Když data rozhodují o zdraví i zisku

Digitální technologie pronikají do všech oblastí zemědělství a chov prasat není výjimkou. Ještě před několika lety představovalo nepřetržité sledování zdravotního stavu jednotlivých zvířat spíše futuristickou představu. Dnes dokážou kamery, mikrofony, senzory i algoritmy umělé inteligence sledovat pohyb, příjem krmiva, aktivitu nebo změny chování každého prasete prakticky v reálném čase.

Nová generace systémů Precision Livestock Farming (PLF) však nepřináší mnohem víc než jen další data. Jejím cílem je pomoci chovateli přijímat lepší rozhodnuti, zlepšit welfare zvířat i ekonomiku výroby, a současně posílit transparentnost celého produkčního řetězce. Přesto výzkum ukazuje, že skutečným limitem dalšího rozvoje již není technika, ale ochota jednotlivých účastníků řetězce data sdílet a využívat.

Od automatizace k inteligentnímu řízení stáda

Digitalizace chovu prasat začala automatizaci jednotlivých pracovních činnosti. Nejprve šlo o řízení ventilace, automatické krmení nebo regulaci mikroklimatu ve stájích. Současný vývoj však směřuje mnohem dál. Technologie již neslouží pouze k ovládání zařízení, ale stále více podporují samotné rozhodování managementu farmy.

Tento přistup je označován jako Precision Livestock Farming (PLF)- precizní chov hospodářských zvířat. Je založen na nepřetržitém sběru dat prostřednictvím senzorů, kamer, mikrofonů, vah nebo elektronické identifikace zvířat. Získané informace jsou následně analyzovány algoritmy strojového učení nebo umělé inteligence, které upozorňují na odchylky od běžného chování.

Cílem není nahradit zkušeného chovatele, ale umožnit mu reagovat dříve, než se problém projeví klinicky nebo ekonomicky.

Vytváří digitální stopu

Každé zvíře během dne vykazuje charakteristický rytmus pohybu, odpočinku, přijmu vody i krmiva. Tyto projevy vytvářejí jakousi digitální stopu, kterou lze pomocí moderních technologií průběžně zaznamenávat.

Sledovat lze například:

• frekvenci návštěv krmného místa,
• dobu přijmu krmiva,
• spotřebu vody,
• rychlost růstu,
• tělesnou hmotnost,
• aktivitu během dne i noci,
• sociální kontakty.
• využívání prostoru,
• změny pohybového aparátu,
• projevy stresu.

Samotná data však nestačí. Klíčovou úlohu přebírá software, který porovnává aktuální hodnoty s dlouhodobým normálem. Jakmile zjistí odchylku, upozorní obsluhu ještě před vznikem závažnějších zdravotních nebo produkčních problémů.

Počítačové vidění

Největší pokrok zaznamenává oblast počítačového vidění (Computer Vision). Kamery rozmístěné ve stájích již nejsou pouhým bezpečnostním prvkem. Díky metodám hlubokého učení dokážou analyzovat obraz podobně jako lidské oko, avšak nepřetržitě a s vysokou přesnosti Moderní systémy rozpoznávají:

• kulhání,
• změny držení těla,
• omezenou pohybovou aktivitu,
• agresivni interakce,
• využívání lehacích prostor,
• změny skupinového chování,
• neobvyklé stereotypni projevy.

Výhodou je objektivita hodnocení. Lidská kontrola bývá ovlivněna zkušenostmi, únavou nebo časovým tlakem, zatímco automatizované systémy sledují všechna zvířata současně po celý den.

Další generace využívá tzv. foundation models, které umožňují přesnější identifikaci jednotlivých prasat i ve skupinovém ustájení a zvyšují spolehlivost sledování při změnách světelných podmínek nebo částečném zakrytí zvířat.

Zachytí nemoc dříve

Vedle obrazu získává stále větší význam také bioakustika. Citlivé mikrofony rozmístěné ve stájích zaznamenávají kašel, kýchání nebo změny hlasových projevů. Algoritmy následně rozlišují běžný hluk od zvuků typických pro respirační onemocnění.

Takové systémy mohou upozornit na vznikající zdravotní problém ještě před tím, než si jej pracovníci všimnou při vizuální kontrole. Včasná identifikace umožňuje rychlejší zásah, omezení šíření infekce a cílenější léčbu. To přispívá nejen ke zlepšení welfare zvířat, ale také ke snižování spotřeby antibiotik, což je dlouhodobou prioritou evropské živočišné výroby.

Nestačí data sbírat

Moderní farma může během jediného dne vytvořit miliony datových záznamů. Kamery nepřetržitě monitorují pohyb zvířat, automatické krmné stanice evidují příjem krmiva, senzory sledují teplo hlasových projevů. Samotné množství informací však ještě nezaručuje lepší rozhodování.  

Rozhodující je schopnost tato data propojit a převést do podoby. která je pro chovatele skutečně využitelná. Zatímco člověk by musel vyhodnocovat stovky parametrů současně, algoritmy umělé inteligence dokážou během několika sekund upozornit na odchylky, které by jinak zůstaly bez povšimnutí.

Nejde tedy o nahrazení zkušeného zootechnika, ale o vytvoření systému včasného varování, který upozorní na problém ještě před vznikem ekonomických ztrát.

Každý potřebuje jiná data

Jedním z hlavních přínosů studie Akinyemi a kol. z roku 2025 bylo zapojení odborníků mimo samotnou farmu. Autoři oslovili zástupce státní správy, výzkumu, zpracovatelského průmyslu i maloobchodu, aby zjistili, jaká data od precizního chovu skutečně očekávají.

Ukázalo se, že jednotná představa neexistuje

Veterinární odborníci preferují především údaje umožňující včasné odhalení zdravotních problémů a monitorování výskytu infekčních onemocnění. Pro zpracovatele masa jsou důležité informace o zdravotním stavu zvířat, původu produkce a návaznosti na systémy sledovatelnosti. Obchodní řetězce naopak kladou stále větší důraz na transparentnost, welfare a doložitelný původ potravin. Další profese pak očekávají třeba data využitelná při monitorování nákaz, bezpečnosti potravin nebo plnění legislativních požadavků. Studie ukazuje, že budoucnost PLF nebude spočívat pouze monitorování zvířat, ale také ve schopnosti poskytovat různé typy informaci různým uživatelům podle jejich potřeb.

Kdo zaplatí digitalizaci?

Právě ekonomická stránka představuje jednu z největších překážek dalšího rozvoje precizního chovu. Účastníci studie opakovaně upozorňovali, že zavádění nových technologii znamená značné investice do hardwaru, softwaru i datové infrastruktury.

Pokud budou hlavní přínosy plynout například zpracovatelům masa nebo obchodním řetězcům, zatímco náklady ponese výhradně farmář, bude motivace k zavádění technologií omezená.

Autoři proto upozorňují na potřebu spravedlivějšího rozdělení nákladů i přínosů mezi jednotlivé články produkčního řetězce. Sdílení dat by mělo být spojeno také se sdílením ekonomických výhod, například formou prémií za doložené standardy welfare nebo vyšší úroveň sledovatelnosti produkce.

Komu vlastně patří data?

S rostoucím objemem digitálních informací nabývá na významu otázka datového vlastnictví. Farmy dnes generují rozsáhlé soubory údajů o produkci, zdravotním stavu zvířat, spotřebě krmiva i provozu technologií. Tyto informace mají značnou ekonomickou hodnotu.

Zdroj: časopis Farmář