A szarvasmarha-tenyésztésben és a tejiparban évtizedek óta gyűlnek különféle adatok: tejminőségi paraméterek, laboreredmények, termelési mutatók. Ezek többsége eredetileg elsősorban minőségbiztosítási célt szolgált, mára azonban egyre világosabbá válik, hogy a már meglévő adatok elemzése akár a termelők mindennapi döntéseit is képes érdemben támogatni. Tarr Bence, a MATE Műszaki Intézetének egyetemi adjunktusa ehhez kapcsolódó kutatásában annak járt utána, hogy ezekből a már meglévő, rutinszerűen gyűjtött adatokból mesterséges intelligencia segítségével milyen pontosságú becslő modellek készíthetők, és ezek miként hasznosíthatók a gyakorlatban.
A MATE kutatója a szarvasmarha-tenyésztés kapcsán három konkrét problémára keresett MI-alapú megoldást: a szarvasmarhák küllemi bírálati pontszámainak becslésére, a tejben lévő szomatikus sejtszám becslésére és a tejben lévő kazein mennyiségének becslésére.
Milliárdokat spórolhatna ezen a magyar mezőgazdaság: a profik már így csinálják
Amint azt Tarr Bence az Agro Naplónak elmondta, ha a mesterséges intelligencia a már meglévő egyszerűbb adatokból e bonyolultabban mérhető paraméterekre vonatkozóan megfelelő pontosságú becsléseket, előrejelzéseket tudna készíteni, akkor nem minden esetben volna szükség bizonyos költség- és időigényes laboratóriumi mérések elvégzésére vagy új folyamatok bevezetésére. Az adatokból ráadásul az állat egészségi állapotára vonatkozó információkra is lehet következtetni, így akár azt is előre lehetne jelezni, hogy romlani fog a tej minősége vagy az adott állat néhány nap múlva beteg lesz. Ha egy konkrét példát nézünk, a szomatikus sejtszám emelkedése például tőgygyulladásra utalhat – emelte ki Tarr Bence.
A kutató hozzátette: amikor a mesterséges intelligencia manapság szóba kerül, a legtöbben azonnal hatalmas adattömegekre és nagy teljesítményű szuperszámítógépekre gondolnak. A valóság azonban az, hogy az egyszerűbb modellek, egyszerűbb algoritmusok már néhány ezer vagy tízezer adattal is jó eredményt tudnak hozni. Ezek felépítéséhez és kiértékeléséhez tehát a milliós számítógépek helyett egy erősebb laptop vagy egy erősebb asztali számítógép is elég, a felépített modell pedig akár egy mobiltelefonos applikációval használható lehet.
A kutatás eredményei ígéretesek, hiszen valóban az látszik, hogy már tíz–húszezer adat alapján is lehet megfelelő szcenáriókat és előrejelző modelleket felállítani, a bonyolultabb, mély neurális hálózatokra épülő megoldások pedig nem minden esetben adnak számottevően jobb eredményt a vizsgált területeken.
A mesterséges intelligencia alkalmazása tehát nem feltétlenül igényelne nagy beruházást vagy speciális infrastruktúrát az erre nyitott gazdálkodónak, ami azt is jelenti, hogy mindez nem egy távoli, elméleti lehetőség, hanem olyan eszköz, amely megfelelő adatkezeléssel és szakmai értelmezéssel már a közeljövőben is kézzelfogható előnyöket hozhat a szarvasmarha-tenyésztés mindennapi gyakorlatában.
