Conteúdo disponível em: English Indonesia (Indonesian) ไทย (Thai) Tiếng Việt (Vietnamese) Philipino
MEMAJUKAN KESIHATAN AYAM
- Kecerdasan buatan (AI) sedang membentuk semula masa depan pelbagai industri, dan sektor ayam tidak terkecuali.
- Pembelajaran mesin (ML) dan analitik prediktif adalah dua segmen dalam kecerdasan buatan (AI). Analitik prediktif AI menggunakan teknik dan model pembelajaran mesin (ML) yang memperoleh pengetahuan daripada data sepanjang masa.
- Model-model ini menjalani latihan menggunakan data masa lalu untuk mengenal pasti dan menganalisis corak serta interaksi (Ravi et al., 2018).
- Setelah dilatih, model-model ini digunakan untuk membuat ramalan mengenai hasil masa depan menggunakan data baru yang belum pernah dilihat sebelum ini (Rajah 1).
Penyakit dan ketidak bersihan adalah dua daripada masalah yang dihadapi oleh sektor pengeluaran ayam. Coccidiosis, Newcastle, Gumboro pullorum, dan Salmonella adalah antara penyakit yang paling lazim (Machuve et al., 2022).
- Ujian diagnostik untuk penyakit-penyakit ini boleh menjadi mahal, memakan masa, dan memerlukan banyak tenaga kerja
Ujian bakterologi pada najis ayam, sebagai contoh, boleh menelan kos purata USD 30 dari makmal-makmal Amerika (contohnya, GPLN dan lain-lain), dengan harga yang berfluktuasi berdasarkan jumlah ayam yang diuji (GPLN, 2024; CEVDL, 2024).
- Memantau dengan teliti ayam tertentu untuk sebarang perubahan dalam tingkah laku atau penampilan boleh membantu pekerja peladangan ayam dengan cepat mengenal pasti dan menghapuskan punca penyakit tersebut.
Di sinilah analitik prediktif menyediakan penyelesaian terobosan untuk industri peladangan ayam.
- Pengurus ladang boleh mengambil langkah yang sesuai bahkan sebelum penyakit muncul secara klinikal, kerana model analitik prediktif yang memperoleh hasil daripada data sejarah dan input masa nyata untuk meramalkan wabak.
- Analitik moden, dalam bentuk algoritma pembelajaran mesin dan kerana dikuasakan oleh teknologi data besar, menggabungkan kedua-dua keperluan ini dengan membolehkan analisis yang dapat mengesan corak hari ini dan meramalkan penyakit pada masa depan.
KUMPULAN DATA DAN PENGURUSANNYA
- Kunci kejayaan analitik prediktif dalam peladangan ayam adalah pengumpulan dan pengurusan data pelbagai.
- Jenis data utama di ladang termasuk faktor persekitaran seperti suhu, kelembapan, dan kualiti udara (penting untuk kesihatan ayam).
- Memantau faktor-faktor ini membantu meramalkan keadaan yang mungkin menggalakkan wabak penyakit (Jung et al., 2021; Johansen et al., 2019).
- Selain itu, sensor dan pengawasan video boleh membantu memantau tingkah laku ayam (corak pemakanan, tahap aktiviti, dan interaksi dengan persekitaran) (Rajah 2).
- Indeks tingkah laku seperti ini boleh membantu mengenal pasti tekanan atau penyakit pada peringkat yang lebih awal berbanding penilaian tradisional sahaja (Reboiro-Jato et al., 2011)
pengurusan (Sumber: Ojo et al., 2022).
Rekod kesihatan, yang merangkumi sejarah vaksinasi, rekod ubat-ubatan, dan diagnosis perubatan terdahulu, merupakan satu lagi set data penting.
- Maklumat ini penting untuk pemodelan risiko penyakit yang lebih baik dan memahami corak isu kesihatan mengikut masa yang mungkin merebak ke seluruh kawanan ayam (Huang et al., 2019).
Skala dan kerumitan jenis data ini memerlukan sistem yang boleh dipercayai untuk memproses, mengesahkan, dan menggunakan semua maklumat ini bagi membuat kesimpulan secara masa nyata.
Peranti Internet of Things (IoT) dan sensor terutamanya mengautomasi pengumpulan data, memberikan input berterusan kepada sistem pengurusan bersepadu.
Pangkalan data terkini dan penyelesaian storan awan menyimpan sejumlah besar data.
Platform analitik data menggunakan algoritma canggih dan model pembelajaran mesin untuk menganalisis data, mencari hubungan tersembunyi atau corak dalam cara yang telah diproses, dan meramalkan kemungkinan hasil (LeCun et al., 2015) (Rajah 3).
