Yapay Zeka Teknolojisinin Hayvancılık Çiftliklerinin Yönetimine Etkisi
1Tesfalem Aseged,1ve Takele Shitaw1
Akademik Editör: Diego Alexander Tibaduiza
Soyut
Bu inceleme, yapay zekanın (AI) hayvancılığı nasıl etkilediğini göstermek için yapılmıştır. Hayvancılık, ekolojik bütünlüğün korunması ve gıda güvenliğinin sağlanması için gereklidir. Bu derlemede, yapay zekanın (AI) tarihçesi, mevcut ve gelecekteki hayvancılık üzerindeki etkisi ve sakıncaları vurgulanmıştır. “Yapay zeka” terimi ilk olarak 1956’da John McCarthy tarafından icat edildi ve şu anda teknoloji, kümes hayvanları, süt ürünleri ve domuzlar gibi birçok hayvancılık çiftliğinin yönetiminde yaygın olarak uygulanmaktadır. Onlarca yıldır çalışılmasına ve yaygın olarak uygulanmasına rağmen, AI hala en az anlaşılan alt alanlardan biridir. Yapay zeka, çiftçilere rakipsiz bir destek sağlayarak kaynak kullanımını en aza indirmelerine, yemleme modellerinin sürdürülebilirliğini iyileştirmelerine ve özellikle karbon ayak izinin azaltılması söz konusu olduğunda genel olarak çiftlik verimliliğini artırmalarına olanak tanır. Yapay zeka, verimliliği ve üretkenliği artırırken aynı zamanda insan hatası olasılığını azaltmak için bir nimettir. Üreticiler, insan karar verme sürecini simüle etmek ve sensörler ve diğer donanım teknolojileri tarafından toplanan veriler için yorumlar ve çözümler sağlamak için yapay zekayı kullanabilir. Yapay zeka araçları aracılığıyla, hayvan faaliyetlerini ve konumlarını kolayca izlemek ve davranışlar, habitatlar ve sağlık koşulları hakkında veri toplamak mümkündür. Hayvan tanımlama, hayvan refahı izleme, cinsiyet belirleme, aşı dağıtımı ve mera değerlendirmesi, yapay zekanın şimdiye kadar yaygın olarak uygulandığı bazı alanlardır. Drone’lar, robotlar ve blok zincirleri, süt çiftliklerinde yaygın olarak kullanılan bazı otomasyon biçimleridir. Bununla birlikte, çiftlikte daha fazla altyapıya ihtiyaç duyan geliştirme maliyeti ve otomasyonun bunların yerini alma potansiyeli, teknolojinin sınırlamalarıdır.
1. Giriş
2050 yılına kadar gezegende 9,7 milyar insan olacak [1, 2]. Tarım endüstrisi, beslenecek 2 milyar daha fazla ağız nedeniyle her zamankinden daha fazla stresli hale geliyor. Başka bir deyişle, sadece ekili alanları genişletmek veya sığır sürülerini artırmak, öngörülen taleplerin üstesinden gelmek için bir seçenek olmayabilir. Ayrıca, şu anda ekilmekte olan arazi miktarı ile beklenen talebi karşılamak zordur.
Günümüzde endüstri, iklim değişikliği, barış, gıda güvensizliği, üretim sistemindeki değişiklikler ve kalite güvencesi gibi endişe verici faktörlerin bir sonucu olarak daha iyi üretim için üretim faaliyetlerini iyileştirme yaklaşımlarında daha yenilikçi hale gelmiştir [3]. Çiftçilerin de yapacak daha çok işi var çünkü sürü büyüklüklerinin devam eden büyümesi nedeniyle daha az yardım var [4]. Ayrıca, genç nesiller mesleğe giderek daha az ilgi duyuyor. Sonuç olarak, çiftçiler dünyayı beslemek ve küresel nüfustaki dramatik artışa yanıt olarak bir dünya gıda krizini önlemek için daha sofistike yöntemler benimsiyorlar [5, 6]. Bu yöntemler, toprağın, suyun ve enerjinin uygun kullanımını düzenlemeye yardımcı olabilir [7]. Çiftçilerin daha azıyla daha fazlasını yapması gerekeceğinden, mevcut tarım uygulamalarının verimliliğini artırmak gerekir [8].
Yapay zekaya dayalı teknolojiler, çiftlik planlaması, hayvan yönetimi, sürdürülebilir kaynak kullanımı ve hastalık yönetimi gibi alanlarda kullanılmıştır [9]. Dronlar, robotlar ve akıllı izleme sistemleri ile birçok endüstri tarafından başarıyla benimsendi ve şimdi çiftçilikte devrim yaratmaya hazırlanıyor [10].
Yapay zekanın bugün hayatımız üzerindeki etkisi, mekanizasyon ve elektriğin bir asırdan fazla bir süre önce sahip olduklarıyla karşılaştırılabilir [10]. AI, sığır hayvan üretiminde anında yürütülmesi beklenmesi gereken bireye özgü elektroniklerdir. Yapay zeka, çiftçilerin satın alma kalıpları ve önemli akımlar gibi hizmet performansını doğru bir şekilde öngörmek için dosyaları biriktirmesine ve çözmesine yardımcı olur. Çevresel etkiyi en aza indirirken üretimi artırmak ve atıkları azaltmak için yapay zeka, mevcut ve gelecekteki tarım sistemlerinde verimliliği artırıyor. Yapay zeka, çiftçilerin kaynakları daha sürdürülebilir bir şekilde kullanırken ırklarından daha fazlasını elde etmelerine, daha sağlıklı ürünler üretmelerine, hastalıkları kontrol etmelerine, hareketi izlemelerine ve iş yükünü azaltmalarına yardımcı olabilecek çözümler önerebilen akıllı bir izleme sistemidir ve böylece endüstrinin teknolojik evriminin bir parçası olarak istikrarlı bir şekilde ortaya çıkmaktadır.7, 10–13]. AI, çiftçilerin üretkenliği azaltmadan çeşitli engellerin üstesinden gelmesine yardımcı olur [9]. Satın alma alışkanlıkları ve ortaya çıkan trendler gibi tüketici davranışlarını doğru bir şekilde tahmin etmek için veri toplamanın ve analiz etmenin yanı sıra hayvan sağlığını ve sonuçlarını iyileştirmelerini sağlar [5, 9, 14, 15]. Çiftlikler, artan yatırımla süt gibi ürünler aracılığıyla prosedürleri otomatikleştirebilecek, önemli maliyetleri azaltabilecek ve hayvancılığın kalitesini artırabilecektir [16]. Yapay zeka tarafından desteklenen sistemler, hayvancılığın yönetimini ve üretimini geliştirir [17]. Çiftçiler bunu hastalık salgınlarını tahmin etmek, beslenme programlarını optimize etmek ve hayvan davranışlarının ve refahının izlenmesini otomatikleştirmek için kullanıyor [6]. Çiftçilere hayvanlarının sağlığını, refahını ve üreme yeteneklerini yönetme ve geliştirme yeteneği verir [18].
Çiftçiler verilerini daha etkili bir şekilde analiz edebilir ve tüm bileşenleri (kameralar, mikrofonlar, tarayıcılar ve sensörler) karar vermeyi, kesin tahminleri ve anormallik tespitini kolaylaştıran uyumlu bir sistemde birleştirebilir [16, 17]. AI, son zamanlarda çiftçilerin daha yüksek çiftlik hayvanı verimine yönelik artan talebe yanıt olarak çiftlik hayvanlarının büyümesini izlemesine, tahmin etmesine ve optimize etmesine yardımcı olan bir araç haline geldi [19]. AI teknolojisinin hayvancılık endüstrisindeki en önemli uygulamalarından biri, parazitlerin, biyogüvenliğin ve hastalıkların kontrolünün yanı sıra çiftlik hayvanlarının ve çiftlik yönetiminin gözlemlenmesidir [14, 15, 17, 20, 21].
