Inteligência artificial: o futuro da produção avícola


As redes neurais artificiais e a inteligência artificial oferecem critérios claros e objetivos para auxiliar nas nossas escolhas

Por Carlos Tadeu Pippi Salle¹, Augusto Spohr², Thales Quedi Furian¹, Karen Apellanis Borges¹, Daniela Tonini da Rocha³, Hamilton Luiz de Souza Moraes¹, Vladimir Pinheiro do Nascimento¹

 

O que é a Inteligência Artificial?

A inteligência do ser humano, através do cérebro, é a mais avançada dentro do universo das criaturas. As entidades básicas do nosso cérebro são os neurônios que se interconectam em redes, permitindo a troca de informação entre eles e criando a inteligência biológica. Uma ambição óbvia que surge aos pesquisadores é a tentativa de copiar a estrutura e o funcionamento do cérebro humano em um ambiente controlado. Enfim, como acreditava o cientista John McCarthy (1927-2011), um dos pioneiros no estudo da área na década de 1950: “A inteligência humana pode ser tão precisamente descrita que é possível construir uma máquina que a simule”.

Isso significa entender o funcionamento da nossa inteligência e mapeá-la para uma estrutura artificial através da combinação de hardwares e softwares, transformando as redes neurais biológicas em redes neurais artificiais. Desta forma, a inteligência artificial (IA) pode ser definida como um conjunto de tecnologias computacionais que operam de forma a imitar a maneira como as pessoas aprendem, raciocinam e agem. É um sistema capaz de resolver de forma racional problemas complexos ou de tomar decisões apropriadas para alcançar seus objetivos nas mais diferentes áreas de conhecimento.

Distante de um ambiente de ficção científica, a onipresença da IA na rotina contemporânea através de algoritmos que regem o dia a dia do ultraconectado mundo atual é uma realidade. Nos últimos cinco anos, estima-se que as tecnologias de IA tenham crescido 300% ao ano. Até 2035, calcula-se que elas aumentarão em 40% a produtividade da civilização. Com uma força quase imperceptível, a IA está presente nas nossas vidas. Utilizamos este recurso diariamente ao acessar os sites de buscas na internet, as sugestões de compras online com base nas nossas preferências, as tecnologias de reconhecimento facial, os smartphones e seus assistentes virtuais, os tradutores instantâneos, os jogos de computador e de videogames, entre outras ferramentas. Tecnologias já existentes e, em alguns casos sendo testadas ou disponíveis comercialmente, envolvem, por exemplo, o transporte de mercadorias através de drones.

Uma importante característica da IA e das redes neurais artificiais é a sua inesgotável capacidade de aprender. Assim como o cérebro do ser humano, toda vez que um novo desafio ou uma nova experiência acontece ou é vivenciada, as redes artificiais aprendem e elaboram novas conexões, com o objetivo de se adaptar à nova situação apresentada. A indicação de que os softwares são passíveis de arranjos mentais inicialmente exclusivos do ser humano, pois exige lógica e raciocínio, são as vitórias de computadores em embates com os maiores campeões de xadrez e de games de estratégia. Obviamente, o advento de tecnologias resulta em desafios, como a obsolescência de cargos. Contudo, a IA está presente, a serviço do ser humano. O importante é aprender a conviver com ela.

 

A inteligência artificial na avicultura

A manutenção das empresas avícolas no mercado mundial depende da constante tomada de decisões acertadas. Estas decisões, quando realizadas de forma inadequada ou sem critérios, podem levar a diagnósticos incorretos e sem fundamentos. Pode-se dizer que decisões tomadas sem critérios claros e objetivos não são decisões, e sim palpites.

