Állatjólét, precíziós gazdálkodás és mesterséges intelligencia a baromfiágazatban

Marian Dawkins brit biológus, az Oxfordi Egyetem etológiaprofesszora szerint ahhoz, hogy a precíziós gazdálkodás, beleértve a mesterséges intelligencia alkalmazását is, beváltsa az állatok életének javítására tett ígéretét, 3 feltételnek kell teljesülnie. Ezek a következők:

(1) Mind a közvéleménynek, mind a mezőgazdasági ágazatnak meg kell győződnie arról, hogy a jólét automatizált mérése képes megragadni azt, amit a „jó jólét” alatt értünk.

(2) Tudományos bizonyíték van arra, hogy a technológia valóban javítja az állatok jólétét, ha nagyüzemi gazdaságokban alkalmazzák.

(3) Az állatok jóléte mellett kimutatható pénzügyi, környezeti és egyéb előnyei is vannak, így az ipar számára kereskedelmileg kifizetődő.

Dawkins elmondta, hogy az smart farming vagy precíziós gazdálkodás egy átfogó kifejezés, amely a mezőgazdaságban számítógépeket alkalmazó különböző technikákat foglalja magába, melyek 3 főbb csoportra oszthatók, nevezetesen:

(1) Egyéni vagy csoportos szintű érzékelők használata a termeléssel, jóléttel, egészségi állapottal és betegségekkel, valamint környezeti változókkal kapcsolatos információk szolgáltatására, olyan mérések helyettesítésére vagy kiegészítésére, amelyeket jelenleg emberek végeznek.

(2) A betegségek dinamikus terjedésének megértése mind telepen belül, mind telepek között, és bizonyítékgyűjtés arról, hogy melyek a „legjobb gyakorlatok” az optimális egészségügyi és termelési eredmények elérése érdekében.

(3) Számítógép-alapú döntéshozatal és célzott beavatkozások alkalmazása minden szinten, az irányítási döntésektől a csoportok vagy az egyes állatok szintjén hozott döntésekig.

Megfelelően alkalmazva, a technológia valódi javulást eredményezhet az állatjólétben – írja a szerző –, vagyis az állatok egészségesebb környezetben élhetnek, és új lehetőségeket kapnak a számukra fontos viselkedésformák gyakorlására.

Dawkins azonban arra figyelmeztet, hogy a precíziós gazdálkodás veszélyes területre tévedhet, ha a gazdálkodási rendszerek irányítása teljes mértékben a gépekre hagyatkozik. Az embereknek tehát fel kell ismerniük a mesterséges intelligenciában rejlő korlátokat. A gépi tanulás például általános célú tanulási algoritmusokat használ arra, hogy mintákat találjon nagy adathalmazokban, de ha az adathalmazok torzított vagy heterogén adatokból állnak, az eredmények félrevezetőek lesznek.

Az Applied Animal Behaviour Science folyóiratban megjelent teljes cikk elolvasható a www.sciencedirect.com oldalon.