Şu anda, yerel köylüler ve büyük tereyağlı çiftlikler, sütün cazibesine dair çok az bilgiye eşlik eden yem kullanıyor. Örneğin, sensörler ve Nesnelerin İnterneti (IoT) kümes hayvanlarının refahı için kullanılıyor [22, 23]; Domuzlar için hassas tarım kullanılıyor [24]; Derin öğrenme, sığır ve domuzların davranışlarını tespit etmek için kullanılıyor; ve hayvansal üretim için veri modelleme kullanılmaktadır [25]. Yapay zekanın teoriden uygulamaya tarihçesi, avantajları ve eksiklikleri, hayvancılıktaki rolü ve potansiyel uygulamaları bu derlemenin ana konularıdır.
1.1. İncelemenin Gerekçesi
Modern hayvancılık çiftliklerinin modern yapay zeka teknolojileri ile desteklenmesi gerektiğinden, çiftliklerin son yıllarda uyguladığı teknolojiler, avantajları ve dezavantajları ve bu teknolojilerin toplum, memnuniyet ve refah üzerindeki etkisinin anlaşılması gerekir, böylece AI’nın tüm temel yönlerini tüm dünyaya getirmek için incelemeler gereklidir. Bu incelemenin eğilimi, çiftlik sahiplerine, okuyuculara ve diğerlerine bu önde gelen teknoloji hakkında özet bilgiler vererek yapay zeka ile ilgili makaleleri gözden geçirmenin çok önemli olmasıdır.
Yapay zeka teknolojisinden yararlanacak araştırmacılar, hayvan çiftliği sahipleri ve yöneticileri, politika yapıcılar ve diğer ilgili kuruluşlar tarafından incelenir.
2. Gereç ve Yöntemler
İnceleme makalesinin yazımı boyunca anahtar kelimeler ve Google Akademik dahil olmak üzere çeşitli yayınlanmış ve yayınlanmamış kaynaklardan yaklaşık 128 makale toplanmıştır: yapay zeka, gelecekteki uygulama, hayvancılık çiftlikleri ve çiftlik yönetimi. Tüm makaleler önyargısız olarak özetlenmiştir. Hayvancılık çiftliklerinde yapay zekanın önemini açıklayan tüm makaleler incelemeye dahil edilmiştir. Ancak diğer vahşi yaşamlar üzerine yapılan makaleler incelemenin dışında tutulmuştur. El yazmalarının toplanmasını takiben, kaynaklardan elde edilen bilgiler analiz edilmiş ve bu makalenin derlenmesinde kullanılmıştır.
2.1. Yapay Zekaya Genel Bakış
Onlarca yıldır çalışılmasına rağmen, AI hala bilgisayar biliminin en az anlaşılan alt alanlarından biridir [19]. Bu, büyük ölçüde konunun ne kadar geniş ve belirsiz olduğundan kaynaklanmaktadır. Akıl yürütebilen makinelerden, masa oyunları oynamak için kullanılan arama algoritmalarına kadar, AI tüm bunları kapsar [14, 15, 17]. Bilgisayarları toplumda nasıl kullandığımızın hemen hemen her yönü bundan yararlanabilir. Tipik olarak insan zekası gerektiren görevleri yerine getirebilecek akıllı makineler yaratma çalışması, geniş bir bilgisayar bilimi alanı olan yapay zeka olarak bilinir [26]. Makine öğrenimi ve derin öğrenme gelişmeleri, teknoloji endüstrisinin hemen hemen her sektöründe bir paradigma değişikliğine neden olurken, yapay zeka birçok yaklaşıma sahip disiplinler arası bir bilimdir [6, 18, 26, 27]. Makineler artık yapay zeka sayesinde akıllı asistanların geliştirilmesinden sürücüsüz arabalara kadar insan zekasını taklit edebiliyor ve hatta daha iyi performans gösterebiliyor. Makine zekası, insanlar veya diğer hayvanlar tarafından sergilenen zekanın aksine, AI olarak adlandırılır [28].
Makine, her senaryo için önceden programlanmış yanıtlara sahip değildir, bu da önemli bir noktadır [29]. Makine, daha önce öğrendiklerine dayanarak yeni ve doğru bir karar verebilir [16]. Yapay zeka, problem çözme, rasyonel davranış ve insan benzeri eylemler yeteneğine sahiptir. Akıl yürütme, karmaşık sorunları etkili bir şekilde çözme ve öğrenme eylemleri yoluyla yeni bilgiler edinme konusunda olağanüstü bir kapasiteye sahiptir. İnsanı makineyle karşı karşıya getirmek yerine, insan ve makine birlikte çalışıyor [28]. AI, konuşma tanıma, görsel algı, karar verme ve dil çevirisi gibi tipik olarak insan zekası gerektiren eylemleri yürütür [13]. Yapay zeka, kümes hayvanları ve süt ineklerinden domuzlara kadar hayvancılığın yönetilme ve izlenme şeklini değiştirmek için kullanılıyor [19].
Zeka, öğrenme ve problem çözme kapasitesidir [30]. Kişinin çevresinden bilgi alma, koşullara esnek bir şekilde yanıt verme ve çeşitli durumsal unsurların göreceli önemini anlama kapasitesidir. Ayrıca, genel zihinsel kapasitenin akıl yürütmek, problem çözmek ve çeşitli bağlamlarda öğrenmek için nasıl kullanılacağını da ele alır [19].
Geçtiğimiz yüzyılda, hayvancılıktaki ilerlemeler önemli olmuştur [8]. Birkaç on yıl önce, çevresel durum izlemenin tam otomasyonu imkansız görünüyordu, ancak bugün olağan. Bu alanlarda verimliliği artırmak için, sadece finansal kazanç için değil, aynı zamanda dünyanın genişleyen nüfusunun taleplerini karşılamak için de yöntemler geliştirilmiştir [16]. Ancak her madalyonun iki yüzü vardır. İlerlemenin ağır bir bedeli vardı. Büyük ölçekli çiftçilik gelişti ve bu da bazı yönlerden sorunu daha da kötüleştirdi [16]. Hayvansal ürünlere olan talep arttıkça maliyet etkinliğini korumak için daha az alan kullanırken tarım tesisleri daha da büyüdü [8]. Hayvan sağlığı ile ilgili olarak, bu büyük ölçüde alakasızdır [6].
2.2. Yapay Zekanın Tarihsel Arka Planı
İnsan, hayvanları ilk olarak birkaç bin yıl önce kendi çıkarları için evcilleştirdi [31] ve o zamandan beri, hayvancılıkla ilgili akıllıca seçimler yapmak için içgüdülere, duyusal ipuçlarına ve birikmiş bilgilere güvendi [32]. Hayvancılık geleneksel olarak, her hayvanın tek bir adam tarafından tutulduğu ve yalnızca az sayıda insanın bir araya gelip onları yönetebildiği bir ölçekte dağılmıştır [33]. Ek olarak, çoğu hayvan çiftçisi, yaklaşık on yıl öncesine kadar yüksek hızlı İnternet, akıllı telefonlar ve uygun fiyatlı bilgi işlem gücü gibi çağdaş teknolojilere sınırlı erişime sahipti. Bu koşulların her ikisi de şu anda hızla değişiyor [8, 14–16]. Sürdürülebilir hayvancılık ve kaynak yönetimini ilerletmek için birçok çiftçi güçlerini birleştirdi [12]. Hayvan üretimini ve refahını artırma konusunda ortak bir çıkarı paylaştıkları için çiftlik hayvanlarını küçük bir izinsiz girişle uzaktan izlemelerini sağlayan çeşitli en son teknolojileri kullanırlar [6].
Hayvancılıkta çıktıyı önemli ölçüde artırmanın önündeki en büyük zorluk, veri toplamadır [16]. Bir çiftlikte, düzenli çiftlik operasyonları hakkında doğru bilgi almak neredeyse imkansızdır. Çiftlikler, özellikle büyük çiftlikler, tek bir ne kadar yediği, hareket ettiği, içtiği, vücut ısısı, stres seviyeleri, ideal barınma koşulları, hastalık vb. hakkında hiçbir fikre sahip değildir.17]. Doğru, akıllı ve zamanında veriler olmadan, tek tek yönetmek neredeyse imkansızdır [14, 15]. Bununla birlikte, yeni dijital teknolojiler veri açığını kapatma potansiyeline sahiptir [20]. İkincisi, akıllı telefonlar ve bilgisayarlar artık dünya nüfusunun% 50’sinden fazlası tarafından İnternet’e erişmek için kullanılıyor [5]. Sonuç olarak, hayvan yetiştiren sayısız çiftçi artık bilgi işlem gücüne kolayca erişebiliyor [7]. Ayrıca, birçok alanda hala teknolojik ilerleme kaydedilmektedir. İnsanların yararı ve rahatı için her gün yeni teknoloji yaratılmaktadır [10].
