Развитие сенсорных технологий и интеллектуальных систем поддержки принятия решений в цифровом животноводстве

За последние 20 лет дистанционный мониторинг, современные методы сбора данных с помощью датчиков, их быстрая передача и накопление больших массивов данных благодаря Интернету вещей (IoT) способствовали развитию точного животноводства (PLF). PLF применимо во многих областях животноводства: для оценки количества и качества кормов на пастбищах с помощью воздушной и спутниковой съёмки; измерения массы и состава тела, а также физиологических показателей животных; мониторинга их местоположения, активности и поведения на пастбищах и при поиске корма с помощью носимых устройств; раннего выявления хромоты и других заболеваний; оценки удоя и состава молока; измерения репродуктивных показателей и выявления заболеваний, связанных с отёлом; оценки потребления корма и выбросов парниковых газов — и это лишь некоторые примеры. PLF открывает множество возможностей для повышения продуктивности животных, однако для практического применения на фермах необходимо сочетать его с компьютерным моделированием. Концептуальные, или основанные на знаниях, механистические модели строятся на научных знаниях и опираются на гипотезы о взаимосвязях между переменными. Искусственный интеллект (ИИ), напротив, представляет собой подход, основанный на данных: он позволяет обрабатывать и представлять большие массивы данных, собранные с помощью датчиков и Интернета вещей. Однако ИИ не может явно объяснить лежащие в основе данных допущения о характере взаимосвязей, поскольку ему недостаёт понимания и принципов, необходимых для осмысления. ИИ недостаёт понимания, поскольку в его основе лежат числа. Связи между ними выявляются в ходе автоматизированного обучения на основе математических корреляций и ковариаций, а не человеческого понимания причинно-следственных связей и абстрактного осмысления физиологических или производственных принципов. Сначала ИИ формирует понятия на основе сопоставления аналогий и сохраняет их для будущих сравнений. Затем процесс обучения развивается в направлении поиска мудрости посредством систематического рассуждения. Во многих научных областях ИИ — сравнительно новое понятие. Он может стать недостающим звеном, которое ускорит переход от традиционной установки на максимизацию выпуска к более осмысленному повышению эффективности производства при одновременном сокращении ресурсов, направляемых на него. Параллельное объединение концептуального и основанного на данных моделирования — механистических моделей и моделей ИИ — позволит создать гибридные интеллектуальные механистические модели. В сочетании со сбором данных с помощью PLF такие модели необходимы для перехода животноводства на новый уровень и обеспечения его устойчивости.