Herausforderungen
Der Kunde arbeitete an der Implementierung eines spezialisierten Herdenmanagementsystems (LMS), um die Behandlung seiner Tiere zu automatisieren. Eine der vom Kunden geforderten Funktionen war die Fähigkeit, einzuschätzen, ob Tiere für die Milchproduktion geeignet sind oder aus der Herde entfernt werden sollten. Falsche Entscheidungen führten zur Auswahl ungeeigneter Kühe, die vor ihrer ersten Laktation erkrankten oder starben. Dadurch verlor das Unternehmen Zeit und Geld für die Bemühungen um diese Selektion.
Sie baten um eine Lösung, die den Prozess der prädiktiven Analyse optimieren könnte, um zu entscheiden, ob das Tier bis zur Laktation aufgezogen oder entfernt werden sollte.
Über das Projekt
Unser Kunde ist ein großes Agrarunternehmen mit mehreren Nutztierfarmen (insgesamt etwa 20.000 Kühe und Kälber), das auf die Produktion und den Verkauf von Fleisch- und Milchprodukten spezialisiert ist.
Region
Europa
Zeitraum
5 Monate
Team
3 Spezialisten
Lösung Schritt für Schritt
Dieser Fall ist ein Beispiel für den Einsatz von KI und prädiktiver Analyse in der Landwirtschaft. Um zu verstehen, wie es bei der Vorhersage der Tiersterbewahrscheinlichkeit hilft, heben wir die wichtigsten Entwicklungsschritte hervor.
- 1
Datenerfassung
Wir arbeiteten mit den Entwicklern des kundenspezifischen Herdenmanagementsystems zusammen und implementierten eine schlanke ETL-Pipeline (Extract-Transform-Load), um Daten aus dem LMS zu sammeln und aufzubereiten. Der resultierende Datensatz umfasste Gesundheitsmerkmale und Lebensereignisse von mehr als 17.000 Tieren. Dieser Datensatz wurde zur Grundlage für die weitere Entwicklung.
- 2
Feature-Engineering
Die Hauptaufgabe, entscheidend für die Bereitstellung einer umfassenden Lösung für prädiktive Analysen, war die Extraktion der wichtigsten Datenparameter (Features) aus den Lebensverlaufsberichten des Viehs.
Wir konvertierten die Lebensereignisverläufe in eine Feature-Tabelle, die die wichtigsten Indikatoren wie das Gewicht der Kuh, die Daten und Anzahl früherer Erkrankungen, ihren Geburtsmonat und Blutparameter enthielt. Die Daten deckten die ersten 6 und 12 Monate im Leben eines Tieres ab.
Es ist erwähnenswert, dass wir während des Feature-Engineering-Prozesses auf eine gewisse Menge fehlerhafter Daten (Ausreißer) in den Berichten des Unternehmens stießen. Daher nahmen wir spezielle Datenbereinigungsschritte auf und gaben Empfehlungen für die zukünftige Datenerfassung auf Kundenseite.
Beispiele für Ausreißer waren ungewöhnlich niedriges oder hohes Gewicht eines Tieres oder falsche Ereigniscodes. Für die Stabilität des Algorithmus wurden solche Werte in der PoC-Phase durch leere Werte ersetzt. Darüber hinaus fügte unser Team Empfehlungen zur Vermeidung von Ausreißern in das Herdenmanagementsystem ein.
- 3
ML-Modelltraining und weitere Analyse
Die aufbereiteten Daten wurden zur Erstellung von Trainings- und Testdatensätzen verwendet, die dann zum Training eines ML-Modells genutzt wurden. Das Modell lernte, entscheidende Dateneinheiten zu identifizieren und bestimmte Muster innerhalb der Daten zu finden. Das Training dauert in der Regel etwa eine halbe Stunde pro Durchlauf, einschließlich Datenvorbereitungszeit und Genauigkeitsschätzung.
Das erstellte KI-Modell konnte Daten zum Gesundheitszustand und zur Krankengeschichte der Tiere wahrnehmen, analysieren und erweiterte Vorhersagen darüber treffen, ob der Tod oder die Laktationsmöglichkeit jeder Kuh bevorsteht.
Zur weiteren Verifizierung der Lösung enthielt der Abschlussbericht auch Informationen darüber, wie verschiedene Features die Vorhersage beeinflussen. Ein solches Diagramm hilft den Experten auf Kundenseite, die Ergebnisse zusätzlich zu überprüfen.