As decisões corretas, consequência da obtenção de conhecimento, não são caracterizadas pela subjetividade ou unicamente pela experiência baseada em acertos e erros anteriores, mas dependem sim da intepretação de dados. Pois o sistema de produção avícola caracteriza-se por gerar uma grande quantidade de informações, armazenadas em planilhas e em grandes bancos de dados das empresas. Os dados coletados são originários de diferentes áreas relacionadas à produção. Desta forma, estas informações tradicionalmente podem ser empregadas para a predição de eventos, como para a padronização de índices zootécnicos e consequente remuneração dos integrados. Neste sentido, está o primeiro requisito para a tomada da decisão correta: o armazenamento adequado das informações, seguindo-se um padrão interno não fragmentado na empresa e facilmente disponível para análise. Este cuidado é fundamental, pois o banco de dados é o cerne de uma análise futura com qualidade. Algumas empresas seguem este requisito, porém raros são os exemplos em que estes dados são usufruídos como o verdadeiro tesouro que compõem, isto é, utilizados para análises matemáticas que determinam oportunidades e mudanças de rumo. Um adendo que demonstra a necessidade na evolução do banco de dados segue-se, por exemplo, para os grandes hospitais. A saída da era do prontuário em papel ou em sistemas fechados possibilita a identificação de relações e tomadas com maior precisão e menor intervenção. Exemplo é que a identificação de padrões previamente conhecidos baseados em genética, hábitos de vida, entre outros, determina a probabilidade de desenvolvimento de doenças específicas. Neste sentido, recentemente em artigo publicado na revista Nature, o algoritmo desenvolvido por um grupo de pesquisa americano permitiu identificar com 91% de precisão se um indivíduo apresentava tendências suicidas a partir das reações dos pacientes a seis conceitos. Enfim, bancos de dados de qualidade podem representar maior rentabilidade às empresas, ou mesmo, saúde em outros ambientes.

Buscando estabelecer critérios objetivos e específicos para a tomada de decisões, o Centro de Diagnóstico e Pesquisa em Patologia Aviária (CDPA) da Universidade Federal do Rio Grande do Sul (UFRGS) iniciou os seus primeiros trabalhos no final da década de 1990 com uma linha de pesquisa que visava traduzir certos episódios da avicultura em modelos matemáticos de análise multivariada. Os primeiros modelos matemáticos propostos avaliaram a resposta imunológica de reprodutoras de corte frente a três doenças importantes (Newcastle, Bronquite Infecciosa e Doença Infecciosa Bursal) levando em consideração a idade e o título de anticorpos das aves. Foi possível estabelecer modelos matemáticos simples para cada granja, oferecendo uma interpretação objetiva dos resultados sorológicos da resposta imune provocada pela vacina contra o vírus destas enfermidades. Modelos matemáticos semelhantes também foram utilizados para explicar os danos causados nas aves pelas micotoxinas. Da mesma forma, características fenotípicas e moleculares relacionadas à patogenicidade de microrganismos, como Escherichia coli e Pasteurella multocida, podem ser selecionadas e serem analisados através da biologia molecular para se responder a duas perguntas básicas: “Este isolado é patogênico?” e “Como se devem tratar os animais?”. Novos estudos estão sendo realizados para predizer a patogenicidade dos diferentes sorovares de Salmonella.

É interessante que apesar do boom atual na valorização do tema inteligência artificial e do emprego de modelos matemáticos lineares na produção animal para a tomada de decisões, os primeiros trabalhos realizados no CDPA que utilizam redes neurais artificiais foram desenvolvidos ainda no início dos anos 2000. Estes estudos demonstram e explicam os parâmetros de desempenho das aves no gerenciamento de reprodutoras pesadas, do incubatório e de frangos de corte em uma análise independente dos três setores.

Em um estudo mais recente realizado, é possível explicar os fenômenos que ocorrem em toda a cadeia de produção de carne de frango através da utilização da inteligência artificial, permitindo simular e predizer os resultados. Neste trabalho, avaliaram-se séries históricas de dados de mais de 21 milhões de aves de uma integração avícola do Rio Grande do Sul durante sete meses e se obteve sucesso em explicar os resultados da produção com base nestes registros. Foram reunidos dados microbiológicos e zootécnicos de 27 lotes de matrizes, de 147 lotes de frangos de corte e de um matadouro-frigorífico e um incubatório. Estas informações podem ser utilizadas como variáveis de entrada, que são aquelas que oferecem às redes neurais artificiais as informações a serem utilizadas para predizer um resultado final, ou como variáveis de saída, que indicam os resultados a serem preditos. A partir da montagem destas redes, foi possível indicar quais os quesitos, ou as variáveis, mais importantes para explicar as demais. Os modelos gerados para as variáveis preditas (saídas) foram comparados e selecionados conforme a análise dos valores do Coeficiente de Determinação Múltipla (R²), do Quadrado Médio do Erro (QME), bem como pela análise de gráficos, plotando a predição da rede versus a predição menos o real. O R² foi calculado através da fórmula R² = 1-(SSE/SSyy), onde SSE = Σ (valor real – valor predito)² e SSyy = Σ (valor real – média dos valores)². O QME foi calculado como sendo a média dos valores reais menos os valores preditos, elevados à potência 2 [QME = média (valores reais – preditos)²]. Para o treinamento das redes foram utilizados 50% dos dados, isto é, 1.096 bancos de linhas. Os demais dados foram selecionados para a validação das predições. A estatística descritiva e as diferenças entre as médias dos dados foram calculadas através do programa computacional SigmaStat® Statistical Software. Foram utilizados o programa computacional NeuroShell®Predictor e NeuroShell®Classifier para a construção das redes neurais.

