Aunque en apariencia, avicultura y tecnología son dos mundos alejados el uno del otro, lo cierto es que la aplicación de innovaciones como el machine learning en granjas de aves se está revelando como una interesante herramienta.
Si bien estas técnicas aún se encuentran en fase de desarrollo y presentan todavía un amplio margen de mejora, son soluciones que, a día de hoy, ya están ofreciendo interesantes resultados en aspectos tales como la mejora en la gestión de las explotaciones avícolas o un incremento en el bienestar de los animales.
¿Qué aporta la tecnología a una granja de aves?
Para entender el papel que puede jugar el machine learning en un futuro inmediato, primero resulta conveniente conocer cómo la tecnología está transformando las granjas de aves. Así y además de ayudar a resolver problemas habituales (supervisión de las condiciones ambientales, por ejemplo), la implantación de diversas técnicas tales como el análisis de datos o el internet de las cosas contribuye a incrementar la productividad y la eficiencia.
Los seis aspectos clave que proporciona la tecnología aplicada en una explotación avícola se resumen en el siguiente listado:
- Proporciona seguridad al almacenar la información histórica de la explotación en la nube.
- Incrementa la calidad de los productos, satisfaciendo las necesidades de la clientela y de los propios gestores de la granja.
- Supervisa de manera pormenorizada las condiciones ambientales en las que crecen los animales, una opción que ENVIRA, por ejemplo, ofrece a través de sus sistemas de monitorización vía sensores. Estos sistemas permiten conocer con detalle la temperatura, el grado de humedad o la concentración de amoníaco, un gas que perjudica el crecimiento de los pollos (Ahmed & Ghamdi, 2008).
- Facilita la toma de decisiones gracias a la analítica de datos y la implementación del machine learning.
- Posibilita una visualización sencilla de las diferentes variables supervisadas y la información analizada, un servicio que ENVIRA presta a través de su plataforma IoT Envira DS.
- Permite el envío de notificaciones que propician que las personas al cargo de la explotación dispongan de información en tiempo real y puedan adoptar las medidas necesarias con celeridad.
Machine learning en granjas, combinando pollos, huevos y algoritmos
Como se ha mencionado en el listado anterior, el machine learning es una de las técnicas que se emplean para “sacar jugo” a los datos que recopilan tecnologías sensóricas como las que ofrece ENVIRA y obtener información orientada a la toma de decisiones. Es, de hecho, una de las tecnologías que mayor interés captó en el Poultry Tech Summit 2018 celebrado en noviembre de 2018 en Atlanta (EE.UU.).
El machine learning, también denominado aprendizaje automático o aprendizaje de máquinas, es una rama o campo de la IA (inteligencia artificial) que posibilita a los ordenadores aprender de forma automática. Esta facultad implica que no es necesaria la mediación de una persona externa que indique qué reglas seguir para cumplimentar con la tarea (1).
En los siguientes epígrafes se abordan los ámbitos relacionados con la cría de aves en los que el machine learning puede aportar beneficios.
Detección temprana de enfermedades
Las explotaciones agrícolas deberán, en un futuro próximo, dar respuesta a un incremento en la demanda motivado por el crecimiento de la población mundial.
En el caso de las granjas avícolas, esta presión se traduce en muchos casos en un aumento en la densidad de aves, una cuestión que puede derivar en un incremento en las tasas de contagio de enfermedades tales como la gripe aviar, que también puede propagarse a los seres humanos.
El machine learning, en estos casos, puede emplearse para detectar cambios en las aves que indiquen una posible enfermedad (Astill, Dara, Fraser & Sharif, 2018). La aplicación de algoritmos para analizar el comportamiento postural de los pollos a través de imágenes, por ejemplo, ha demostrado una gran exactitud y un notable funcionamiento (Zhuang, Bi, Guo, Wu & Zhang, 2018).
De igual forma, el análisis de la vocalización o cacareo de las aves permite detectar posibles anomalías (2), una medida que multinacionales del sector agroalimentario como Cargill están probando en explotaciones bajo su control (3).
Reducción de la resistencia frente a antibióticos
En una línea similar a la apuntada en el epígrafe anterior, un equipo de investigación formado por personal de la Universidad de Nottingham y el China National Center for Food Safety Risk Assessment ha puesto en marcha el proyecto Farmwatch.
El objetivo de esta iniciativa es emplear el aprendizaje automático para detectar enfermedades de forma temprana, pero con el fin principal de reducir la cantidad de antibióticos que se suministran a las aves y evitar así la creación de posibles resistencias en los seres humanos (4).