Yukarıda belirtilen tüm faydalar ve hayvanlardan elde edilen üretimin artması için yapay zeka esastır [11]. Bu sektörde, yapay zeka oyun alanını temelden değiştirecek. Bugün, yerel çiftçiler ve büyük süt çiftlikleri, sütü nasıl etkilediğini tam olarak anlamadan yem kullanıyor [13]. Sütün miktarı ve kalitesi, hayvanın diyetindeki ve yaşam tarzındaki değişikliklerin yanı sıra iklim ve çevredeki değişikliklerden etkilenir [11].
Akıllı robotların ve yapay varlıkların en eski sözleri Yunan mitlerinde bulunabilir [10] ve Aristoteles’in kıyası geliştirmesi ve tümdengelimli akıl yürütmeyi kullanması, insanlığın zekasını anlama arayışında önemli bir dönüm noktası oldu. Uzun ve derin köklere sahip olmasına rağmen, bugün bildiğimiz şekliyle yapay zekanın tarihi bir asırdan daha eskidir. İngiliz matematikçi Alan Turing’in “Computing Machinery and Intelligence” adlı makalesinin 1950 yılında yayınlanması, yapay zekanın doğuşunda etkili oldu.10, 26, 34]. Topluluğun daha sonra benimsediği “yapay zeka” terimi, ilk olarak 1956’da John McCarthy tarafından konuyla ilgili ilk akademik konferansında ortaya atıldı.28]. Bununla birlikte, makinelerin düşünme yeteneğine sahip olup olmadığına dair araştırmalar çok daha önce başladı. 1960’ların ortalarında, yapay zeka araştırmaları için büyük fonlar Amerika Birleşik Devletleri Savunma Bakanlığı’ndan geliyordu ve tüm dünyada yapay zeka laboratuvarları kurulmuştu [30]. Livermore’daki Lawrence Radyasyon Laboratuvarı da aynı zamanda Sidney Fernbach başkanlığında yapay zeka grubunu başlattı.20]. Takip eden yıllarda, araştırmacılar satranç ve dama gibi oyunlar oynamak gibi uzmanlık düzeyinde bilgi gerektirdiği düşünülen görevleri yerine getirme stratejilerini araştırdıkça, alan hızla ilerledi [30].
2.3. Süt Sektöründe Yaygın Olarak Kullanılan Otomasyon
Otomasyon, süt çiftliği sahiplerine, lazerler, sensörler ve veri toplama yardımıyla süt çiftliklerinde el emeği yapmaya istekli işçileri bulma zorluklarının üstesinden gelmelerinde yardımcı oldu [29, 35]. Otomasyonun bir yararı, hayvanların bu yeni teknolojik eğilime adapte olmuş ve robotları tercih etmiş gibi görünmesidir [36].
2.3.1. Drone’lar
Drone’lar hızla süt sektöründe önemli bir araç haline geliyor [9]. Çiftçiler geleneksel teknolojilere aşina olsalar da, daha karmaşık görevleri üstlenmek için dronların kullanılması için giderek daha fazla çağrıda bulunuyorlar. Örneğin, erkek arılar çitleri ve genel olarak sürüyü kontrol etmek ve ayrıca tarlalardan ahırlara sürmeye yardımcı olmak için kullanılabilir [6]. Ayrıca, dronlar modern süt çiftlikleri tarafından büyümeyi izlemek için meraları haritalamak, incelemek ve fotoğraflamak için kullanılmaktadır [28]. Drone’lara güç veren gelişmiş algoritmalar, özel olarak tanıyabilir ve onları geyik veya diğer benzer hayvanlardan ayırt edebilir. Bu, gütme sürecini otomatikleştirerek çiftçilerin zamandan ve paradan tasarruf etmesine yardımcı olabileceğinden, süt endüstrisi için büyük bir varlık olmuştur. Ek olarak, dronlar hayvan sağlığını izlemek, hastalıkları belirlemek ve takip etmek ve olası sorunlara ilişkin erken uyarılar sağlamak için kullanılabilir [9]. Dronlar tarafından toplanan veriler daha sonra sürü yönetimi stratejilerini geliştirmek için analiz edilebilir. Birlikte ele alındığında, süt ürünleri sektöründe dronların kullanımı, çiftçiler için büyük bir nimet olmuştur ve geleneksel teknolojilerle mümkün olmayacak bir dizi fayda sağlamıştır.
2.3.2. Robotlar
Robotlar, üretkenliği artırma, işçilik maliyetlerini düşürme ve biyogüvenlik önlemlerini iyileştirme yetenekleri sayesinde süt ürünleri sektöründe giderek daha popüler hale geliyor [17, 26, 35]. Süt sektöründe robotların en yaygın kullanım alanı robotik süt sağım makineleri veya süt robotlarıdır. Bu makineler, memelerini ve sütlerini otomatik olarak tanımlamak ve aynı zamanda memeleri temizlemek için tasarlanmıştır. Süt botlarının hem verimli hem de zaman kazandırıcı olduğu bulunmuştur, bazı çalışmalar sağım için harcanan zamanı %30’a kadar azaltabileceklerini öne sürmektedir [17]. Ayrıca, çalışmak için insan emeğine ihtiyaç duymadıkları için işçilik maliyetlerini de azaltabilirler [26].
Robotlar ayrıca ahırı temizlemek ve sterilize etmek, biyogüvenlik önlemlerini iyileştirmek ve inekler için daha sağlıklı bir ortam yaratmak için de kullanılabilir [35]. Bu, özellikle bakteri, virüs ve diğer patojenlerin varlığının ve süt üretimine ciddi zararlar verebileceği süt sektöründe önemlidir. Çiftçiler, ahırı düzenli olarak temizlemek ve sterilize etmek için robotları kullanarak hastalık bulaşma ve kontaminasyon riskini önemli ölçüde azaltabilir [35]. Ek olarak, robotlar izlemek ve çiftçilere sıcaklık, vücut ağırlığı ve süt üretimi gibi sağlıkları hakkında değerli veriler sağlamak için de kullanılabilir [17].
2.3.3. 3D Baskıyı Kullanma
3D baskı, son yıllarda hızla popülerlik kazanan devrim niteliğinde bir teknolojidir. Kırsal alanlardaki çiftçiler için özellikle yararlı olabilecek karmaşık makine parçaları üretmek için yaygın olarak kullanılır, çünkü gerekli parçaya bağlı olarak değerli zaman ve hatta para tasarrufu sağlayabilir [26]. 3D baskı, çok çeşitli potansiyel uygulamalara sahip olan gıdaları yeniden üretmek için de kullanılabilir. Bir örnek, katıdan sıvıya değişen durumlardaki basitliği nedeniyle, 3D baskı kullanarak çoğaltılması daha basit gıdalardan biri olan peynirdir [16]. Bazı araştırmalara göre, baskılı peynir, baskısız peynirden daha yumuşak, daha az yapışkan ve daha güvenilirdir [11, 16, 29]. Bununla birlikte, tüm tüketiciler basılı gıda fikriyle ilgilenmeyebilir, bu nedenle zorluk, fiyat, tat veya beslenme açısından faydası olan yiyecekler yaratmaktır [36]. Örneğin, bazı araştırmacılar peynir için tüketiciler için daha çekici olacak ve aynı zamanda saklanması ve servis edilmesi daha kolay olacak yeni şekiller oluşturmayı önerdiler [36]. Ayrıca, 3D baskı, farklı gıda katmanlarını birleştirmek için kullanılabilir ve hem görsel olarak çekici hem de beslenme açısından dengeli bir ürün yaratır [36]. Bu şekilde, 3D baskı, tüketicilere sunulan gıdaların kalitesini ve çeşitliliğini iyileştirmek için güçlü bir araç olabilir.