MODEL RAMALAN UNTUK PENGESANAN PENYAKIT
Teknik berasaskan pembelajaran mesin menggunakan pengekstrak ciri untuk mengubah data mentah, seperti nilai piksel dari foto, menjadi vektor ciri.
- Selain itu, subsistem pembelajaran digunakan untuk menjalankan regresi atau mengenal pasti corak dalam ciri yang diperoleh (LeCun et al., 2015).
Algoritma pembelajaran mendalam, yang berasal dari teknik pembelajaran mesin konvensional, mempunyai keupayaan untuk secara autonomi menemui ciri-ciri atau representasi data daripada data mentah, menghapuskan keperluan untuk pengetahuan dalam kejuruteraan pengekstrakan ciri (LeCun et al., 2015).
- Rangkaian neural berulang, autoencoder, rangkaian neural konvolusional, rangkaian kepercayaan, rangkaian generatif adversarial, dan pembelajaran pengukuhan adalah semua model yang membentuk seni bina pembelajaran mendalam.
- Untuk menyelesaikan masalah yang sukar, rangkaian pembelajaran mendalam memerlukan sistem pemprosesan berprestasi tinggi, set data besar, kaedah pengoptimuman untuk mengekalkan data yang tidak boleh diubah, dan topologi yang kompleks (Oyedele et al., 2021).
- Rangkaian neural konvolusional digunakan secara meluas dalam pembelajaran mendalam untuk tujuan pemprosesan imej digital (Zhuang & Zhang, 2019).
Kebanyakan sistem pembelajaran mesin menggunakan data lampau sebagai input untuk meramalkan nilai output masa hadapan. Algoritma pembelajaran (contohnya, ANN, SVR, hutan rawak, CNN, GLM) dan banyak model pembelajaran (contohnya, klasifikasi, regresi, pengelompokan) mentakrifkan pembelajaran mesin sebagai sama ada berasaskan seliaan atau tanpa seliaan (Milosevic et al., 2019).
KAJIAN KES
- Robertson dan Yee telah mencipta satu aliran kerja automatik untuk pengekstrakan dan penganalisaan data menggunakan empat kata kunci yang dikaitkan dengan jangkitan ayam dengan AIV untuk menganalisis tweet di Twitter mengenai AIV. Model mereka menunjukkan hubungan positif antara kes selesema burung di kalangan ayam yang dilaporkan oleh Organisasi Kesihatan Haiwan Sedunia dan kiriman Twitter yang berkaitan dengan AIV antara tahun 2015 dan 2016 (Robertson & Yee, 2016).
- Belkhiria et al. (2018) mencipta peta taburan penyakit untuk meramalkan risiko virus selesema burung patogenik tinggi (HPAIV) di California. Mereka menggabungkan beberapa jenis data, termasuk jumlah ladang ayam pedaging di lokasi tertentu, jarak ke pantai, dan kiraan jangkitan virus selesema burung patogenik rendah dalam burung liar, untuk mencipta hasil mereka. Peta ini mengaitkan kawasan-kawasan di California dengan risiko jangkitan HPAIV, dengan itu membolehkan langkah berjaga-jaga yang sesuai diambil sekiranya berlakunya wabak.
KELEBIHAN PENGESANAN AWAL
- Salah satu kelebihan utama adalah pengurangan yang ketara dalam kadar kematian ayam.
- Pengesanan awal secara besar-besaran mengurangkan kebergantungan terhadap antibiotik, yang secara tradisinya digunakan sebagai langkah pencegahan secara menyeluruh.
- Dengan mencegah wabak, ladang boleh mengelakkan kos yang besar yang berkaitan dengan pemusnahan besar-besaran dan kehilangan produktiviti.
CABARAN PELAKSANAAN DAN PENYELESAIAN
Masalah infrastruktur, cabaran ekonomi, dan kebimbangan tadbir urus data akan menjadi antara cabaran yang dihadapi dalam pembangunan sistem yang distandardkan untuk meramalkan kemunculan penyakit dalam ayam.
- Terdapat kekurangan akses internet di kawasan ladang luar bandar, yang menyebabkan ketiadaan kesalinghubungan. Di samping itu, pembangunan sensor dan biosensor untuk mendiagnosis jangkitan ayam masih di peringkat awal.
- Oleh itu, penyelidikan lanjut diperlukan untuk mencipta teknologi yang boleh beroperasi dengan berkesan di persekitaran rumah ayam komersial.
