يعيد الذكاء الاصطناعي تشكيل مستقبل مختلف الصناعات، وقطاع الدواجن ليس استثناءً.
التعلم الآلي (ML) والتحليلات التنبؤية كلاهما جزء من الذكاء الاصطناعي (AI). تستخدم التحليلات التنبؤية للذكاء الاصطناعي تقنيات ونماذج التعلم الآلي (ML) التي تكتسب المعرفة من البيانات بمرور الوقت.
تخضع هذه النماذج للتدريب باستخدام البيانات السابقة من أجل التعرف على الأنماط والتفاعلات وتحليلها (Ravi والآخرون، 2018).
بعد التدريب، يتم استخدام النماذج لإنشاء تنبؤات حول النتائج المستقبلية باستخدام بيانات جديدة لم يسبق رؤيتها (الرسم 1).
الرسم 1. تصوير بسيط للتحليلات التنبؤية (المصدر: Ogirala والآخرون، 2024).
المرض والنظافة غير الكافية هما من المشكلات العديدة التي تواجه قطاع إنتاج الدجاج. تعد الكوكسيديا ونيوكاسل وجومبورو بولوروم والسالمونيلا من بين الأمراض الأكثر انتشارًا (Machuve والآخرون، 2022).
يمكن أن يكون الاختبار التشخيصي لهذه الأمراض مكلفًا ويستغرق وقتًا طويلاً وشاقًا.
يمكن أن يكلف الاختبار البكتريولوجي على فضلات الدجاج، على سبيل المثال، ما متوسطه 30 دولارًا من المختبرات الأمريكية (على سبيل المثال، GPLN وغيرها)، مع تقلب الأسعار بناءً على كمية الطيور التي تم اختبارها (GPLN، 2024 ؛ CEVDL، 2024).
يمكن أن تساعد مراقبة بعض الطيور عن كثب لأي تغييرات في السلوك أو المظهر عمال الدواجن على تحديد سبب المرض والقضاء عليه بسرعة.
هذا هو المكان الذي قدمت فيه التحليلات التنبؤية حلاً مبتكرًا لصناعة الدواجن.
يمكن لمديري المزارع اتخاذ التدابير المناسبة حتى قبل ظهور الأمراض سريريًا، وذلك بفضل نماذج التحليلات التنبؤية التي تستمد النتائج من البيانات التاريخية والمدخلات في الوقت الفعلي للتنبؤ بتفشي الأمراض.
تجمع التحليلات الحديثة، في شكل خوارزميات التعلم الآلي والمدعومة بتقنيات البيانات الضخمة، بين هاتين الحتميتين من خلال تمكين التحليل الذي يمكنه اكتشاف الأنماط اليوم والتنبؤ بالأمراض المستقبلية.
جمع البيانات وإدارتها
مفتاح التحليلات التنبؤية الناجحة في تربية الدواجن هو جمع وإدارة البيانات المختلفة.
تشمل أنواع البيانات البارزة في المزرعة العوامل البيئية مثل درجة الحرارة والرطوبة وجودة الهواء (وهي أساسٌ لصحة الدواجن).
يساعد تتبعها في التنبؤ بالظروف التي قد تفضل تفشي المرض (Jung والآخرون، 2021؛ Johansen والآخرون، 2019).
علاوة على ذلك، يمكن أن تساعد أجهزة الاستشعار والمراقبة بالفيديو في مراقبة سلوك الطيور (أنماط التغذية ومستويات النشاط والتفاعلات مع المناطق المحيطة) (الرسم 2).
يمكن أن تساعد هذه المؤشرات السلوكية في تحديد الضيق أو المرض في المراحل المبكرة من التقييم التقليدي وحده (Reboiro-Jato والآخرون، 2011).الرسم 2. نظرة عامة على إنترنت الأشياء والتعلم الآلي في إدارة صحة الدواجن (المصدر:Ojo والآخرون، 2022).
تعد السجلات الصحية، التي تشمل تاريخ التلقيح وسجلات الأدوية والتشخيصات الطبية السابقة، مجموعة بيانات مهمة أخرى.
تعمل أجهزة وأجهزة استشعار إنترنت الأشياء في المقام الأول على أتمتة جمع البيانات، مما يوفر مدخلات مستمرة لأنظمة الإدارة المتكاملة.
تواصل بعد الإعلان.
تخزن قواعد البيانات الحديثة وحلول التخزين السحابي الكم الهائل من البيانات.
تستخدم منصات تحليل البيانات خوارزميات متقدمة ونماذج التعلم الآلي لتحليل البيانات والبحث عن العلاقات أو الأنماط المخفية في الطرق المعالجة والتنبؤ بالنتائج المحتملة (LeCun والآخرون، 2015) (الرسم 3).