Em relação ao incubatório, 24 variáveis de entrada foram consideradas para a geração dos modelos relacionados à eclosão total dos ovos. Observou-se que as variáveis mais importantes para a determinação da eclosão total foram a média de idade do lote de matriz de origem, o peso do pinto ao nascer, a não contaminação dos ovos com Aspergillus spp., o tipo de máquina de incubação, a origem do nascedouro dentro do incubatório e o tempo de incubação (Tabela 01). Já para a determinação da fertilidade dos ovos, foram selecionadas 13 variáveis de entrada. Entre estas, a origem do aviário, a idade da matriz, a infecção por Aspergillus spp., o tempo de incubação, a linhagem das aves e a presença ou não de ovos trincados apresentaram maior importância relativa (Tabela 01).

Em relação à produção de frangos de corte, 27 variáveis de entrada foram consideradas para a geração dos modelos relacionados à mortalidade das aves na primeira semana. As redes neurais artificiais indicaram que o extensionista, o peso dos frangos na primeira semana, o produtor, o sexo das aves, o tempo de incubação e de nascedouro foram as entradas que possuíram maior influência na mortalidade na primeira semana (Tabela 02). Já para a mortalidade das aves na quinta semana, o extensionista, o sexo das aves, o peso dos frangos na primeira semana, o produtor, a presença de contaminação na transferência e a relação de ovos de cama e de ninho foram as variáveis que apresentaram maior importância relativa (Tabela 02). Na Figura 01, a relação entre os valores reais e preditos pelo modelo de redes neurais artificiais para a determinação da eclosão total e para a mortalidade das aves na primeira semana são apresentadas como exemplos.

 

Conclusões

A metodologia apresentada exemplifica que é possível estabelecer critérios objetivos a serem utilizados como suporte para a tomada de decisões pelos profissionais a partir de simulações que mensuram a contribuição de cada variável no fenômeno em estudo. Além disto, as redes neurais artificiais podem apresentar outros empregos no setor avícola. Por exemplo, a análise Digital da Depleção Linfocitária (ADDL) é uma ferramenta que permite o processamento digital de imagens e a emissão de um diagnóstico histológico através das redes neurais artificiais.

Combinando os resultados de modelos matemáticos para a resposta imune e da influência das micotoxinas nos parâmetros de produção, a ADDL e o uso da IA para classificar a patogenicidade de microrganismos, é possível desenvolver um sistema de análise de risco que permite a regionalização de diferentes instalações de uma integração conforme o status imune através de critérios estabelecidos de forma objetiva e cientificamente comprovados (Figura 02). Da mesma forma, os critérios claros permitem programas de treinamento para o desenvolvimento de profissionais capacitados para a tomada de decisões na rotina das integradoras.

Enfim, como exemplificado em outras áreas profissionais e mesmo nas atividades mais simples e repetitivas do ser humano, a IA está presente para facilitar e auxiliar no desenvolvimento em um caminho sem volta. Neste caminho, obviamente a avicultura também deve estar inserida.

¹Médico Veterinário, Doutor em Sanidade Avícola – Pesquisador do Centro de Diagnóstico e Pesquisa em Patologia Aviária (CDPA) – Faculdade de Veterinária – Universidade Federal do Rio Grande do Sul (UFRGS)

²Médico Veterinário, Mestre em Sanidade Avícola – Centro de Diagnóstico e Pesquisa em Patologia Aviária (CDPA) – Faculdade de Veterinária – Universidade Federal do Rio Grande do Sul (UFRGS)

³Médico Veterinário, Doutor em Sanidade Avícola – Universidade do Oeste de Santa Catarina (Unoesc)

Fonte:  https://www.aviculturaindustrial.com.br

Vagas disponíveis