У молочному скотарстві, як в інших галузях тваринництва, дуже важливо приймати об'єктивні рішення з управління та селекції тварин. Щоб забезпечити цю об'єктивність, потрібно збирати та аналізувати інформацію зібрану із різних джерел. Завдяки розвитку інформаційних технологій, ведення обліку стало значно зручнішим. Раніше збір інформації здійснювався на паперових носіях, що ускладнювало аналіз даних. Але з розвитком технологій та зростанням важливості тваринництва як бізнесу, стало необхідним використовувати інформаційні технології для збору, аналізу та використання даних для прийняття управлінських рішень та цілей селекції.

Метою даної роботи є по перше короткий огляд досягнень інженерної думки, інформація з яких може бути  використана для вирішення різних проблем у скотарстві та по друге ­ методи аналізу цих даних.

На сьогодні у світі використовують велику кількість сучасних  пристроїв для збору інформації. Зокрема для цього використовують різні доїльні системи (доїльні зали, роботи), педометри, асселерометри, булюси 3-D камери та інші прилади.

Нині на ринку є сенсори, які можуть відстежувати харчову поведінку, поведінку при жуванні, рН рубця, температуру рубця, температуру тіла, активність тварин, а також місцезнаходження або розміщення тварин [3].

Так, зокрема застосування датчиків, які встановлені у доїльних роботах дозволяє збирати великий об’єм індивідуальної інформації про корову, який може варіюватися залежно від виробника модифікації та комплектації робота. Так, роботи точно вимірюють разовий надій, електропровідність молока, час доїння, кількість доїнь за день запам’ятовують розміщення дійок у кожної тварини та інші ознаки. Якщо уявити, що в середньому корови підходять до робота 2,5–3 рази на день то навіть за рік використання такого обладнання може назбиратися велика кількість інформації, яка може відображати деякі фізіологічні особливості та поведінкові патерни тварин.

Якщо звернутися до функціоналу педометрів та акселерометрів. Ці прилади використовують для визначення активності тварин. Педометри вимірюють кількість кроків за одиницю часу, а акселерометри ­ ідентифікують активність корови, пов’язану з рухами голови та шиї вгору під час ходьби та поведінки верхи, перетворюючись на індекс, який представляє зважене стандартне відхилення кожної основної активності самої корови [2].Дані педометрів та акселерометрів можуть використовувати для аналізу статевої тічки тварин, а окремо акселерометрів – для визначення кульгавості тварин.

Слід зауважити, що нині зображення отримані з 3-d камер аналізують з використанням різних алгоритмів штучного інтелекту. На основі цього навчилися ідентифікувати тварин, визначати живу масу, вгодованість тварин та з’ясовувати скільки тварина спожила корму.

Не зважаючи на те, що вище перелічені датчики здатні збирати великі обсяги даних вчені відмічають низку проблем, які пов’язані із використанням датчиків, зокрема тому, що більшість датчиків включено в замкнуті «екосистеми», які охоплюють датчик, бази даних і комп’ютерні програми, аж до конкретних інструментів звітності, включаючи спеціальні комп’ютерні термінали. Ми залежимо від виробників сенсорних технологій, оскільки технічні властивості датчиків зазвичай невідомі; отже, ми не знаємо, коли і як слід калібрувати датчик, як точність вимірювання датчика змінюється з часом або наскільки варіації в межах приладу є нормальними. Однією з причин такої, часто незадовільної ситуації, є базова закрита модель. За винятком дослідницьких налаштувань, необроблені дані з датчиків недоступні, і фермери мають доступ до попередньо налаштованих характеристик управління [1].

Постійно зростаючі за обсягом і бази даних, які оновлюються майже у реальному часі потребують нових методів обробки і тому в нагоді стають різноманітні методи, в Data mining.

Так в якості агрегованих даних, було використано оглядову статтю, яка присвячена аналізу публікацій в яких для розрахунків використовували алгоритми машиного навчання, слід зазначити, що автори розглядали тільки молочне скотарство [4]. Так дослідники зазначають: 1) до 1999 року не було опубліковано жодної статті у популярних базах даних (Scopus, Science Direct, IEEE, Google Scholar, MDPI), де б дослідники використовували методи машинного навчання, натомість у період із 1999 по 2021 роки у вищевказаних науково-метричних базах даних вийшло 749 статей, із них 382 у Scopus; 2) критеріям для аналізу відповідали всього 140 статей. 3) найбільше авторів статей були із Європи (43%), Азія (20%), а Північна Америка – 18%; 4) найбільша кількість досліджень, вивчали проблеми, які пов’язані із фізіологією, та здоров’ям корів(32%); 5) із аналізованої літератури, 48% даних для досліджень було зібрано із різноманітних сенсорів; 6) автори близько 54% досліджень використовували деревоподібні алгоритми (tree-based algorithms) у своїх роботах.

В Україні окремі господарства використовують доїльні зали, роботи та деякі інші сенсори. Зрозуміло, що разом із обладнанням, його виробники постачають і програми управління стадом, яке інтегроване із ним. В яких реєструють дані не тільки із доїльних залів чи роботів, а й інформацію про ветеринарні маніпуляції над тваринами (чим тварина в певний день хворіла, коли у неї була тічка, чим її лікували тощо). Якщо говорити про доїльні роботи Delaval, то вся інформація із них фіксується у програмі DelPro, яка надає дані про ефективність діяльності вашої доїльної системи: кількість корів, яких подоїли за годину, ротації та/або порції і кількість молока, зібраного під час кожного доїння. Інтерфейс цієї програми (за допомогою кольорових індикаторів) може сповіщати фермера про зміни продуктивності тварин стада.

Підсумовуючи вищевказане, слід зазначити, що розведення тварин – то мистецтво, яке побудоване на аналізі великого обсягу інформації, а можливості використання даних різних сенсорів поєднанні з сучасними методами їх обробки дасть змогу приймати обґрунтовані рішення у селекції тварин. Також нам необхідно створити централізоване сховище даних, в яке б нагромаджувалася інформація із різних джерел (не тільки вище перелічених) і дозволяло ефективніше вести селекцію тварин в Україні.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Gengler, N. (2019). Symposium review: Challenges and opportunities for evaluating and using the genetic potential of dairy cattle in the new era of sensor data from automation. Journal of dairy science, 102(6), 5756-5763. https://doi.org/10.3168/jds.2018-15711
2. Santos, C. A. D., Landim, N. M. D., Araújo, H. X. D., & Paim, T. D. P. (2022). Automated Systems for Estrous and Calving Detection in Dairy Cattle. AgriEngineering, 4(2), 475-482. https://doi.org/10.3390/agriengineering4020031
3. Džermeikaitė K, Bačėninaitė D, Antanaitis R. (2023). Innovations in Cattle Farming: Application of Innovative Technologies and Sensors in the Diagnosis of Diseases. Animals. 13(5):780. https://doi.org/10.3390/ani13050780
4. Shine, P., & Murphy, M. D. (2022). Over 20 years of machine learning applications on dairy farms: A comprehensive mapping study. Sensors, 22(1), 52. https://doi.org/10.3390/s22010052