2.3.4. Artırılmış Gerçeklik
Artırılmış gerçeklik (AR), dijital verilerin kullanıcının deneyimlediği ortamla gerçek zamanlı olarak harmanlanmasını sağlayan yenilikçi bir teknolojidir [28]. Yiyeceklerin görsel çekiciliğini artırmak ve doğru porsiyon boyutlarını doğru bir şekilde belirlemek gibi birçok farklı uygulamada oldukça faydalı olduğu bulunmuştur [36]. Ayrıca AR, üreticiler için izlemek ve değerlendirmek için de kullanılabilir. Örneğin, AR, çiftçilere hayvanlarının sağlığı ve refahı hakkında gerçek zamanlı veriler sağlayarak hayvanlarının daha verimli ve etkili bir şekilde yönetilmesine olanak tanır [37]. Ek olarak, AR, süt verimi tahmininin doğruluğunu artırmak ve potansiyel sağlık sorunlarını daha iyi belirlemek için kullanılabilir [38].
AR’nin tarım endüstrisinde kullanılmasının bir dizi potansiyel faydası vardır. Örneğin, geleneksel hayvan izleme ve değerlendirme yöntemleriyle ilişkili işçilik maliyetlerinin azaltılmasına yardımcı olurken, aynı zamanda daha doğru veriler sağlayabilir [39]. Ek olarak, verileri kaydederken ve analiz ederken insan hatası riskini azaltmaya yardımcı olabilir, böylece sonuçların doğruluğunu artırır [40]. Ayrıca AR, çiftçilere hayvanları hakkında vücut ısısı, vücut kompozisyonu ve beslenme seviyeleri gibi yararlı bilgiler sağlamak için de kullanılabilir [41].
2.3.5. Sanal Gerçeklik
Sanal gerçeklik (VR), gerçek görünmesi için manipüle edilebilen teknolojik cihazlar tarafından oluşturulan dijital bir ortamdır [28]. Müşterilerin süt ürünlerinin kökenini daha iyi anlamaları için güçlü bir araçtır [17]. Örneğin, bir süt çiftliği sahibi, müşterilerinin keşfetmesi için ahırında sanal bir tur oluşturabilir. Müşteriler, bir VR kulaklığı kullanarak çiftliği deneyimleyebilir ve satın aldıkları süt ürünlerinin menşei ve üretimi hakkında her şeyi öğrenebilir. Sanal tur ayrıca sağılma sürecinin veya tüm peynir yapım sürecinin ayrıntılı bir açıklamasını da içerebilir.
VR ayrıca müşterilere sürükleyici bir deneyim sunar ve çevre ile etkileşime girmelerine olanak tanır. Örneğin, müşteriler tüm süt ahırını daha iyi görebilmek için bir yandan diğer yana kaydırabilir. Ayrıca farklı nesnelere tıklayabilir ve onlar hakkında daha fazla bilgi alabilirler. Bu deneyim, müşterilerin yiyeceklerinin kökenini daha iyi anlamalarını sağlayabilir ve üreticiye daha bağlı hissetmelerini sağlayabilir.
Son olarak, VR, müşterileri süt endüstrisinde hayvan refahı ve sürdürülebilirliğin önemi konusunda eğitmek için de kullanılabilir. Ahırın sanal turları sayesinde müşteriler, hayvanlara nasıl davranıldığını ve üretim sürecinin nasıl yürütüldüğünü görebilirler. Bu, hayvan refahı ve sürdürülebilirliğin önemi konusunda farkındalığı artırmaya yardımcı olabilir ve müşterileri süt ürünleri satın alımları hakkında daha bilinçli kararlar almaya teşvik edebilir.
2.3.6. Blok Zinciri
Tüketiciler tükettikleri gıdaların kökenleri ve üretim süreçleri hakkında giderek daha fazla merak duymaya başladıkça, gıda izlenebilirliği ve güvenliğini sağlamanın bir yolu olarak giderek daha fazla araştırılmaktadır [9]. Blockchain, verilerin güvenli bir şekilde saklanmasına ve paylaşılmasına izin veren bir dağıtılmış veritabanı sistemi biçimi olan dağıtılmış bir defter teknolojisidir.42]. Üreticiden tüketiciye kadar gıda tedarik zincirindeki her bir halkayı birbirine bağlamak için kullanılabilir. Bu, gıda tedarik zincirinde yer alan paydaşlar arasında daha iyi şeffaflık ve güven sağlar [43].
Blockchain teknolojisinin gıda izlenebilirliği ve güvenliği sağlama potansiyeli önemlidir. Örneğin, menşe, üretim ve dağıtım noktalarını birbirine bağlayarak, gıda maddelerini çiftlikten çatala kadar takip etmek için kullanılabilir ve gıdanın yolculuğunun ayrıntılı bir görünümünü sağlar [44]. Bu, belirli güvenlik standartlarının karşılanmasını ve üreticiden tüketiciye kadar olan yolculuk sırasında gıdaların kontamine olmamasını veya karıştırılmamasını sağlamaya yardımcı olabilir. Geleneksel tedarik zincirlerinde gıda maddelerinin kökenini izlemek zor olabileceğinden, gıda sahtekarlığını ve sahteciliği tespit etmek için de kullanılabilir [44].
Blockchain, son kullanma tarihleri, beslenme bilgileri ve alerjenler gibi ürün verilerini depolamak ve paylaşmak için de kullanılabilir [42]. Bu, tüketicilerin tükettikleri gıdalar hakkında doğru bilgilere erişmelerini sağlamaya yardımcı olarak bilinçli kararlar vermelerine olanak tanır. Ek olarak, blok zinciri, kimyasalların ve pestisitlerin kullanımı, kullanılan işgücü uygulamaları ve üretim sürecinin çevresel etkisi gibi üretim süreci hakkında daha ayrıntılı bilgilere erişim sağlamak için kullanılabilir [42].
2.3.7. Nesnelerin İnterneti
Nesnelerin İnterneti (IoT), süt ürünleri endüstrisini dönüştüren devrim niteliğinde bir teknolojidir. Birden fazla cihaz ve sistemin bağlanmasını sağlayarak verilerin toplanmasına ve bilgi paylaşımına olanak tanır [26]. Bu veriler, süt çiftliklerinin verimliliğini ve karlılığını artırmak için kullanılabilir [21]. Örneğin, IoT, otomatik sağım sistemlerinin çalışmasına ve hayvan sağlığının ve yem alımının izlenmesine izin verir [21]. Çiftçiler, bu sistemlerden elde edilen verilerden yararlanarak hayvanlarının sağlığını belirleyebilir ve buna göre yönetim uygulamalarında ayarlamalar yapabilir. Ek olarak, veriler, çiftçilerin sürü yönetimi hakkında daha bilinçli kararlar almalarına yardımcı olabilecek günlük sürü performansı gibi raporlar oluşturmak için kullanılabilir [21].
IoT ayrıca sensörler ve izleme cihazları gibi diğer genel gider teknolojilerinin entegrasyonunu da sağlar [21]. Bu teknolojiler, ahırdaki ortamı izlemek için kullanılabilir ve çiftçilerin hayvanları için en uygun koşulları sağlamak için ayarlamalar yapmalarına olanak tanır [21]. Ayrıca, IoT, süt çiftliğini pazara bağlamak için kullanılabilir ve çiftçilerin ürünlerini daha etkili ve verimli bir şekilde pazarlamasına olanak tanır [21].
Birlikte, bu havai teknolojiler, süt endüstrisinin üretkenliği, karlılığı ve verimliliği artırması için kapılar açıyor [21]. Çiftçiler, IoT’nin gücünden yararlanarak ve onu diğer teknolojilere bağlayarak, bilinçli kararlar almak ve operasyonlarının başarısını sağlamak için kullanılabilecek verilere erişebilir. IoT teknolojilerinin sürekli ilerlemesiyle, süt ürünleri endüstrisinin artan verimlilik ve karlılıktan faydalanacağı kesindir.