Incremento en el bienestar de las aves de corral
Uno de los factores que repercuten en el bienestar de los animales es la presencia de ectoparásitos, grupo en el que se incluyen las garrapatas. Su ciclo biológico está condicionado por variables ambientales tales como la temperatura o la humedad, parámetros que pueden ser monitorizados a través de sensores. Así y aunque varía según la especie, las garrapatas, en general, se muestran más activas con porcentajes de humedad altos y temperaturas bajas (Guajardo, 2015).
El uso del machine learning en este caso incide, al igual que en los ejemplos referidos, en la observación de lo que se considera un comportamiento normal y los cambios que se detectan a raíz de la propagación de ectoparásitos entre las aves (Abdoli, Murillo, Yeh, Gerry & Keogh, 2018).
Mejora en la gestión de las explotaciones avícolas
Alcanzar un rendimiento óptimo en una explotación avícola supone, entre otros factores, supervisar los factores que condicionan el crecimiento de las aves.
La implementación de redes de sensores que monitorizan variables tales como la temperatura, humedad, ventilación etc., facilitan esta tarea. Pero algunos sistemas, como señalan Ribeiro et al. (2019), están diseñados para reaccionar a las condiciones ambientales en base a unas reglas de control predefinidas que dejan de lado los datos históricos y el conocimiento humano.
En este caso, el machine learning podría ayudar a incorporar estas variables y crear sistemas de control menos reactivos y más proactivos. Aunque las pruebas realizadas hasta el momento tienen aún un carácter experimental, el objetivo es que estas soluciones reconozcan no solo los condicionantes físicos o químicos, sino que también pongan en valor la percepción humana y las actuaciones que se derivan de ella.
La aplicación del machine learning en granjas, en resumen, abre un amplio abanico de oportunidades para el desarrollo de soluciones y sistemas de supervisión orientados a mejorar el bienestar de los animales y la rentabilidad de las explotaciones. No obstante, no hay machine learning sin información, un recurso cuya explotación se inicia con la toma de datos a través de sensores como los que comercializa ENVIRA.
Referencias:
– (1) Rouse, M. (01/2017). ¿Qué es aprendizaje automático (machine learning)? SearchDataCenter en Español. https://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-automatico-machine-learning
– (2) de Diego, G. (14/03/2018). Tendencias de consumo: así se escucha a las aves para mejorar la calidad de su carne. El Confidencial. https://www.alimente.elconfidencial.com/consumo/2018-03-14/metodo-saber-ganado-esta-enfermo_1508030/
– (3) Listen up: Eavesdropping on chickens may provide insights on animal health and welfare (28/06/2019). Cargill. https://www.cargill.com/story/listen-up-eavesdropping-on-chickens-may-provide-insights
– (4) Machine learning to fight antibiotic resistance in farmed chickens (02/08/2019). University of Nottingham. https://www.nottingham.ac.uk/news/machine-learning-to-fight-antibiotic-resistance-in-farmed-chickens
– Ahmed, Z. & Ghamdi, Z. (2008). Multiple environmental stresses and broiler internal organs somatic indices under controlled environment during winter. International Journal of Poultry Science, 7(11):1089-1094. doi: http://doi.org/dvsds5
– Astill, J., Dara, R. A., Fraser, E. D. G. & Sharif, S. (2018). Detecting and predicting emerging disease in poultry with the implementation of new technologies and big data: a focus on avian influenza virus. Frontiers In Veterinary Science, 5. doi:http://doi.org/gfmrmg (correcciones http://doi.org/c862)
– Guajardo, S. C. (2015). Control biológico e integrado de la garrapata «Hyalomma lusitanicum» en explotaciones silvo-agro-cinegéticas de ecosistema mesomediterráneo (Disertación doctoral, Universidad Complutense de Madrid).
– Ribeiro, R., Casanova, D., Teixeira, M., Wirth, A., Gomes, H., Borges, A., & Enembreck, F. (2019). Generating action plans for poultry management using artificial neural networks. Computers And Electronics In Agriculture, 161, 131-140. doi: http://doi.org/c863
– Zhuang, X., Bi, M., Guo, J., Wu, S., & Zhang, T. (2018). Development of an early warning algorithm to detect sick broilers. Computers And Electronics In Agriculture, 144, 102-113. doi:http://doi.org/gc3q7k
