Ang Machine Learning (ML) at predictive analytics ay mga sangay ng Artificial Intelligence (AI). Ang predictive analytics ng AI ay gumagamit ng mga technique at modelo ng machine learning (ML) na kumukuha ng kaalaman mula sa mga datos sa paglipas ng panahon.
Ang mga modelong ito ay sumasailalim sa pagsasanay gamit ang mga nakaraang datos upang makilala at suriin ang mga pattern at interaksyon (Ravi et al., 2018).
After being trained, the models are utilized to create predictions about future outcomes using new, previously unseen data (Figure 1). Pagkatapos ng pagsasanay, ginagamit ang mga modelo upang lumikha ng mga prediksyon tungkol sa mga magiging kinalabasan gamit ang mga bagong datos na hindi pa nasusuri dati (Larawan 1).
Larawan 1. Simpleng paglalarawan ng predictive analytics (Pinagmulan: Ogirala et al., 2024).
Ang sakit at hindi sapat na kalinisan ay ilan sa mga maraming problema na kinahaharap ng sektor ng produksyon ng manok. Kasama sa mga pinakakaraniwang sakit ang Coccidiosis, Newcastle, Gumboro pullorum, at Salmonella (Machuve et al., 2022).
Ang diagnostics testing para sa mga sakit na ito ay maaaring magastos, matrabaho, at matagal.
Ang bacteriological testing sa dumi ng manok, halimbawa, ay maaaring umabot ng average na $30 mula sa mga Amerikanong laboratoryo (e.g., GPLN at iba pa), na may pagbabago sa presyo batay sa dami ng mga manok na sinusuri (GPLN, 2024; CEVDL, 2024)
Ang patuloy na pagmamasid sa ilang manok para sa anumang pagbabago sa kanilang pag-uugali o hitsura ay makakatulong sa mga manggagawa sa poultry na mabilis na matukoy at alisin ang sanhi ng sakit.
Dito nagkaroon ng malaking solusyon ang predictive analytics para sa industriya ng pag-aalaga ng manok.
Maaaring magsagawa ng tamang hakbang ang mga farm manager kahit bago pa man lumitaw ang mga sintomas ng sakit, salamat sa mga predictive analytics models na kumukuha ng mga resulta mula sa makasaysayang datos at real-time na impormasyon upang ma-forecast ang mga outbreak.
Ang modernong analytics, sa anyo ng machine learning algorithms at pinapalakas ng mga teknolohiya ng big data, ay pinagsasama ang dalawang imperative na ito sa pamamagitan ng pagpapahintulot ng pagsusuri na maaaring makakita ng mga pattern ngayon at mahulaan ang mga sakit sa hinaharap.
PAGKOLEKTA NG DATOS AT PAMAMAHALA
Ang mga health records, kabilang ang kasaysayan ng pagbabakuna, mga record ng gamot, at mga nakaraang medikal na diagnosis, ay isa pang mahalagang dataset.
Magpapatuloy pagkatapos ng patalastas.
Ang impormasyon na ito ay mahalaga para sa mas mahusay na paggawa ng modelo ng panganib sa sakit at pag-unawa sa mga pattern ng isyu sa kalusugan na maaaring kumalat sa buong kawan (Huang et al., 2019).
Ang saklaw at complexity ng mga ganitong uri ng datos ay nangangailangan ng mga maaasahang sistema upang iproseso, i-validate, at gamitin ang lahat ng impormasyong ito para sa mga konklusyon sa real-time.
Ang mga aparato at sensor ng Internet of Things (IoT) ay pangunahing ginagawang awtomatiko ang nangangalap ng datos, na nagbibigay ng tuloy-tuloy na input sa mga pinagsamang sistema ng pamamahala.
Ang mga state-of-the-art na database at cloud storage solutions ay nag-iimbak ng malalaking bilang ng datos.
Ang mga platform ng data analytics ay gumagamit ng mga advanced na algorithm at machine learning na modelo upang suriin ang mga datos, maghanap ng mga nakatagong ugnayan o pattern sa mga naprosesong paraan, at mag-predict ng mga posibleng kinalabasan (LeCun et al., 2015) (Larawan 3).
Larawan 3. Ang pangkalahatang workflow ng mga sistema ng pagmamanman ng manok batay sa machine learning
(Pinagmulan: Okinda et al., 2020).
MGA PREDICTIVE MODELS PARA SA PAG-DETECT NG SAKIT
Ang mga teknik na batay sa ML ay gumagamit ng mga feature extractors upang i-transform ang raw data, tulad ng mga pixel values mula sa mga larawan, patungo sa mga feature vectors.
