de Pádova, Itália, obtidos durante 2 anos (2018 e 2019). Os principais dados do controle leiteiro incluídos no estudo foram: a identificação individual da vaca, a raça, o estágio e o número de lactações, a produção de leite, a composição (gordura, proteína, lactose e caseína) e a CCS individual das vacas. O estudo obteve um total de 18,5 mil dados de cerca de 14 mil vacas, de 791 fazendas.
Para selecionar o melhor modelo de predição da CCS das vacas, foram analisados 8 diferentes tipos de algoritmos de machine learning, sendo que uma amostra com 80% dos dados foi usada para o treinamento e a criação dos modelos e os 20% restantes foram usados para validação externa (determinar qual a precisão destes modelos para a predição da CCS do mês seguinte).
Os dados de CCS individual das vacas foram classificados em vacas sadias (<200.000 cels/ml) e vacas com mastite (>200.000 cels/ml). Os modelos que geraram os melhores resultados de predição foram os algoritmos de rede neural e floresta aleatória (randon forest), os quais apresentaram uma acurácia de predição > 75%.
Os resultados deste estudo indicam que usando estes algoritmos de machine learning foi possível prever, com base nos dados do mês atual, qual seria o status de CCS de uma vaca no mês seguinte (<200.000 cels/ml ou >200.000 cels/ml), com chance de acerto >75%. O modelo é treinado com base nas informações de CCS individual da vaca, DEL e número de lactações, composição do leite e estação do ano.
Esta capacidade de predizer (ou prever) o status de saúde do úbere das vacas com base em dados já existentes pode auxiliar na tomada de decisões sobre a necessidade de monitoramento mais próximo dos animais com mastite, estimativa futura de perdas de produção e necessidade de implantação de medidas de prevenção e controle.
Este estudo é um exemplo do potencial da inteligência artificial, que pode ser usada para identificar padrões em grandes volumes de dados e assim permitir a tomada de decisões mais acertadas em termos de manejo, prevenção e controle de doenças das vacas leiteiras.
Fonte: MilkPoint