الرسم 3. سير العمل العام لأنظمة مراقبة الدجاج القائمة على التعلم الآلي (المصدر: Okinda والآخرون، 2020).
النماذج التنبؤية للكشف عن الأمراض
تستخدم التقنيات القائمة على التعلم الآلي مستخلصات الميزات لتحويل البيانات الأولية، مثل قيم البكسل من الصور، إلى متجهات الميزات.
بالإضافة إلى ذلك، يتم استخدام الأنظمة الفرعية للتعلم لأداء الانحدار أو تحديد الأنماط في الميزات المكتسبة (LeCun والآخرون، 2015).
تتمتع خوارزميات التعلم العميق، المستمدة من تقنيات التعلم الآلي التقليدية، بالقدرة على اكتشاف الميزات أو تمثيلات البيانات بشكل مستقل من البيانات الأولية، مما يلغي الحاجة إلى المعرفة في هندسة استخراج الميزات (LeCun والآخرون، 2015).
لحل المشكلات الصعبة، تحتاج شبكات التعلم العميق إلى أنظمة معالجة عالية الأداء، ومجموعات بيانات كبيرة، وطرق تحسين للحفاظ على البيانات غير قابلة للتغيير، وطوبولوجيا معقدة (Oyedele والآخرون، 2021).
تُستخدم الشبكات العصبية الالتفافية على نطاق واسع في التعلم العميق لغرض معالجة الصور الرقمية (Zhuang وZhang، 2019).
تستخدم معظم أنظمة التعلم الآلي البيانات السابقة كمدخلات لإسقاط قيم المخرجات المستقبلية. تُعرّف خوارزميات التعلم (على سبيل المثال، ANN، SVR، RANDOM FOREST، CNN، GLM) والعديد من نماذج التعلم (على سبيل المثال، التصنيف، الانحدار، التجميع) نماذج التعلم الآلي على أنه إما خاضع للإشراف أو غير خاضع للإشراف (Milosevic والآخرون، 2019). تضمن طرق التعلم الخاضعة للإشراف صحة تصنيفاتها أو تنبؤاتها عن طريق بيانات موسومة.
دراسات الحالة
أنشأ Robertson وYeeخط أنابيب آلي لاستخراج البيانات وتحليلها باستخدام أربع كلمات رئيسية مرتبطة بعدوى الدواجن بإنفلونزا الطيور لفحص تغريدات تويتر حول إنفلونزا الطيور. أظهر نموذجهما علاقة إيجابية بين حالات إنفلونزا الطيور في الدواجن التي أبلغت عنها المنظمة العالمية لصحة الحيوان ومنشورات تويتر المرتبطة بفيروس إنفلونزا الطيور بين عامي 2015 و 2016 (Robertson وYee، 2016).
أنشأ Belkhiria والآخرون (2018) خريطة لتوزيع الأمراض لإبراز مخاطر فيروس إنفلونزا الطيور عالي الإمراض في كاليفورنيا. لقد جمعوا عدة أنواع من البيانات، بما في ذلك عدد مزارع دجاج التسمين في موقع معين، والمسافة إلى السواحل، وعدد الإصابات التاريخية المنخفضة المسببة للأمراض بفيروس إنفلونزا الطيور للطيور البرية، لخلق نتائجها. تربط الخريطة مناطق كاليفورنيا بمخاطر الإصابة بفيروس إنفلونزا الطيور عالي الإمراض، وبالتالي تمكين استخدام الاحتياطات المناسبة في حالة تفشي المرض.
فوائد الكشف المبكر
تتمثل إحدى المزايا الأساسية في الانخفاض الكبير في معدلات نفوق الطيور.
يقلل الكشف المبكر بشكل كبير من الاعتماد على المضادات الحيوية، التي تستخدم تقليديًا كإجراء وقائي شامل.
من خلال منع تفشي الأمراض، يمكن للمزارع تجنب التكاليف الكبيرة المرتبطة بالإعدام الجماعي وفقدان الإنتاجية.
تحديات التنفيذ والحلول
ستكون مشكلات البنية التحتية والتحديات الاقتصادية ومخاوف حوكمة البيانات من بين التحديات التي تواجه تطوير نظام موحد للتنبؤ بظهور الأمراض في الدواجن.
لا يوجد وصول كافٍ إلى الإنترنت في المناطق الزراعية الريفية، ما يؤدي إلى نقص الاتصال. بالإضافة إلى ذلك، لا يزال تطوير أجهزة الاستشعار وأجهزة الاستشعار البيولوجية لتشخيص عدوى الدواجن في مراحله المبكرة.