2.4. Hayvancılıkta Yapay Zekanın Uygulanması
Hayvancılık, Tabloda sunulduğu gibi yapay zeka tarafından çeşitli şekillerde kolaylaştırılabilir 1. Birçoğunda gelişmiş tahmine dayalı analitik ve bilgisayar görüşü kullanılır. Yapay zekanın bu alandaki potansiyelinin kapsamını daha iyi anlamak için, en tipik kullanım durumlarından bazılarına bakalım.
Yapay zekanın hayvancılıkta farklı uygulamaları.
2.4.1. Hayvan Tanımlama
Daha önce çiftçiler, sağlık geçmişleri, yaşları, üreme durumları, büyüme hızları ve yeme alışkanlıkları dahil olmak üzere onlar hakkında bilgi edinmek için hayvanlarının manuel kayıtlarını tutarlardı [23, 45]. Bu verilerin işlenmesi ve bunlardan içgörü elde edilmesi, yapay zeka tarafından daha kolay hale getirilmiştir [14, 15, 20, 28]. Çiftçiler, bilgisayar görüşü kullanarak çiftlik hayvanlarının tanımlanmasını tamamen otomatikleştirebilir [35]. Belirli bir hayvanın durumu ve geçmişi ile ilgili tüm ayrıntılara erişmek için, yalnızca kodun kimlik numarasını taramanız gerekir [20]. Tavuklar gibi daha küçük hayvanlar bile yapay zeka sayesinde artık bir sürü yerine bireysel olarak tanımlanabiliyor [35]. Bu, epidemiyolojik riski azaltır ve bu özellikle zor koşullarda refahın iyileştirilmesini mümkün kılar [6].
2.4.2. Otomatik Tartı Sistemleri
Tartım, kalite kontrolünün sağlanması için gereklidir [46]. Hem bireysel hem de grup hayvan tartımları mümkündür (yine, bu daha çok kümes hayvanları ve diğer küçük hayvanlar için geçerlidir) [35]. Önemli olan, tartı kullanmaktan kaçınmaya çalışan hayvanların bunu yaparken sık sık stres yaşamalarıdır [47]. Bunun hem refahları hem de prosedürün verimliliği üzerinde etkisi vardır [48]. Süreci olabildiğince hızlı ve kolay hale getirmek, bunun ışığında çok önemlidir [49]. Bu, otomasyonla daha kolay hale getirilmiştir. Hassas sensörler, ağırlığı saniyeden çok daha kısa bir sürede doğru bir şekilde algılayarak ve sonuçları otomatik olarak veri tabanına kaydederek manuel tarama ihtiyacını ortadan kaldırır [20, 23]. Bu veriler bir yapay zeka sistemi tarafından işlenebilir ve çiftçilik uygulamalarının iyileştirilmesine yardımcı olmak için ondan içgörüler elde edilebilir [17]. Sistem, bir hayvanın ağırlığı ile geçmişi arasındaki ilişkileri, o hayvanı tanımlayarak belirleyebilir [19]. Sonuç olarak kalite güvencesi süreçleri kolaylaştırılır [8].
2.4.3. Hayvan Refahının İzlenmesi
Yapay zeka, aynı anda epidemiyolojik riskleri azaltırken hayvan refahını önemli ölçüde artırma potansiyeline sahiptir [6]. Ses analizi, hayvan aktivitesi, beslenme ve su alım modelleri, radyo frekansı tanımlama ve diğer hassas hayvancılık teknolojileri kullanılarak, hayvan sağlığı ve refahı AI kullanılarak izlenebilir [23, 26].
2.4.4. İçme ve Beslenme Alışkanlıklarının İzlenmesi
Bilgisayar görüşü ile donatılmış Nesnelerin İnterneti (IoT) cihazları, çiftlik hayvanlarının içme ve beslenme alışkanlıklarındaki kalıpları kaydederek çiftçilere faydalı bilgiler verebilir [34]. Sensörler, hayvan davranışlarını izlemek ve anormallikleri tespit etmek için hem gündüz hem de gece tüketim seviyelerini ve oranlarını izleyerek bu sürece yardımcı olur [11]. Çiftçiler, AI sistemi tarafından işlenen verileri kullanarak davranışsal veya sağlık sorunlarının bir göstergesi olabilecek olağandışı yeme alışkanlıklarına sahip hayvanları tanıyabilir [34]. Ek olarak, topladıkları verileri, belirli bir gıda ile çiftlik hayvanlarının ağırlığı ve sağlığı arasındaki ilişkileri keşfetmek için kullanabilirler [36]. Sonuç olarak, çok önemli bir kalite kontrol aracı haline gelir [28].
Hareket kalıplarının, duruş ve aktivite kalıplarının analizi, yukarıda belirtilenlerle aynı araçlar kullanılarak yapılabilir. Bu modeller verimli kalite kontrol için çok önemlidir [18]. Hayvan sağlığı, gündüz ve gece boyunca aktivite seviyeleri, hareket ve duruş gibi faktörlerle önemli ölçüde tahmin edilebilir [50]. Görüntü işleme ve makine öğrenimi algoritmaları bunları bulabilir, kategorilere ayırabilir ve belirli bir sorunun belirtilerine bağlayarak otomatik olarak bir uyarı verebilir [7]. Hayvancılıkta hayvan kullanımını geliştirmeye yönelik teknolojiler, davranışını ve aktivitesini tanımlayan ve yem alımını ve geviş getirme işlemlerini izleyen hareket analizini içerir [17].
2.4.5. Dışkının Tanımlanması
Dışkı, hayvanların refahı hakkında değerli bilgiler sağlayabilir [51]. Çiftçiler, anormallikleri bulmak için elle yapmak zorunda kalmak yerine bilgisayar görüşü kullanarak denetimlerini otomatikleştirebilirler [36]. Hayvanın dışkısı, onlarla enfekte olmuşsa bakteri de içerecektir. İncelenen örneğe dayanarak, yapay zeka sistemi kontaminasyon risklerini hızlı bir şekilde belirleyebilir ve çiftçiye içgörü sağlayabilir [6]. Böyle bir mekanizma, salgın hastalıkları önleme uygulamalarının önemli bir parçasıdır.
2.4.6. Sıcaklık Analizi Kullanarak Isı Stresinin İzlenmesi
Isı stresini izlemek, yapay zekanın hayvan refahını artırmasının başka bir yoludur [36]. Çiftlik hayvanları, nispeten küçük bir alandaki yüksek çiftlik hayvanı yoğunluğu nedeniyle sıklıkla yüksek sıcaklıklara maruz kalır ve bu da genellikle hem fiziksel hem de zihinsel sağlıkları üzerinde zararlı bir etkiye sahiptir [52]. Isı stresini erken tespit etmek ve sağlık durumunu belirlemek için bir hayvancılık yönetim sistemi ve kamera teknolojisi kullanılır [23, 53]. Yapay zeka tabanlı sistemde yerleşik olarak bulunan sensörler, sıcaklıkla ilgili verileri toplayabilir, yükselişleri ve düşüşleri hakkında içgörüler çıkarabilir ve bunu belirli eylemlere veya davranışlara bağlayabilir [11]. Makine öğrenimi modeli, ısı tükenmesi riskini artıran kalıpları tanır ve sıcaklık tehlikeli olarak belirlenen seviyeye ulaştığında gerçek zamanlı bir uyarı gönderir [8]. Çiftçiler topladıkları verileri kullanarak bu alanda iyileştirmeler yapabilirler [19].
2.4.7. Hayvancılığın İzlenmesi
Hayvan dışkısına çok benzer şekilde, hayvancılık seslendirmeleri çiftçilere hayvanlarının refahı hakkında önemli bilgiler sağlayabilir [54]. Hayvan seslendirme anormallikleri, kayıtlardan alınan ses verileri üzerinde eğitilmiş bir makine öğrenimi algoritması kullanılarak tanınabilir ve kategorize edilebilir [18]. Çiftçi, bu bilgi kaynağını daha önce belirtilenlerle birleştirerek hayvanlarının durumunun kapsamlı bir resmini elde edebilir [30]. Canlı kayıtlar, çiftlik hayvanları arasındaki etkileşimleri ve etkileşimleri yönetmek için de kullanılabilir [18]. Sistem, çiftçiye herhangi bir patolojik davranışın yayılmasını durdurma ve meydana gelirse derhal harekete geçme yeteneği verir [13].