Während des gesamten Projekts stand unser Data-Science-Team in Kontakt mit Tiermedizin-Experten auf Kundenseite, um die Annahmen, die Datenverarbeitungspipeline, die Feature-Wichtigkeit und die Ergebnisse – sowohl Zwischen- als auch Endergebnisse – zu verifizieren.
Unserer Erfahrung nach ist eine angemessene Kommunikation mit Fachexperten (SMEs) und Stakeholdern einer der Schlüsselfaktoren für den Projekterfolg.
Möchten Sie sehen, wie KI Ihrem Unternehmen durch fortschrittliche prädiktive Analysen helfen kann?
Teilen Sie Ihre Ideen und Probleme, und wir stellen Sie für eine kostenlose Beratung mit dem richtigen Experten in Verbindung.
Wesentliche Ergebnisse
Unsere Lösung hat gezeigt, dass der kombinierte Einsatz verfügbarer Daten zu Lebensereignissen von Tieren und Technologien der künstlichen Intelligenz in der Landwirtschaft die Überlebenswahrscheinlichkeit mit signifikanter Genauigkeit vorhersagen kann (etwa 70 % im Sinne des ROC-AUC-Werts).
Dadurch hat das Agrarunternehmen seine Entscheidungsprozesse bezüglich der Nutzung von Kühen für die Laktation oder Fleischproduktion verbessert.
Darüber hinaus hat unser Team mehrere Ansätze zur Verbesserung der Vorhersagequalität formuliert und vorgestellt, zusammen mit Empfehlungen, um bessere Daten zu erhalten (wie spezifische Regeln und Grenzen für die Dateneingabe auf den Betrieben).
Die ML-Vorhersage kann im Offline-Modus laufen: periodische Läufe, beispielsweise einmal pro Woche. Die ML-Ergebnisse sind anschließend im Herdenmanagementsystem verfügbar, um Tiermediziner und Betriebsleiter mit Informationen zu versorgen, um angemessene Maßnahmen mit den Tieren zu ergreifen.
Unser Experte
"Dieses Projekt ist ein beeindruckendes Beispiel für die enorme Perspektive des KI-Einsatzes in der Landwirtschaft. Nach jahrzehntelanger Arbeit in der Branche kann ich auch sagen, dass prädiktive Analysen nur einer von vielen Wegen sind, ML-Technologien in der Landwirtschaft anzuwenden. KI-Technologien können bereits das Angebotsmanagement verbessern, indem sie die Marktnachfrage vorhersagen, die Logistik optimieren und Lebensmittelverschwendung reduzieren."
In weiterer Perspektive kann der Einsatz einer solchen Technologie in der Landwirtschaft durch Bewässerungsautomatisierung, Boden- und Pflanzenzustandsüberwachung sowie Abfallmanagement repräsentiert werden.
Yuri Svirid, PhD. — CEO Silk Data
Häufig gestellte Fragen
Verschiedene KI-Tools können die Tierpflege transformieren, indem sie viele Prozesse automatisieren und optimieren. Automatisierte Gesundheitsüberwachung (durch Wearables oder Bilderkennung), erweiterte Verhaltensanalyse (durch Aktivitätsverfolgung von Tieren), physiologische und psychologische Forschung – dies sind nur ein kleiner Teil der KI-Fähigkeiten.
Mit dem richtigen Ansatz sind die Aussichten für die weitere KI-Entwicklung in der Landwirtschaft vielversprechend. Sie können durch autonome landwirtschaftliche Geräte wie selbstfahrende Lastwagen, Mähdrescher und Drohnen, genetische Datenanalyse für die richtige Tierauswahl, fortschrittliche Klimamodellierung und vieles mehr repräsentiert werden.
Ja, vorausgesetzt, der Betrieb verfügt über ausreichend Tiere und ein Herdenmanagementsystem, das die wichtigen Ereignisse im Leben und Gesundheitszustand der Tiere abdeckt. Beachten Sie jedoch, dass das mit Kuhdaten trainierte Modell nicht für Schweine oder Geflügel verwendet werden kann, da die Lebenszeiten, Arten von Lebensereignissen und Krankheiten unterschiedlich sind.
Unser Team
Fragen zur KI-Integration oder -Entwicklung?