لذلك، هناك حاجة إلى مزيد من البحث لخلق التكنولوجيا التي يمكن أن تعمل بشكل فعال في بيئة بيت الدواجن التجارية.
يتطلب اعتماد التكنولوجيا الجديدة في المزارع أن يكتسب المزارعون المعرفة والتدريب في تلك المجالات. مشكلة التحيز والضوضاء في مصادر بيانات معينة هي عقبة أخرى يجب على الخوارزميات التنبؤية التغلب عليها.
على سبيل المثال، غالبًا ما تنتهي التقييمات التي تعتمد على المصادر المستندة إلى شبكة الانترنت بالكثير من الضوضاء والبيانات عديمة الفائدة التي يجب حذفها (Milinovich والآخرون، 2014).
ربما واجه المزارعون مشكلات في إدارة البيانات عند النظر في نماذج التنبؤ المنسقة مع العديد من أصحاب المصلحة. في حين يجب أن تتضمن النماذج معلومات من أكبر عدد ممكن من المزارع للتنبؤ بتطور الأمراض، فقد لا يرغب المنتجون في نشر بياناتهم.
يمكن أن تكون البيانات مجهولة المصدر، لكن طرق إعادة تحديد الهوية تتحسن (Ferris، 2017).
يمكن أن يؤدي تحسين جودة البيانات وبناء الخبرة الفنية وتقليل الحواجز الاقتصادية والتشغيلية إلى تنفيذ التحليلات التنبؤية بفعالية، مما يؤدي إلى تعزيز إدارة الأمراض وتحسين الكفاءة التشغيلية (الرسم 4).
الرسم 4. الحلول المقترحة.
علاوة على ذلك، اقترح Ojo والآخرون (2022) استراتيجية تهدف إلى تعزيز التربية الدقيقة للماشية من أجل صحة ورفاهية الدواجن الذكية.
يعالج نهجهم على وجه التحديد العقبات التي تواجهها الأنظمة الحالية. تمت صياغة هذه الفكرة من خلال فحص شامل للعلاجات السابقة التي أجراها باحثون آخرون في مجال إدارة رعاية الدواجن.
يتكون إطار العمل من عدة مكونات أساسية، وهي وحدة التعلم العميق (DL)، ووحدة التوأم الرقمي، ووحدة الحوسبة السحابية (المستندة إلى الضباب السحابي)، ووحدة الاتصالات، ووحدة الأمان، ووحدة واجهة المستخدم (الرسم 5).
الرسم 5. إطار إدارة صحة ورفاهية الدواجن الذكية (المصدر: Ojo والآخرون، 2022).
الآفاق والابتكارات المستقبلية
من المتوقع أن يتحسن مستقبل التحليلات التنبؤية في تربية الدواجن مع الذكاء الاصطناعي (AI) والتعلم الآلي، بالإضافة إلى التكامل مع أجهزة إنترنت الأشياء (IOT) والبيانات الضخمة التي من شأنها أن تعزز بشكل كبير ما يمكن أن تفعله هذه التقنيات.
لضمان الجدوى التجارية وقابلية التطبيق، تتطلب أنظمة مراقبة الدواجن مزيدًا من البحث والتطوير.
يجب أن تعالج النهج المتكاملة في علوم وهندسة الثروة الحيوانية هذه التحديات لتحسين الأداء العام لرصد الدجاج في PLF وزيادة مرونته (الرسم 6).
الرسم 6. الآفاق
أنظمة تقدير الوزن الحي
تساعد مراقبة وزن الحيوان على النمو على تقييم وقت الذبح وخطط التغذية. في حالة انحراف الوزن المقاس عن منحنى النمو المتوقع، فإنه يشير إلى حالة مثل المرض أو مشكلات حيوية أخرى تتطلب ردود فعل مضادة. وبالتالي فإن الوزن الحي يحدد رفاهية الحيوانات.
تتمثل الصعوبات الرئيسية لأنظمة تقدير وزن الدجاج في الإضاءة المحيطة المتغيرة وتوطين القطيع.
ستعالج مستشعرات الصور المرنة والكاميرات الثابتة المضيئة للمزارع مشكلة الضوء المتغير. يستفيد تقدير الوزن من كاميرات العمق القائمة على الأشعة تحت الحمراء مثل Microsoft Kinect (Mortensen والآخرون، 2016).
يمكن أن تتضور الطيور التي تعاني من مشكلات في المشي جوعًا، مما يقلل من نسبة تحويل العلف والوزن والنمو وتلوث الصدر وحروق العصافير وتكون عرضة للحيوانات المفترسة.
وفقًا لـ Wellbeing – Quality ® (2009)، تشير المتغيرات السابقة إلى ضعف رفاهية الحيوان. وبالتالي، فإن تتبع حركة الطائر يشير إلى سلامته.
