La inteligencia artificial ha ganado una enorme atención para conseguir la eficiencia de la industria porcina mediante la recopilación de datos en tiempo real sobre el comportamiento alimentario y la ingesta de pienso.
Una estimación precisa del peso corporal de los cerdos es esencial para determinar los cerdos listos para el mercado y para reducir las pérdidas asociadas al proceso de clasificación. Pesar a los cerdos pasándolos por la báscula proporciona la medición más precisa del peso corporal. Sin embargo, esto lleva mucho tiempo y puede causar lesiones y estrés en los cerdos. La inteligencia artificial ha ganado una enorme atención para resolver los retos de la cría intensiva de cerdos y para mejorar la productividad y la eficiencia de la industria porcina mediante la recopilación de datos en tiempo real sobre el comportamiento alimentario y la ingesta de pienso.
El aprendizaje automático es uno de los modelos de inteligencia artificial más utilizados para la modelización, predicción y gestión de la ganadería porcina. Los modelos de aprendizaje automático incluyen principalmente algoritmos de árbol de decisión, agrupación, máquina de vectores de apoyo y el modelo de cadena de Markov, centrados en la detección de enfermedades, el reconocimiento de comportamientos para la clasificación postural y la detección de sonidos de los animales. Los investigadores de la Universidad Estatal de Carolina del Norte y de Smithfield Premium Genetics demostraron la aplicación de algoritmos de aprendizaje automático para estimar el peso corporal de cerdos en crecimiento a partir de datos sobre el comportamiento alimentario y la ingesta de pienso.
Recogida de datos
Se recogió información sobre la ingesta de alimento, el tiempo de ocupación del comedero y el peso corporal de 655 cerdos de 3 razas (Duroc, Landrace y Large White) de 75 a 166 días de edad. Se seleccionaron 2 algoritmos de aprendizaje automático (red de memoria a corto plazo y bosque aleatorio) para predecir el peso corporal de los cerdos utilizando 4 escenarios.
Se utilizó la memoria a corto plazo para predecir con precisión los datos de las series temporales debido a su capacidad de aprendizaje y almacenamiento de patrones a largo plazo en un orden dependiente de la secuencia y se utilizó el enfoque de bosque aleatorio como algoritmo representativo en el espacio del aprendizaje automático.
Los escenarios incluían un escenario de predicción informado individualmente, un escenario de predicción informado individualmente y en grupo, un escenario de predicción informado individualmente y en grupo específico para cada raza, y un escenario de predicción informado en grupo. Se construyeron 4 modelos, cada uno de ellos implementado con 3 algoritmos, y se entrenaron con diferentes subconjuntos de datos recogidos a lo largo del periodo de crecimiento y finalización para predecir el peso corporal de individuos o grupos de cerdos.
Predicción del peso corporal a partir de los datos de comportamiento
En general, a medida que los cerdos maduraban y ganaban peso, la ingesta diaria de alimento aumentaba, mientras que el número de visitas diarias y el tiempo de ocupación diario disminuían. En general, el escenario de predicción con información individual logró mejores resultados de predicción que los escenarios de predicción con información individual y grupal en términos de correlación, precisión, sensibilidad y especificidad. La mayor correlación fue de 0,87 y la mayor precisión fue de 0,89 para la predicción informada individualmente, mientras que fueron de 0,84 y 0,85 para las predicciones informadas individualmente y en grupo, respectivamente. El efecto de la adición de datos sobre el comportamiento alimentario y la ingesta de pienso varió entre los algoritmos y los escenarios, desde una pequeña a una moderada mejora en el rendimiento predictivo.