Az Alföldi Állattenyésztési Napok keretében megrendezett, precíziós állattartásra és mesterséges intelligenciára fókuszáló konferencián Dr. habil. Alexy Márta, az Óbudai Egyetem egyetemi docense a telepi döntéstámogatás informatikai hátteréről tartott előadást. A szakember arra hívta fel a figyelmet, hogy a precíziós állattartás valódi kihívása ma már nem az adatgyűjtés, hanem az adatok értelmezése és gyakorlati hasznosítása a mezőgazdaságban.
Nem a kütyük száma számít
Alexy Márta hangsúlyozta: a precíziós állattartás nem azt jelenti, hogy minél több szenzort vagy kamerát helyeznek el egy telepen. A lényeg szerinte az, hogy a feltett szakmai kérdésekre valóban használható válaszok szülessenek.
Mint fogalmazott, egy modern állattartó telepen naponta több ezer apró esemény történik, amelyeket a szenzorok folyamatosan rögzítenek. Ezek az adatok azonban önmagukban még nem jelentenek információt. A mesterséges intelligencia feladata az, hogy a hatalmas adathalmazban olyan rejtett mintázatokat és összefüggéseket találjon meg, amelyeket az ember már nem képes átlátni.
Az egészséges állatokból kell tanulnia a rendszernek
Az előadás egyik érdekes példája az volt, hogy a mesterséges intelligenciát sok esetben nem a beteg állatok felismerésére tanítják, hanem az egészséges viselkedési mintázatok azonosítására.
Alexy Márta szerint ennek oka egyszerű: egy telepen jóval több egészséges állat van, mint beteg. Ha a rendszer megtanulja, mi számít normális viselkedésnek, akkor az attól való eltéréseket már könnyebben képes észlelni. Ez a megközelítés különösen fontos lehet a korai állategészségügyi problémák felismerésében.
A multimodális adatkezelés a jövő egyik kulcsa
A kutató szerint a precíziós állattartás egyik legnagyobb szakmai kihívása a különböző típusú adatok összehangolása. Egy telepen egyszerre keletkeznek numerikus adatok, képi információk, hangfelvételek, termelési és viselkedési adatok, amelyeket időben és tartalmukban is szinkronizálni kell.
Példaként említette, hogy a hőmérsékleti és páratartalom-adatok csak akkor értelmezhetők megfelelően, ha ugyanabban az időpillanatban kapcsolják össze őket a takarmányfelvételi vagy termelési mutatókkal. Ha az adatok időben elcsúsznak egymáshoz képest, az már torzíthatja az elemzéseket.
A rossz adatból csak rossz döntés születik
Alexy Márta külön hangsúlyt fektetett az adatelőkészítés fontosságára. Mint fogalmazott: „a mesterséges intelligencia nem javítja meg a rossz adatot, legfeljebb gyorsabban hoz belőle rossz döntést”.
Az előadó szerint a nyers szenzoradatok jelentős része zajos, hiányos vagy hibás. Előfordulhatnak eltérő állatazonosítók, hibás időbélyegek, irreális biológiai értékek vagy duplikált rekordok is. Az adatelőkészítés során ezeket az anomáliákat ki kell szűrni, különben a modellek pontossága jelentősen romolhat.
A mesterséges intelligencia nem helyettesíti a szakembert
A szakember szerint a jelenlegi rendszerek egyik legfontosabb korlátja, hogy megfelelő szakmai validáció nélkül könnyen félreértelmezhetik az állatok viselkedését.
Példaként említette, hogy egy mozgáselemző rendszer bizonyos kérődző állatokat „apatikusnak” minősített, miközben azok valójában teljesen nyugodt, természetes viselkedést mutattak. Ez jól szemlélteti, hogy az algoritmusok működését folyamatosan ellenőrizni és szakmailag értelmezni kell.
A jövő a döntéstámogatásé lehet
Alexy Márta szerint a telepvezetők nem algoritmusokat akarnak látni, hanem konkrét javaslatokat és használható döntési alternatívákat. A mesterséges intelligencia legfontosabb szerepe ezért nem az önálló döntéshozatal, hanem a döntéstámogatás lehet.
Összegzése szerint a precíziós állattartás jövője az adatvezérelt, prediktív rendszereké lehet, de csak akkor, ha az informatikai fejlesztések mögött továbbra is erős agrárszakmai tudás és gyakorlati tapasztalat áll.
Agrárágazat Tudástár: adatelőkészítés – Az adatelőkészítés a szenzorokból, kamerákból és telepi rendszerekből származó nyers adatok tisztítását, ellenőrzését és rendszerezését jelenti. A precíziós állattartásban azért kulcsfontosságú, mert a hibás időbélyegek, hiányos adatok vagy téves azonosítók pontatlan mesterségesintelligencia-alapú következtetésekhez vezethetnek. A jó döntéstámogatás alapja ezért nem a sok adat, hanem a megbízható, értelmezhető adat.