Bukod dito, ginagamit ang mga learning subsystems upang magsagawa ng regression o tuklasin ang mga pattern sa mga nakuha na features (LeCun et al., 2015)
Ang mga deep learning algorithms, na nagmula sa mga tradisyonal na technique ng machine learning, ay may kakayahan na matuklasan ang mga features o representasyon ng datos mula sa raw data, na nag-aalis ng pangangailangan para sa kaalaman sa feature extraction engineering (LeCun et al., 2015).
Ang mga recurrent neural networks, autoencoders, convolutional neural networks, belief networks, generative adversarial networks, at reinforcement learning ay mga modelo na bumubuo sa mga deep learning architectures.
Upang malutas ang mga mahihirap na problema, ang mga deep learning networks ay nangangailangan ng mga high-performance na processing systems, malalaking datasets, mga pamamaraan ng optimization upang mapanatili ang integridad ng datos, at mga komplikadong topologies (Oyedele et al., 2021).
Ang mga convolutional neural networks ay malawakang ginagamit sa deep learning para sa layunin ng digital image processing (Zhuang & Zhang, 2019).
Karamihan sa mga sistema ng machine learning ay gumagamit ng nakaraang datos bilang input upang mag-project ng mga magiging output values. Ang mga learning algorithms (hal., ANN, SVR, random forest, CNN, GLM) at maraming learning models (hal., classification, regression, clustering) ay nagtatakda sa ML bilang supervised o unsupervised (Milosevic et al., 2019). Ang mga supervised learning methods ay tinitiyak ang katumpakan ng kanilang mga classification o prediction sa pamamagitan ng mga labelled na datos.
MGA CASE STUDY
Nilikha nina Robertson at Yee ang isang automated pipeline extraction at analysis pipeline gamit ang apat na keywords na may kaugnayan sa impeksyon ng manok ng AIV upang suriin ang mga tweet sa Twitter tungkol sa AIV. Ipinakita ng kanilang modelo ang positibong ugnayan sa pagitan ng mga kaso ng avian influenza sa mga manok na iniulat ng World Organization for Animal Health at mga post sa Twitter na may kaugnayan sa AIV mula 2015 hanggang 2016 (Robertson & Yee, 2016).
Nilikha nina Belkhiria et al. (2018) ang isang mapa ng distribusyon ng sakit upang i-project ang panganib ng high pathogenicity avian influenza virus (HPAIV) sa California. Pinagsama nila ang iba’t ibang uri ng datos, kabilang ang bilang ng mga broiler farms sa isang tiyak na lokasyon, distansya mula sa mga baybayin, at ang kasaysayan ng bilang ng impeksyon ng low pathogenic avian influenza virus sa mga ligaw na ibon, upang makuha ang kanilang resulta. Ang mapa ay nag-uugnay sa mga lugar ng California sa panganib ng impeksyon ng HPAIV, kaya nagbibigay-daan sa paggamit ng angkop na mga pag-iingat sakaling magkaroon ng outbreak.
BENEPISYO NG MAAGANG PAGTUKLAS
Isa sa mga pangunahing benepisyo ay ang makabuluhang pagbaba ng mga rate ng pagkamatay ng manok.
Ang maagang pagtuklas ay malaki ang naitutulong sa pagbawas ng pag-asa sa mga antibiotics, na tradisyonal na ginagamit bilang pangkalahatang panlaban sa sakit.
Sa pamamagitan ng pagpigil sa mga outbreak, maiiwasan ng mga farm ang malalaking gastos na kaugnay ng malawakang pagpatay ng mga manok at pagkawala ng productivity.
MGA HAMON SA IMPLEMENTASYON AT MGA SOLUSYON
Ang mga problema sa imprastruktura, hamon sa ekonomiya, at mga alalahanin sa pamamahala ng datos ay kabilang sa mga pagsubok sa pagbuo ng isang standardized na sistema para i-forecast ang paglitaw ng mga sakit sa manok.
May kakulangan ng access sa internet sa mga farm sa rural areas, na nagdudulot ng kakulangan sa koneksyon. Bukod dito, ang pag-develop ng mga sensor at biosensor para sa pag-diagnose ng mga impeksyon sa manok ay nasa mga unang yugto pa lamang.
Kaya’t kinakailangan ang karagdagang pananaliksik upang makagawa ng teknolohiyang maaaring epektibong gumana sa kapaligiran ng isang komersyal na bahay-manukan.
Ang paggamit ng bagong teknolohiya sa mga farm ay nangangailangan na ang mga magsasaka ay magkaroon ng kaalaman at pagsasanay sa mga larangang ito. Ang problema ng bias at noise sa partikular na mga pinagmumulan ng datos ay isa pang balakid na kailangang malampasan ng mga predictive algorithm.
Halimbawa, ang mga assessment na umaasa sa mga web-based na sources ay kadalasang nagreresulta sa maraming ingay at walang-silbing datos na kailangang tanggalin (Milinovich et al., 2014).