أنظمة تصنيف الحالة الصحية
استخدم Wang والآخرون (2019 ب) إسقاط اللون واللزوجة لتشخيص اضطرابات الجهاز الهضمي في الدجاج اللاحم.
يمكن أن يؤثرنوع التغذية أيضًا على اللون المتساقط.
يؤثر تناول الماء أيضًا على انخفاض اللزوجة.
وبالتالي، سيكون من الصعب استخدام هذه الطريقة مع الدجاج ذي المراعي الحرة أو المتنوعة. يجب إجراء بحث إضافي لإنشاء مجموعة بيانات الدواجن مع فئات معينة مثل التسمين والبياض والصيصان وما إلى ذلك، مناسبة للاستخدام في أنظمة الكشف عن الدواجن.
ومع ذلك، فإن عملية إعادة تدريب التطبيقات الجديدة ستجعل هذه العمالة كثيفة. لذلك، يجب توجيه الكثير من الدراسات حول استراتيجيات التعلم المبتكرة، مثل التعلم شبه الخاضع للإشراف والتعلم التكيفي.
أنظمة تتبع الدواجن
يعتمد تقييم العوامل السلوكية (أنواع الأنشطة) والجسدية (العرج والصحة) في رعاية الدواجن بشكل حاسم على تتبع الدواجن.
يتطلب التنميط الظاهري للسلوك ومراقبة الرفاهية التسجيل المستمر لحركة الطيور والتنميط الظاهري للسلوك.
قام Zhuang وZhang (2019) بالفعل بتنفيذ الكشف عن كائنات متعددة في الكشف عن دجاج التسمين غير الصحي، والذي حظي مؤخرًا باهتمام كبير.
علاوة على ذلك، يجب إجراء بحث إضافي على شبكات DL التي تستخدم مستشعرات غير مرئية تعتمد على الضوء لمكافحة مشكلات تباين الإضاءة وتمكين إجراء التتبع خلال ساعات الليل (نظام الإضاءة).
دمج إنترنت الأشياء والبيانات الضخمة
عندما نفكر في دمج أجهزة إنترنت الأشياء مع البيانات الضخمة، فإنها تحدث ثورة في التحليلات التنبؤية في تربية الدواجن من خلال تزويد المزارعين بمعلومات أكثر تفصيلاً.
من خلال دمج أجهزة الاستشعار والكاميرات وإنترنت الأشياء بشكل عام، يتم استخدام منصات البيانات الضخمة لتحليل مجموعة واسعة من المتغيرات، من العوامل البيئية إلى سلوك الطيور الفردي، ثم تغذية هذه البيانات في منصة للمشاركة في الوقت الفعلي (Nakrosis والآخرون، 2023).
لا تؤدي إضافة وظائف الذكاء الاصطناعي إلى توسيع نطاق تحليل البيانات فحسب، بل تسرع العملية أيضًا، مما يعزز كفاءة وسرعة صنع القرار.
نأمل أن تستمر الزيادة في دقة وكفاءة النماذج التنبؤية في الاتجاه بهذه الطريقة مع تحسن الحلول التي تجمع بين التحليلات الحيوية والذكاء الاصطناعي والتعلم الآلي بمرور الوقت.
الخوارزميات الأفضل، والتي لديها القدرة على معالجة مجموعات البيانات أكثر تعقيدًا من أي وقت مضى بشكل أسرع وبعيدًا عن الكمال، بدأت للتو في الظهور.
سيمكننا ذلك من تحديد الإشارات النادرة والأصغر لتفشي الأمراض الوشيكة قبل ظهور علم الأمراض الكامل، وربما تحديد سلالات مرضية جديدة عند ظهورها.
الاستنتاج
تساعد النمذجة التنبؤية على استخراج البيانات التاريخية والآنية لتوفير تنبيهات حول النتائج الصحية المحتملة، والوقاية من الأمراض قبل حدوثها.
من خلال الانتقال من ممارسات الإدارة التفاعلية إلى ممارسات الإدارة الاستباقية، يمكننا تحسين رفاهية الحيوان وتحقيق مكاسب اقتصادية كبيرة في شكل انخفاض معدلات الوفيات أو انخفاض الإنفاق على الأدوية أو تتبع دوران سريع.
أدى استخدام تقنيات الذكاء الاصطناعي والتعلم الآلي إلى زيادة تعزيز دقة وتوقيت صنع القرار في هذه الأنظمة التنبؤية.
بالإضافة إلى ذلك، أدى إدخال أجهزة إنترنت الأشياء وتحليلات البيانات الضخمة إلى تطوير هذا المشهد، مما يوفر رؤى متقدمة ودعم المراقبة.