2.5. Su Ürünleri ve Barakaların Koşullarının İzlenmesi ve Değiştirilmesi
Yapay zeka, çiftlik hayvanlarının refahını yönetmenin yanı sıra koşulları yönetmek için de kullanışlıdır [26]. Sadece mallarının kalibresi için değil, aynı zamanda herkesin güvenliği ve mevzuata uygunluğu için de gereklidir [16]. Küçük nitelikteki koşullu değişiklikler (nem, sıcaklık, boşluk, parlaklık, vb.), Üreme sürecinin üretkenliği de dahil olmak üzere diğer önemli süreçler üzerinde önemli bir etkiye sahip olabilir [14, 15].
2.5.1. Beslenme Rutinleri Oluşturma
Beslenme ve içme alışkanlıklarının bir hayvanın refahının işaretleri olarak kullanılabileceğinden daha önce bahsedilmişti [6]. Maliyetleri en aza indirirken üretkenliği artırmak ve ürün kalitesini en üst düzeye çıkarmak için en iyi besleme programlarını bulmak, izleme amacıyla toplanan veriler kullanılarak yapılabilir [16]. Büyük bir veri kümesi göz önüne alındığında, algoritma (ideal olarak bir derin öğrenme algoritması), belirli besleme kalıpları ile ürünün istenen davranışları/kalitesi arasındaki ilişkiyi belirleyebilir [29]. Çiftçi, gelişmiş analitiklerin yardımıyla farklı kurulumları test edebilir ve en iyilerini belirleyebilir [35]. Bunun elbette bir bütün olarak çiftçilik verimliliği üzerinde olumlu bir etkisi vardır.
2.5.2. Meranın Değerlendirilmesi
Hayvancılık işletmeleri, bilgisayar görüşünü kullanarak, hayvanlara beslenme için mümkün olan en iyi koşulları sunup sunmadıklarını belirlemek için mera koşullarını otomatik olarak izleyebilir [12]. Mera, öneriler oluşturmak için eğitimli bir algoritma kullanan AI tanıma sistemi tarafından derecelendirilebilir [7]. Örneğin, mantar, kuruluk veya diğer ilgili faktörler nedeniyle kalite standartlarını karşılamayan çıplak yamaları ve meraları kaydedebilir [26]. Çiftçiler ayrıca, kayıtlı görüntüye dayanarak hayvanlar için mevcut olan mera miktarını tahmin edebilir ve daha sonra bu rakamların hayvanların ağırlığına göre önerilen günlük ödeneğe uygun olup olmadığını belirleyebilir [35].
Kuluçkahaneler daha iyi hale getirilebilir, böylece çiftçiler yumurtaların içindeki embriyoların gelişimi için en iyi ortamı sağlayabilirler [29]. Hayvanları kullanan geleneksel üretim yöntemi endüstriyel ortamlarda kullanılamaz [16]. Yumurtaların doğal kuluçka sırasında yaşadığı çevresel koşulları çoğaltmak, çiftçiler için bir zorluktur [35]. Kuluçka işlemi nem ve sıcaklıktaki değişikliklerden etkilenebileceğinden, doğruluk ve sürekli izleme gerektirir. İnkübatörlere ve sensörlere bağlı yapay zeka sistemi, embriyoların normal şekilde gelişmesini engelleyebilecek herhangi bir durum değişikliğini bulmak için ilgili verileri çıkarabilir ve değerlendirebilir [35]. Çiftçi, bu gerçekleşmelere dayanarak bir kuluçka sürecini devam ettirmek için iyileştirmeler uygulayabilir [12]. Bunu yaparken, belirli sağlık sorunlarının doğurganlığı nasıl etkilediğini, bu verilerden öğrendiğini ve önerilerini gerektiği gibi ayarladığını takip eder [36].
2.5.3. Yumurtalarda Canlı Embriyoların Saptanması
Kuluçkadan çıkamayan ve kısır yumurtaların erken tespiti, kuluçkahane alanı kullanımını en üst düzeye çıkarırken ve üretkenliği artırırken çiftçileri gereksiz masraflardan korur [11]. Yakın kızılötesi hiperspektral görüntüleme yöntemlerini makine öğrenimi ile birleştirerek gerçekleştirilebilir [13]. İkincisini kuluçkahaneden hızlı bir şekilde çıkarmak için çiftçiler, verimli ve kısır yumurtaların görüntülerini içeren veri kümeleriyle makine öğrenimi algoritmalarını eğitiyor. Bilgisayarla görme, embriyoların gelişimini izlemek ve verimli yumurtaları tanımlamak için kullanılabilir [34]. Kümes hayvanı üreticileri, hızlandırılmış görüntüleme sistemine ve görsel verileri işlemek ve bunlardan çıkarımlar yapmak için doğru yazılıma sahip kuluçka makinelerini kullanıma sunmaya başlıyor [12]. Uygun embriyo gelişimini gösteren görüntüler kullanılarak eğitilen makine öğrenimi modeli, her aşamada anormallikleri tespit etme ve kuluçkahane yöneticilerini bilgilendirme, böylece israfı önleyebilme ve üretkenliği mümkün olduğunca yüksek tutabilme yeteneğine sahiptir.7]. Ek olarak, eğer böyle bir sistem sensörlerle birleştirilirse, onlara koşulların embriyo gelişimi üzerindeki etkisine dair algılar verir [9].
2.5.4. Cinsiyet Belirleme
Cinsiyeti belirlemek için yapay zekanın kullanılması, çiftliklerde erkek civcivleri öldürmenin tartışmalı uygulamasına son verebilir [35]. Hayvancılık üreticileri, kuluçkanın ilk birkaç gününde cinsiyeti belirleyerek daha ahlaki ama aynı zamanda daha başarılı bir modele geçebilirler. Manyetik rezonans görüntüleme (MRI) ve görüntüleri değerlendiren ve kategorize eden yapay zeka modelleri bunu mümkün kılabilir.13].
2.6. Üreme İzleme ve Üreme Mevsimlerinin Belirlenmesi
Yetiştirme programı optimizasyonu için, hayvancılık üreticileri tahmine dayalı analitiği de kullanabilir. Yapay zeka sistemi, dişi hayvanların döngülerini ve kızgınlığa girdiklerinde takip ederek tohumlama için ideal zamanı önerebilir [17]. Önemli olan, farklı çevresel faktörlerin döllenme olasılığını etkilemesidir. Tüm bu verilerin kaynaşmasına dayanarak, sistem üreme için ideal zamanları önerir [7].
2.6.1. Kızgınlık Tespiti için Yapay Zeka
Süt çiftlikleri, büyük ölçüde ısıyı (veya kızgınlığı) doğru bir şekilde tanımlama yeteneklerine bağlıdır [55]. Çiftçiler artık AI teknolojisi ve uygulamalarındaki gelişmeler sayesinde yanlış kızgınlık tespitinin neden olduğu kayıpları önleyebiliyor [56]. Gün boyunca, boynuna takılan hareket sensörlü tasma, hayvan hakkında her türlü bilgiyi toplar [21]. Veriler, ısı stresi, yemleme verimliliğindeki değişiklikler ve kızgınlığı hakkında bilgi ortaya çıkarmak için süt otomasyon sisteminin yapay zeka bileşenleri tarafından işlenir [17]. davranışını ve hareketini etkileyen özel hormonlar, kızgınlık döngüsü gerçekleştiğinde salınır [57]. Örneğin, durgun kızgınlıktaki bir, başkalarının ona binebilmesi için uzun bir süre hareket etmeyi bırakması daha olasıdır [58]. AI bileşeni, yakın zamanda toplanan verileri (hareketler hakkında) önceden depolanmış verilerle karşılaştırarak yumurtlama dönemini tahmin edebilir [21]. Yumurtlama dönemi, “Durgun ısı” nın başlamasından 24 ila 32 saat sonra başlar ve çiftçiye kızgınlıkta suni tohumlanmasına hazırlanması için yeterli zaman verir [58].