Maaaring makaranas ang mga magsasaka ng mga problema sa pamamahala ng datos kapag isinasaalang-alang ang harmonized na mga prediction model kasama ang iba’t ibang stakeholders. Habang dapat isama ng mga modelo ang impormasyon mula sa mas maraming farm hangga’t maaari upang i-predict ang pag-unlad ng sakit, maaaring hindi gustuhin ng mga producer na gawing pampubliko ang kanilang datos.
Maaaring gawing anonymized ang datos, ngunit patuloy na umuunlad ang mga pamamaraan ng reidentification (Ferris, 2017).
Ang pagpapabuti ng kalidad ng datos, pagbuo ng teknikal na kasanayan, at pagpapababa ng mga hadlang sa ekonomiya at operasyon ay makatutulong sa epektibong pagpapatupad ng predictive analytics, na magreresulta sa pinahusay na pamamahala ng sakit at mas mahusay na kahusayan sa operasyon (Larawan 4).
Larawan 4. Mga Panukalang Solusyon
Dagdag pa, nagmungkahi sina Ojo et al. (2022) ng isang estratehiya na naglalayong pahusayin ang precision livestock farming para sa matalinong pamamahala ng kalusugan at kapakanan ng manok.
Ang kanilang pamamaraan ay partikular na tumutugon sa mga hadlang na nararanasan sa kasalukuyang mga sistema. Ang konseptong ito ay binuo sa pamamagitan ng masusing pagsusuri ng mga naunang paggamot na isinagawa ng ibang mananaliksik sa larangan ng pamamahala ng kapakanan ng manok.
Ang framework ay may mga katangian ng scalability, resilience, extensibility, at seguridad.
Ang framework ay binubuo ng ilang pangunahing mga bahagi, katulad ng deep learning (DL) module, Digital Twin module, cloud edge computing (batay sa cloud-fog) module, communication module, security module, at user-interface module (Larawan 5).
Lawaran 5. Smart poultry health at welfare management framework (Source: Ojo et al. 2022).
MGA PROSPECT SA HINAHARAP AT MGA INNOVATION
Ang hinaharap ng predictive analytics sa pag-aalaga ng manok ay inaasahang uunlad gamit ang artificial intelligence (AI) at machine learning, pati na rin ang integrasyon sa mga Internet of Things (IoT) na aparato at big data, na lubos na magpapahusay sa kakayahan ng mga teknolohiyang ito.
Upang matiyak ang komersyal na kakayahan at aplikasyon, ang mga sistema ng pagmamanman ng manok ay nangangailangan ng karagdagang pananaliksik at pag-unlad.
Ang mga pinagsamang pamamaraan sa agham ng pag-aalaga ng hayop at engineering ay kailangang tugunan ang mga hamong ito upang mapahusay ang pangkalahatang performance ng pagmamanman ng manok sa isang PLF at mapataas ang tibay nito (Larawan 6).
Larawan 6. Mga prospect
ESTIMATION SYSTEMS NG LIVE WEIGHT
Ang pagmamanman ng timbang ng hayop habang lumalaki ay nakakatulong upang masuri ang tamang panahon ng pagkatay at mga plano sa pagpapakain. Kapag ang naitalang timbang ay lumihis mula sa inaasahang kurba ng paglaki, maaaring ito ay indikasyon ng kondisyon tulad ng sakit o iba pang isyu sa kalusugan na nangangailangan ng agarang aksyon. Ang timbang ng buhay na hayop ay nagpapakita ng kapakanan ng mga ito.
Ang mga pangunahing hamon para sa mga sistema ng pagtatantiya ng timbang ng manok ay ang pabago-bagong liwanag sa paligid at ang localization ng kawan.
Ang mga flexible image sensor at mga camera na hindi apektado ng liwanag para sa mga farm ay makatutugon sa problemang dulot ng nagbabagong liwanag. Ang pagtatantiya ng timbang ay gumagamit ng mga IR-based na depth camera tulad ng Microsoft Kinect (Mortensen et al., 2016).
DETECTION SYSTEMS SA PAGKAPILAY
Mahalaga ang pagkilos para sa mga buhay na organismo. Ang pagiging mobile ay may kaugnayan sa kalakasan at kagalingan.
Ang mga ibon na nahihirapang maglakad ay maaaring magutom, bumaba ang kanilang feed conversion ratio, timbang ng paglaki, nadudumihan ang dibdib, nagkakaroon ng hock burns, at nagiging mas mahina laban sa mga predator.
Ayon sa wellbeing-Quality® (2009), ang mga nabanggit na variable ay nagpapahiwatig ng mababang kalagayan ng hayop. Kaya’t ang pagsubaybay sa kakayahan ng ibon na kumilos ay nagpapakita ng kalagayan ng kanyang kapakanan.