Penerapan teknologi baharu di ladang memerlukan penternak untuk memperoleh pengetahuan dan latihan dalam bidang tersebut. Masalah bias dan bunyi dalam sumber data tertentu adalah halangan lain yang perlu diatasi oleh algoritma ramalan.
- Sebagai contoh, penilaian yang bergantung kepada sumber berasaskan web sering kali berakhir dengan banyak bunyi dan data yang tidak berguna yang perlu dipadamkan (Milinovich et al., 2014).
Penternak mungkin telah mengalami masalah tadbir urus data apabila mempertimbangkan model ramalan yang diselaraskan dengan pelbagai pihak berkepentingan. Walaupun model seharusnya memasukkan maklumat dari sebanyak mungkin ladang untuk meramalkan perkembangan penyakit, pengeluar mungkin tidak mahu data mereka didedahkan kepada umum.
- Data boleh dianonimkan, tetapi kaedah pengenalpastian semula semakin berkembang (Ferris, 2017).
Meningkatkan kualiti data, membina kepakaran teknikal, dan mengurangkan halangan ekonomi dan operasi boleh melaksanakan analitik ramalan dengan berkesan, yang seterusnya membawa kepada pengurusan penyakit yang lebih baik dan peningkatan kecekapan operasi (Rajah 4).
- Selain itu, Ojo et al. (2022) mencadangkan satu strategi yang bertujuan untuk meningkatkan pertanian ternakan presisi bagi kesihatan dan kesejahteraan ayam yang pintar.
- Pendekatan mereka secara khusus menangani halangan yang dihadapi dalam sistem semasa. Konsep ini dirumuskan melalui pemeriksaan menyeluruh terhadap rawatan-rawatan terdahulu yang dijalankan oleh penyelidik lain dalam bidang pengurusan kesejahteraan ayam.
- Rangka kerja ini memiliki ciri-ciri skala, ketahanan, kebolehulangan, dan keselamatan.
Rangka kerja ini terdiri daripada beberapa komponen asas, iaitu modul pembelajaran mendalam (DL), modul Digital Twin, modul pengkomputeran awan tepi (berdasarkan awan-kabus), modul komunikasi, modul keselamatan, dan modul antara muka pengguna (Rajah 5).
PROSPEK DAN INOVASI MASA DEPAN
- Masa depan analitik ramalan dalam peladangan ayam dijangka akan meningkat dengan kecerdasan buatan (AI) dan pembelajaran mesin, serta integrasi ke dalam peranti Internet of Things (IoT) dan data besar yang akan sangat meningkatkan apa yang boleh dilakukan oleh teknologi ini.
- Bagi memastikan kebolehlaksanaan dan kebolehaplikasian komersial, sistem pemantauan ayam memerlukan penyelidikan dan pembangunan lanjut.
Pendekatan bersepadu dalam sains ternakan dan kejuruteraan perlu menangani cabaran-cabaran ini untuk meningkatkan prestasi keseluruhan pemantauan ayam dalam peladangan ayam presisi (PLF) dan meningkatkan ketahanannya (Rajah 6).
SISTEM ANGGARAN BERAT HIDUP
Pemantauan berat haiwan sepanjang perkembangan membantu untuk menilai masa penyembelihan dan pelan pemakanan. Sekiranya berat yang diukur menyimpang daripada lengkung pertumbuhan yang dijangkakan, ini menunjukkan keadaan seperti penyakit atau masalah vitaliti lain yang memerlukan tindak balas. Oleh itu, berat hidup menentukan kesejahteraan haiwan.
- Kesukaran utama bagi sistem anggaran berat ayam adalah pencahayaan ambien yang berubah-ubah dan penentuan lokasi kawanan.
Sensor imej fleksibel dan kamera yang tidak terjejas oleh pencahayaan untuk ladang dapat menangani masalah cahaya yang berubah-ubah. Anggaran berat memanfaatkan kamera kedalaman berasaskan IR seperti Microsoft Kinect (Mortensen et al., 2016).
SISTEM PENGESANAN KEPINCANGAN
Mobiliti adalah penting untuk organisma hidup. Keupayaan bergerak dikaitkan dengan kecergasan dan kesejahteraan.
Ayam yang mengalami masalah berjalan boleh kelaparan, menurunkan nisbah penukaran makanan, berat badan dan pertumbuhan, pencemaran dada, luka pada sendi kaki, dan lebih terdedah kepada pemangsa.
