Stort potentiale i kunstig intelligens

Seges oplyser på Landbrugsinfo.dk, at de er i fuld gang med at udvikle brugen af kunstig intelligens til både at forbedre mælkeproducenternes produktion og indtjening.

Mælkeproducenterne er allerede langt med automatik, præcisionslandbrug og digitalisering. Og de er ifølge Seges traditionelt meget dygtige til dataopsamling og dataanvendelse fra ydelseskontrollen.

Ligesom de har været rigtig gode til at implementere nye teknologier og sensorer – et eksempel herpå er aktivitetsmålere, som med stor sikkerhed finder køer i brunst.

Udviklingen stopper imidlertid ikke her, lyder det fra Seges.

Der er således fuld fart på brugen af og udviklingen af kunstig intelligens, hvor data omsættes til handling via avanceret statistik og maskinlæring.  

Seges er med i udviklingsarbejdet og ser på en række områder, hvor mønstre i eksisterende data kan give landmanden et bedre beslutningsgrundlag.

»Vi arbejder blandt andet med at udvikle modeller, der, på basis af registreringer i DMS, kan udpege dyr med forhøjet risiko for sygdomme. Potentialet er stort, hvis vi på baggrund af eksisterende data fra DMS og avancerede statistiske modeller kan forudsige sundhedsproblemer og give klare anvisninger til, hvad der skal til for at undgå eller afhjælpe et problem« Det skriver Seges på Landbrugsinfo.dk.

Udpegning af køer med ketose

Et af de områder, der er arbejdet med, er ketose. Målet har ifølge Seges været at kunne udpege ketose, inden sygdommen blev konstateret og behandlingen fandt sted. Til det er der anvendt oplysninger fra kvægdatabasen om blandt andet ketosebehandling, daglig vægt, daglig ydelse, fedt/proteinforhold og kælvningsforløb. 

Seges forklarer, at de har brugt 80 procent af data til at »træne« en maskine til at finde ketosebehandlingerne på baggrund af alle de andre data. Efterfølgende har de anvendt de sidste 20 procent af data til at teste, om modellen kunne forudsige, hvilke køer som fik ketose, før sygdommen blev konstateret.

Det resulterede i en model, der kunne finde 75 procent af de behandlede køer, og som totalt havde 93 procent af forudsigelserne rigtige.

- Desværre var det også en model, hvor halvdelen af de køer, som blev udpeget som behandlingskrævende, i virkeligheden ikke var blevet behandlet, påpeger Seges.

De mener dog ikke at kunne udelukke, at køerne uden behandlingsregistreringer har fået eksempelvis propylenglykol til at afhjælpe en negativ energibalance. 

Seges fandt, at det som påvirkede modellen mest, var besætningsnummer, hvilket de peger på i høj grad afspejler management i besætningen.

Udover besætning var de vigtigste variabler: Vægt før goldning, vægttab efter kælvning, huldscore, fedt/protein-forhold, ydelse før goldning, goldperiodens længde, kælvningsnummer, tidligere sygdomshistorik og fødselsbesvær.

Dermed bekræftede modellen ifølge Seges meget af den eksisterede viden på området og de faktorer, som tidligere er blevet fundet til at have en effekt på sygdomsrisikoen for ketose.

Konklusionen på modellen for ketose var, at der er et potentiale, men at datagrundlaget skal forbedres for at kunne udpege ketose mere præcist og undgå for mange fejl.

Kunstig intelligens kræver valide data

Brugen af kunstig intelligens kræver valide og præcise data og ofte mange data om det enkelte dyr. På trods af alle de registreringer, som dagligt bliver tastet af landmænd, medhjælpere og dyrlæger, eller som tilflyder DMS automatisk, understreger Seges, at det største problem er fejl og mangler ved data, og de giver følgende eksempel:

»Et godt eksempel er sundhedsoplysningerne. I DMS har vi gode data på, om en ko er behandlet, men det fremgår ikke, hvilke køer som har sygdomstegn. Det betyder, at der kan være køer i besætningen, som er syge, men ikke behandlet. Det kan være, at dyret har svage symptomer og ikke er diagnosticeret, eller måske har dyrlæge/landmand valgt ikke at behandle tilfældet medicinsk«. 

Seges ser derfor stadig potentiale i at finde løsninger med kunstig intelligens, der kan løfte kvægbrugernes produktion og indtjening.