HEALTH STATUS CLASSIFICATION SYSTEMS
Ginamit nina Wang et al. (2019b) ang kulay at viscosity ng dumi upang mag-diagnose ng mga digestive disorder sa mga broiler.
Ang uri ng pakain ay maaari ring makaapekto sa kulay ng dumi.
Ang water intake ay maaari ring makaapekto sa pagbaba ng viscosity.
Dahil dito, magiging mahirap gamitin ang pamamaraang ito sa mga free-range o mga manok na pinapakain ng iba’t ibang uri ng pagkain. Dapat magpatuloy ang karagdagang pananaliksik upang makabuo ng poultry dataset na may partikular na mga kategorya tulad ng broiler, layers, sisiw, atbp., na angkop para sa paggamit sa mga poultry detecting systems.
Gayunpaman, ang proseso ng retraining ng mga bagong aplikasyon ay magiging magastos sa oras at labor. Kaya’t maraming pag-aaral ang dapat itutok sa mga makabagong estratehiya sa pagkatuto, tulad ng semi-supervised learning at adaptive learning.
POULTRY TRACKING SYSTEMS
Ang pagsusuri ng mga behavioral (uri ng aktibidad) at pisikal (pamamaga at kalusugan) na mga factor sa kapakanan ng manok ay nakasalalay nang husto sa pagmamanman ng mga manok.
Ang behavior phenotyping at monitoring ng kapakanan ay nangangailangan ng patuloy na pagtatala ng galaw at behavior phenotyping ng mga ibon.
Naipatupad na nina Zhuang at Zhang (2019) ang multi-object detection sa pagtukoy ng mga hindi malusog na broiler, na kamakailan ay nakatanggap ng malaking atensyon.
Bukod dito, dapat pang magsagawa ng karagdagang pananaliksik sa mga DL network na gumagamit ng non-visible light-based na mga sensor upang labanan ang mga isyu sa pagbabago ng ilaw at upang magawa ang pagmamanman kahit sa mga oras ng gabi (lighting regime).
PAG-INTEGRATE NG IOT AT BIG DATA
Kapag isinasaalang-alang ang integrasyon ng mga IoT device sa big data, nagdudulot ito ng pagbabago sa predictive analytics sa pag-aalaga ng manok sa pamamagitan ng pagbibigay sa mga magsasaka ng mas detalyadong impormasyon.
Sa pamamagitan ng pagsasama ng mga sensor, kamera, at ang IoT sa pangkalahatan, ang mga big data platforms ay ginagamit upang suriin ang isang malawak na hanay ng mga variable, mula sa mga salik sa kapaligiran hanggang sa mga indibidwal na pag-uugali ng ibon, at pagkatapos ay ipinapasok ang datos na ito sa isang platform para sa real-time na interaksiyon (Nakrosis et al., 2023).
Ang pagdagdag ng AI functionality ay hindi lamang nagpapalawak ng saklaw ng pagsusuri ng datos kundi pinapadali rin ang proseso, na nagpapahusay sa efficiency at bilis ng paggawa ng desisyon.
Inaasahan namin na ang pagtaas ng katumpakan at kahusayan ng mga predictive models ay magpapatuloy sa trend na ito habang ang mga solusyon na naglalaman ng bio-analytics, AI, at machine learning ay patuloy na nagpapabuti sa paglipas ng panahon.
Ang mga mas pinahusay na algorithm, na may kakayahang magproseso ng mas kumplikadong mga dataset nang mas mabilis kaysa dati at malayo sa pagiging perpekto, ay nagsisimula pa lamang lumitaw.
Ito ay magbibigay-daan sa atin upang matukoy ang mga bihirang, maliliit na signal ng mga nalalapit na outbreak bago pa man lumitaw ang buong pathology, at posibleng matukoy ang mga bagong strain ng sakit habang sila ay nagsisimulang magpakita.
KONKLUSYON
Ang predictive modeling ay tumutulong sa pagkuha ng historical at real-time na datos upang magbigay ng mga paalala tungkol sa mga posibleng kalabasan ng kalusugan, na pumipigil sa mga sakit bago pa man mangyari.
Sa pamamagitan ng paglipat mula sa reactive patungo sa proactive na mga pamamaraan ng pamamahala, maaari nating mapabuti ang kapakanan ng mga hayop at magdulot ng malaking kita sa ekonomiya sa pamamagitan ng pagbaba ng mga rate ng kamatayan, pagbabawas ng gastusin sa gamot, o pagpapabilis ng turnover tracking.
Ang paggamit ng AI at machine learning na mga teknolohiya ay lalong nagpa-husay ng katumpakan at kahusayan ng mga predictive systems sa paggawa ng desisyon.
Dagdag pa, ang pagpapakilala ng mga IoT device at big data analytics ay lalong nagpabago ng landscape na ito, na nagbigay ng mga advanced na pananaw at suporta sa pagmamanman.