2.6.2. Robotik Aşı Dağıtım Sistemi
Bugün, süt çiftliği hayvanları, çiftçilerden yüzlerce aşı ve üreme ilacı almalıdır [59]. Her süt çiftliğinin, aşıları manuel olarak uygulamak istiyorsa, işgücü ve eğitime önemli ölçüde yatırım yapması gerekecektir [23, 60]. Modern süt çiftlikleri, süt çiftlikleri için sürdürülebilir bir ekonomik gelecek sağlamak ve yüzde 100 uyum oranı elde etmek için robotik bir enjeksiyon sistemi kullanarak süt çiftliğindeki evcil hayvanlara aşı ve üreme ilaçları uygular [36]. Bir süt ürünleri otomasyon sistemi ile robotik sistem entegre edilmiştir [8]. Robotik enjeksiyon sistemi, sağlığı ve aşılama geçmişi hakkında veri elde etmek için kulağına yapıştırılan etiketleri okur [7]. enjeksiyona ihtiyacı varsa, iğne o yöne doğrultulur ve enjeksiyon mekanizması ilacı boynuna iletmek için kendini konumlandırır [18].
2.6.3. Yüz Tanıma
Yüz tanıma yeni bir şey değil, ancak şimdi insanlara olduğu kadar evcil sığırlara da uygulanıyor. Fiziksel izleme cihazlarının kullanımı, “akıllı” sığır izleme daha yaygın hale gelse de, mevcut sistemler tarafından hala büyük ölçüde gereklidir [35]. Yüz tanıma teknolojisi, bu cihazları kurmanın zorluğunu ortadan kaldırarak, çok az insan etkileşimi ile tüm sürüyü gözlem altında tutmayı kolaylaştıracaktır [17]. Bu, bireyselleştirilmiş grup davranışı izleme, erken topallık tespiti ve hassas beslenme alışkanlığı kaydına izin vermeyi amaçlamaktadır [28].
2.6.4. Otomatik Sağım Sistemi
Otomatik süt sağım makineleri, memelerine ayrı ayrı bağlanabilen sensör kaplarına sahiptir [21]. Emzikler makineler tarafından da otomatik olarak temizlenebilir ve sterilize edilebilir. Makineler ayrıca sütün rengini, safsızlıklarını ve kalitesini de tespit edebilir [26]. Süt, insan tüketimine uygun değilse farklı bir kaba yönlendirilir [9].
2.6.5. Otomatik Robot Besleyici
Bu cihaz, çiftlik hayvanlarını beslenme ihtiyaçlarına göre konsantre bir kaba yem karışımı ile besler [8]. Çıtalı zeminler sıyırıcı robot ile temizlendi. Durmaksızın iter ve sıyırır, dar alanlarda kolayca gezinir ve temiz, çamursuz yüzeyler sağlar.
2.7. Çiftlik Hayvanlarının Üreme Değerlerinin Tahmini için Yapay Zeka
Karar ağaçları ve yapay sinir ağları (YSA’lar) gibi makine öğrenimi teknikleri, sınıflandırma ve tahmin uygulamaları, özellikle doğrusal olmayan sistemleri içeren uygulamalar için hızlı, güçlü ve esnek araçlar oldukları için tarımda giderek daha fazla kullanılmaktadır.82]. Bu teknikler mastiti tespit etmek için kullanılmıştır [83], kızgınlığı tespit edin [84] ve seçim nedenlerini keşfedin. Emzirme eğrilerinin analizinde karar ağaçları ve ilgili yöntemler de kullanılmaktadır [85], somatik hücre sayımı verilerinin yorumlanması [86] ve üreme yönetimi verimliliğinin değerlendirilmesi [87, 88]. Ek olarak, YSA, toplam tarımsal süt üretimini tahmin etmek için kullanılır [89], 305 günlük süt verimi tahmini [90, 91] ve mastitis tespiti [92]. Değişkenlerin 0 ile 1 arasında bir üyelik derecesine sahip bulanık kümeler halinde sınıflandırılmasını içeren bulanık mantık, son zamanlarda tarımsal araştırmalara girmenin bir yolunu buldu [93]. Uygulama, Süt Sürüsü İyileştirme (DHI) programından test günü süt verimi verilerini analiz etmek için bir karar destek sisteminin geliştirilmesini içeriyordu. Şu anda, otomatik sağım sistemleri ve genetik değerlendirmeler yoluyla mastitis ve östrusun tanımlanması ve izlenmesine odaklanan çeşitli çağdaş gruplar bulunmaktadır. Otomatik bir sağım sisteminden mastitis ve östrus tespiti ve genetik değerlendirme için eş zamanlı gruplar [94]. Uygun üyelik işlevlerinin oluşturulması, üyelik işlevlerini (MF’ler) kullanırken karşılaşılan en büyük engeldir. MF kararları almak için gereken zaman ve hesaplama çabası, oluşturulması nispeten kolay olan YSA’lar kullanılarak azaltılabilir. Yapay zekayı kullanarak morfolojik bir değerlendirme geliştirmek, kapsamlı bir yaklaşımın hem kavramsallaştırılmasını hem de yürütülmesini içerir. Yapay zeka ile morfolojik bir değerlendirme tasarlama ve uygulama [14, 15]. Bir hayvanın şekline dayalı karakter gelişimi için kullanılabilir (kenar algılama yoluyla).
2.8. Genomik ve Gen Düzenlemeyi Dönüştürmede Yapay Zeka
Yapay zekanın önemli ölçüde geliştiği alanlardan biri, bir organizma içindeki tüm gen setinin incelenmesi olan genomiktir. Araştırmacılar DNA’yı sıralayıp analiz edebildiğinde, AI sistemleri daha hızlı, daha ucuz ve daha doğru hale getirir; Bu içgörü ile bakım, bir organizmanın gelecekte nelere duyarlı olabileceği, hangi mutasyonların farklı hastalıklara neden olabileceği ve geleceğe nasıl hazırlanacakları hakkında kararlar alabilirler.95]. Tüm dünyadaki dijital verilerin %90’ının beş yaşından küçük olduğu tahmin edilmektedir [96]. Yapay zeka kullanıldığından, nükleozom konumlarını, ekleme yerlerini, destekleyicileri ve güçlendiricileri bulmak da dahil olmak üzere genomikle ilgili çeşitli sorunları çözmek için zaten kullanılmıştır. Hastalığa neden olan genlerin “düzenlenmesinde” veya yüksek verimli, hastalığa dirençli hayvanlar üreten genlerin “düzenlenmesinde” belgelenmiş başarılar olmuştur [96].
2.9. Yapay Zekanın Avantajları ve Dezavantajları
Hayvancılık çiftçileri artık yapay zeka teknolojisi sayesinde hayvanlarının refahını önemli ölçüde artırabilir [29]. Sadece etik ve yasal açıdan değil, aynı zamanda ürünlerinin kalitesi için de çok önemlidir [8]. Akıllı teknoloji ve son teknoloji yazılım, hayvanların yaşam koşullarına göz kulak olmayı ve onlara zarar verebilecek anormallikleri tespit etmeyi her zamankinden daha kolay hale getiriyor [9]. Sistem ayrıca hayvan davranış kalıplarını takip eder ve bunları belirli değişkenlere ve bunların kombinasyonlarına bağlar. Bu, çiftçilerin üretimi artırırken en yüksek kalite standartlarını korumalarını sağlar [29]. Hayvancılık çiftçileri, endüstrilerinin olumsuz çevresel etkilerini azaltabilir ve şüpheli, etik olmayan ve sürdürülemez uygulamaları durdurabilir [35]. Yapay zeka, çiftçilere rakipsiz bir destek sağlayarak, özellikle karbon ayak izinin azaltılması söz konusu olduğunda, kaynak kullanımını en aza indirmelerine, yemleme modellerinin sürdürülebilirliğini iyileştirmelerine ve genel olarak çiftlik verimliliğini artırmalarına olanak tanır [18]. Yapay zeka, çiftlik kayıtlarına veri girmeyi, çiftlik faaliyetlerini izlemeyi, ekonomik performansı analiz etmeyi, hayvan sağlığını iyileştirmeyi ve toprak verimliliğini artırmayı kolaylaştırır [16]. Genel olarak yapay zeka, verimliliği ve üretkenliği artırırken aynı zamanda insan hatası olasılığını azaltmak için bir nimettir [50]. AI, hayvancılıkta hassasiyet vaat ediyor, ancak çiftçiler verileri anlayamaz ve kullanamazsa, bilgi işe yaramaz [36]. Üreticiler, sensörler ve diğer donanım teknolojileri tarafından toplanan veriler için yorumlar ve çözümler sağlamak üzere insan karar verme sürecini simüle etmek için yapay zekayı kullanabilir [13].
