As fazendas estão cada vez mais conectadas e tecnológicas. E não é por menos, estamos em um momento onde os próprios consumidores estão mais preocupados com o meio ambiente, bem-estar dos animais e qualidade dos alimentos. Essa mudança de comportamento e hábitos tem trazido diversos benefícios ao trabalho no campo.

No setor lácteo há uma intensificação na produção de leite, e o uso das tecnologias digitais acaba colaborando muito com o trabalho. Essas inovações, além de garantir agilidade para o dia a dia, também gera um grande volume de dados, que podem ser usados para analisar e encontrar padrões dentro dos sistemas de produção, identificação de anomalias e também na tomada de decisões.

De acordo com um estudo recente, divulgado pelo site Milk Point, o uso de um banco de dados que utiliza a metodologia de aprendizado de máquina (machine learning) consegue dar uma estimativa do status do CCS das vacas no mês seguinte, utilizando as informações do mês atual.

O estudo foi realizado com base nos dados de controles leiteiros de rebanhos da região de Pádova, Itália, obtidos durante 2 anos (2018 e 2019). Os principais dados do controle leiteiro incluídos no estudo foram: a identificação individual da vaca, a raça, o estágio e o número de lactações, a produção de leite, a composição (gordura, proteína, lactose e caseína) e a CCS individual das vacas. O estudo obteve um total de 18,5 mil dados de cerca de 14 mil vacas, de 791 fazendas.

Para selecionar o melhor modelo de predição da CCS das vacas, foram analisados 8 diferentes tipos de algoritmos de machine learning, sendo que uma amostra com 80% dos dados foi usada para o treinamento e a criação dos modelos e os 20% restantes foram usados para validação externa (determinar qual a precisão destes modelos para a predição da CCS do mês seguinte).

Os dados de CCS individual das vacas foram classificados em vacas sadias (<200.000 cels/ml) e vacas com mastite (>200.000 cels/ml). Os modelos que geraram os melhores resultados de predição foram os algoritmos de rede neural e floresta aleatória (randon forest), os quais apresentaram uma acurácia de predição > 75%.

De acordo com o estudo, ao utilizar estes algoritmos de machine learning é possível prever, com base nos dados do mês atual, qual seria o status de CCS de uma vaca no mês seguinte (<200.000 cels/ml ou >200.000 cels/ml), com chance de acerto >75%. O modelo é treinado com base nas informações de CCS individual da vaca, DEL e número de lactações, composição do leite e estação do ano.

Esses dados são valiosos, visto que a partir deles o produtor por tomar melhores decisões sobre a necessidade de monitoramento mais próximo dos animais com mastite, estimativa futura de perdas de produção e necessidade de implantação de medidas de prevenção e controle.

(Com informações de Milk Point)