Menurut wellbeing-Quality® (2009), faktor pembolehubah tersebut menunjukkan kesejahteraan haiwan yang buruk. Oleh itu, menjejaki mobiliti ayam menunjukkan kesejahteraannya.
SISTEM KLASIFIKASI KESIHATAN AYAM
- Wang et al. (2019b) menggunakan warna dan kelikatan najis untuk mendiagnosis gangguan pencernaan pada ayam pembiak pedaging.
- Jenis makanan juga boleh mempengaruhi warna najis.
- Pengambilan air turut memberi kesan kepada penurunan kelikatan.
- Oleh itu, kaedah ini akan sukar digunakan pada ayam yang dibiar bebas atau ayam yang diberi makanan pelbagai.Penyelidikan tambahan perlu dilakukan untuk mencipta set data ayam dengan kategori tertentu seperti ayam pembiak pedaging, ayam bertelur, anak ayam, dan sebagainya, yang sesuai untuk digunakan dalam sistem pengesanan ayam.
- Namun, proses latihan semula untuk aplikasi baru akan menjadikannya intensif dari segi tenaga kerja. Oleh itu, banyak kajian perlu diarahkan kepada strategi pembelajaran inovatif, seperti pembelajaran semi-terawasi dan pembelajaran adaptif.
SISTEM PENJEJAKAN AYAM
Penilaian faktor tingkah laku (jenis aktiviti) dan fizikal (kepincangan dan kesihatan) dalam kesejahteraan ayam bergantung secara kritikal kepada penjejakan ayam.
- Fenotip tingkah laku dan pemantauan kesejahteraan memerlukan rakaman pergerakan ayam secara berterusan dan fenotip tingkah laku.
Zhuang dan Zhang (2019) telah pun melaksanakan pengesanan objek pelbagai dalam pengesanan ayam pembiak pedaging yang tidak sihat, yang baru-baru ini menarik perhatian yang signifikan.
- Selain itu, penyelidikan tambahan harus dijalankan mengenai rangkaian DL yang menggunakan sensor berasaskan cahaya tidak kelihatan untuk mengatasi masalah variasi pencahayaan dan membolehkan penjejakan dilakukan pada waktu malam (rejim pencahayaan).
INTEGRASI IoT DAN DATA BESAR
Apabila kita mempertimbangkan integrasi peranti IoT dengan data besar, ia merevolusikan analitik ramalan dalam peladangan ayam dengan memberikan penternak maklumat yang lebih terperinci.
- Dengan memasukkan sensor, kamera, dan IoT secara keseluruhan, platform data besar digunakan untuk menganalisis pelbagai pembolehubah, dari faktor persekitaran hingga tingkah laku individu ayam, dan kemudian memasukkan data ini ke dalam platform untuk penglibatan masa nyata (Nakrosis et al., 2023).
- Menambah fungsi AI bukan sahaja memperluaskan skop analisis data, tetapi juga mempercepatkan proses tersebut, meningkatkan kecekapan dan ketepatan dalam membuat keputusan.
Kami berharap peningkatan ketepatan dan kecekapan model ramalan akan terus berkembang ke arah ini apabila penyelesaian yang menggabungkan bio-analitik, AI, dan pembelajaran mesin semakin berkembang dari semasa ke semasa.
- Algoritma yang lebih baik, yang berpotensi untuk memproses set data yang lebih kompleks daripada sebelumnya dengan lebih cepat dan masih jauh dari sempurna, baru sahaja mula muncul.
- Ini akan membolehkan kita mengenal pasti isyarat yang lebih jarang dan lebih kecil mengenai wabak yang akan datang sebelum patologi sepenuhnya muncul, dan berpotensi mengenal pasti strain penyakit baru apabila ia muncul.
KESIMPULAN
- Pemodelan ramalan membantu mengumpul data sejarah dan masa nyata untuk memberikan amaran awal mengenai kemungkinan hasil kesihatan, mencegah penyakit sebelum ia berlaku.
- Dengan beralih dari amalan pengurusan reaktif kepada proaktif, kita dapat mengoptimumkan kesejahteraan haiwan dan membawa keuntungan ekonomi yang besar dalam bentuk penurunan kadar kematian, pengurangan perbelanjaan ubat, atau pengesanan pusingan yang lebih pantas.
- Penggunaan teknologi AI dan pembelajaran mesin telah meningkatkan ketepatan dan ketepatan masa dalam pembuatan keputusan sistem ramalan ini.
- Selain itu, pengenalan peranti IoT dan analitik data besar telah lebih mengembangkan landskap ini, memberikan wawasan yang lebih canggih dan sokongan pemantauan.