Quantas vezes, mesmo sem perceber, associamos a inteligência artificial aos fantásticos filmes de ficção científica e naturalmente acabamos evitando o tema por conta disso?
Entretanto, a inteligência artificial nada mais é que uma ferramenta descoberta para auxiliar as pessoas nas mais diversas situações que precisam de decisões importantes. Ou seja, inteligência artificial não se trata de ficção científica, e sim, de um subsídio para a pecuária.
O termo inteligência artificial (IA) é utilizado basicamente para se referir a um sistema (geralmente computacional) desenvolvido para mostrar certa capacidade de ajudar a resolver problemas (Costa, 2009).
Assim, por ser inspirado na inteligência humana, é um sistema de significativa complexidade e necessita ser treinado para corresponder com soluções para adversidades. Com relação a esse aspecto resolutivo da IA, ilustramos de forma simples as etapas básicas da reação que uma pessoa apresenta ao se deparar com um problema.
Normalmente, a conduta intelectual das pessoas diante de um desafio é expressa pelo desempenho de algumas tarefas como:
- Reconhecer padrões em imagens e sons;
- Processar algum tipo de linguagem;
- Planejar e prever ações.
É com base nessas etapas do raciocínio humano que os sistemas computacionais com inteligência artificial são desenvolvidos. Seu objetivo principal é justamente simular a maneira como a inteligência humana soluciona contratempos.
Isto é, a inteligência artificial tenta imitar os estágios do raciocínio humano até chegar em uma conclusão. E, da mesma forma que o cérebro humano, é capaz de reconhecer padrões e relacioná-los, além de armazenar e utilizar conhecimento obtido por experiências.
Quando envolvida com a pecuária, que é um setor essencial para o agronegócio, a IA se torna atrativa como ferramenta, pois os cenários são desafiadores. E esses desafios exigem decisões que inevitavelmente causam impacto em algum nível da cadeia produtiva. Sendo assim, há grande necessidade de soluções muito bem pensadas – natural e artificialmente.
Aplicação em diferentes áreas
Em se tratando particularmente das pecuárias de leite e de corte, nos últimos 18 anos aproximadamente, observamos a inteligência artificial aplicada em diferentes áreas:
Na bovinocultura de corte, alguns mecanismos de inteligência artificial foram desenvolvidos para:
- Pesar animais;
- Prever o rendimento dos animais, para melhoria da gestão da propriedade;
- Avaliar conforto térmico;
- Predizer mérito genético;
- Promover controle de tuberculose bovina;
- Identificar animais pelo focinho por visão computacional;
- Classificar animais para abate automaticamente.
Já na bovinocultura de leite, os profissionais desenvolveram IA para:
- Predizer valores genéticos em características relacionadas à produção de leite;
- Realizar diagnóstico precoce de mastite bovina;
- Avaliar comportamento e bem-estar de vacas leiteiras em galpões;
- Identificar animais ao reconhecer padrão individual de pelagem;
- Auxiliar na classificação de vacas leiteiras;
- Classificar animais por categorias de conforto térmico;
- Analisar imagens para determinar escore corporal.
Exemplo da aplicação de IA na classificação do conforto térmico em bovinos leiteiros. Representação das imagens térmicas da região da fronte, área ocular, costela e flanco de uma vaca; o histograma de temperatura e as temperaturas mínima, média e máxima da região selecionada.
Modelos
Alguns dos modelos de inteligência artificial utilizados nos exemplos acima são conhecidos como visão computacional, mineração de dados e redes neurais artificiais (RNAs).
Desses, as RNAs ganham destaque na Zootecnia, pois no Brasil, desde a década de 90, protagonizam estudos teóricos e práticos por profissionais do meio rural, em especial da pecuária – como visto nos exemplos citados.
As RNAs são denominadas assim porque dentro de uma máquina ou computador, os softwares ou programas elaborados para gerar respostas a partir de um banco de dados, apresentam um modelo de conexões. Esse padrão de interligações é inspirado no cérebro humano, e por isso é feita a comparação com nossas complexas redes de neurônios, capazes de solucionar problemas (Silva, 2014).
Assim como as pessoas são treinadas em habilidades e aprendizados para corresponder a determinadas tarefas, as RNAs também podem ser treinadas.
Contudo, o treinamento dos sistemas artificiais é direcionado para obtenção de respostas com maior precisão e exatidão. Isso é possível porque máquinas não são suscetíveis à cansaço, pressão psicológica, desmotivação e falta de concentração, por exemplo.
Essas condições normalmente interferem no desenvolvimento do raciocínio de um profissional, ocasionando riscos de erros em suas conclusões, mesmo que seja um especialista altamente capacitado.
Inclusive, a IA vista como instrumento auxiliar pode beneficiar esse profissional ao invés de “ameaçá-lo” como um substituto (como na maioria das vezes se imagina quando este tema é abordado).
As redes neurais artificiais têm sido amplamente testadas e experimentadas na agropecuária devido às inúmeras possibilidades de aplicações. Algumas delas têm sido utilizadas para classificar dados, reconhecer padrões e analisar imagens.
Todavia, as RNAs são limitadas no seguinte aspecto: são restritas na interpretação de dados, padrões e imagens, pois não fazem isso de maneira tão especial como o ser humano faz. Portanto, a rede neural artificial não pode sobrepor a decisão final do proprietário, administrador ou dos técnicos da propriedade.
Então, quando se combina o sistema artificial inteligente com a experiência e interpretação desses profissionais da área, torna-se possível aumentar as chances de acerto nas escolhas para o rebanho. E assim as RNAs podem ser ferramentas aceitáveis para promover soluções, principalmente no setor pecuário do agronegócio.
Referências
COSTA, E. C. Inteligência artificial aplicada à Zootecnia. Revista Brasileira de Zootecnia, Viçosa, v. 38, n. spe, p. 390-396, 2009.
PACHECO, V. M. Desenvolvimento de classificador de conforto térmico para bovinos de leite utilizando modelagem computacional e termografia de infravermelho. Dissertação (mestrado), Faculdade de Zootecnia e Engenharia de Alimentos, Universidade de São Paulo, Pirassununga, 2019.
SILVA, G. N. Redes neurais artificiais: novo paradigma para a predição de valores genéticos. 2014. 106f. Dissertação (mestrado). Universidade Federal de Viçosa, 2014.