Geliştirme masrafı ve otomasyonun bunların yerini alma potansiyeli gibi birkaç dezavantaj da mevcuttur [50]. Bununla birlikte, yapay zeka sektörünün, bazıları henüz hayal bile edilmemiş istihdam yaratma potansiyeline sahip olduğunu hatırlamak önemlidir [9]. Bu nedenle, işsizlik, inşa edilmesi, yeniden inşa edilmesi ve onarılması pahalı olabilen dronlar gibi yüksek teknoloji maliyeti ve yapay zekayı eğitmek için gereken büyük miktarda veri [8]. Ek olarak, bilgisayar korsanları özel bilgileri toplamak için AI çözümlerini kullanabilir [6].
2.10. Hayvancılık için Yapay Zeka Modeli Geliştirme
Yapay zeka, çiftlik hayvanlarının belirlenmesi ve izlenmesinden en uygun besleme ve yetiştirme stratejilerinin tahmin edilmesine kadar hayvancılıkta verimliliği büyük ölçüde artırma potansiyeline sahiptir. Bu derleme, hayvancılıkta yapay zekanın uygulanması için iyi tanımlanmış bir model önermekte ve ele alınması gereken çeşitli adımları ve zorlukları özetlemektedir.
Yapay zeka tabanlı modeller, hayvan sağlığı ve performansı hakkında bilgi sağlamak için sensörler, görüntüleme ve diğer dijital sistemler gibi çeşitli kaynaklardan gelen verileri analiz etmek için kullanılabilir. Yapay zeka ayrıca hastalık salgınlarını tahmin etmek, hayvan sağlığı sorunlarını belirlemek ve üretime yönelik potansiyel tehditler için erken uyarılar sağlamak için de kullanılabilir. Örneğin, Roulston ve arkadaşları tarafından geliştirilen yapay zeka tabanlı sığır sağlığı izleme sistemi [97], yapay zekanın sürü sağlığı izlemede nasıl uygulanabileceğine dair bir örnek olarak kullanılmıştır. Ayrıca, Zhang ve ark. tarafından geliştirilen yapay zeka tabanlı yem yönetim sistemi [98], AI’nın yem yönetimindeki uygulamasına bir örnek olarak vurgulanır. Ek olarak, Li ve ark. [99] yapay zekanın hastalık izlemedeki potansiyelinin bir örneği olarak tartışılmaktadır. Bu nedenle, hayvancılık için önerilen herhangi bir AI modeli, çiftliğin özel ihtiyaçlarına göre uyarlanmalı ve aşağıdaki gibi çeşitli bileşenleri içermelidir:
Bu nedenle, bir model geliştirmenin ilk adımı, yapay zeka modelleri geliştirmek için kullanılabilecek verilerin toplanmasını içeren veri toplamadır. Bu, hayvan çiftliklerine kurulan sensörlerden ve kameralardan gelen verilerin yanı sıra hava durumu ve toprak verileri gibi diğer kaynaklardan gelen verileri içerebilir. Veriler toplandıktan sonra, yapay zeka modeli geliştirme sürecinde kullanılmadan önce temizlenmesi ve ön işlemden geçirilmesi gerekir. Önerilen modelin ikinci adımı veri analizidir. Burada, çiftlik hayvanlarının ve çevrenin davranışı hakkında fikir edinmek için veriler analiz edilir ve görselleştirilir. Bu, kalıpları ve eğilimleri belirlemek için verilere makine öğrenimi, derin öğrenme ve doğal dil işleme gibi çeşitli teknikler uygulanarak yapılır. Önerilen modelin üçüncü adımı, çiftlik hayvanlarının davranışını tahmin etmek için kullanılabilecek yapay zeka modellerinin oluşturulmasını içeren model geliştirmedir. Bu, optimum besleme ve üreme stratejilerinin tahmin edilmesinin yanı sıra çiftlik hayvanlarının gelecekteki sağlığını ve üretkenliğini tahmin etmeyi içerebilir. Önerilen modelin dördüncü adımı, yapay zeka modellerinin hayvancılık çiftliklerinde konuşlandırılmasını içeren model dağıtımıdır. Bu, bulut tabanlı çözümler veya gömülü sistemler gibi çeşitli platformlar kullanılarak yapılabilir. Önerilen modelin beşinci adımı, beklendiği gibi performans gösterdiklerinden emin olmak için yapay zeka modellerinin değerlendirilmesini içeren model değerlendirmesidir. Bu, konuşlandırılan modelden veri toplayarak ve herhangi bir iyileştirme alanını veya potansiyel riskleri belirlemek için analiz ederek yapılır. Önerilen modelin altıncı ve son adımı, yapay zeka modellerini geliştirmek için model değerlendirmesinden elde edilen geri bildirimlerin kullanılmasını içeren model iyileştirmedir. Bu, modelin doğruluğunu artırmak için model parametrelerinin değiştirilmesini veya yeni veri kümelerinin dahil edilmesini içerebilir.
Sonuç olarak, hayvancılık için önerilen yapay zeka modeli, çiftliğin özel ihtiyaçlarına göre uyarlanmalı ve veri toplama, model geliştirme, model doğrulama, model dağıtımı ve model bakımı için bileşenler içermelidir. Bu model, doğru ve güvenilir sonuçlar vermeye devam etmesini sağlamak için düzenli olarak izlenmeli ve güncellenmelidir.
2.11. Yapay Zekanın Fütüristik Uygulamaları
Yapay zekanın geleneksel aile çiftliğinin günlük faaliyetleri üzerindeki etkisi, tarım endüstrisinin geleceği olarak selamlanmasına rağmen henüz tam olarak belirlenmemiştir [30]. Bununla birlikte, geleceğin “dijital çiftliği”, giderek daha uygun fiyatlı teknoloji üreten yeni tarım teknolojisi şirketleri sayesinde fark ettiğimizden daha yakın olabilir [19].
Tüketici baskısı nedeniyle, çiftçilerin dikkati muhtemelen çevresel etkilerini en aza indirmekten, hayvanların tutulduğu koşulları iyileştirmeye kayacaktır [100]. Bu mantığa göre, son birkaç yılda yapay zeka birkaç farklı endüstriyi önemli ölçüde ilerletti [36]. Ve önümüzdeki on yıllarda, etkinin daha da artması için güçlü bir olasılık var [11]. Tarım sektörü, dünyanın dijitalleşmesinin geri kalanına ayak uydurmalıdır [10]. Çiftçiler, yeni teknolojileri ve yapay zekayı kullanarak hayvancılığı optimize edebilir ve hayvan refahını artırabilir [6]. Birçok tüketicinin hayvan refahına yüksek öncelik verdiği göz önüne alındığında, bu konuya dikkat etmek çok önemlidir [36]. Tarımın karlı ve sürdürülebilir olmaya devam etmesi için hayvan refahı dikkate alınmalıdır [54].
3. Özet
Yapay zeka, yöneticinin ve diğer çiftlik personelinin iş yükünü azalttığı için, dünyadaki hayvancılık çiftliklerinin yönetimi için çok önemli bir alternatiftir. Yapay Zeka, kaynak kullanımını ve verimliliğini optimize ettiği için hayvancılıkta uygun ve etkili bir teknolojidir. Aynı zamanda dünyanın genişleyen insan nüfusunu beslemek için uygun bir teknolojik gelişmedir. Kaynak kıtlığı sorununu büyük ölçüde çözer. Yapay zeka ve genel olarak makine öğrenimi, insan çabasının yerini almaktan ziyade geliştirmekle ilgilidir.
