Maatalous on aina ollut tietotyötä. Kokenut karjanhoitaja tunnistaa lehmän kunnon silmämääräisesti, aistii, milloin jotain on pielessä, ja tekee päätöksiä vuosien kokemuksen varassa. Samalla ala on ollut datankeruun edelläkävijä – tuotosseuranta ja jalostustyö ovat vuosikymmenten mittaisia investointeja, jotka nykyisellään kertovat merkittävästi niin maatilan kehittymisestä kuin yksittäisen eläimen tilanteestakin.
Data on ollut aina mukana
Haasteena on kuitenkin ollut datan luonne: se kuvaa menneisyyttä ja parhaimmillaankin vain nykytilaa. Tämän seurauksena hiljainen tieto, kokemus ja asiantuntijuus ovat ne työvälineet, joita hyödynnetään tulevaisuuden päätöksenteossa. Mutta mitä tapahtuu, kun yhdistetään tuhansien karjojen data ja modernit tekoälyalgoritmeihin pohjautuvat laskentamallit – ja asetetaan tavoitteeksi tarkastella aitoja todennäköisyyksiä siitä, miltä tulevaisuus voisi näyttää?
Mitä tekoäly tarkoittaa maitotilalla?
Tekoäly maataloudessa voi tarkoittaa monta asiaa, aina kehittyvistä laitteista kielimalleihin. Se voi tarkoittaa myös koneoppimista – yksinkertaistettuna tilastollisia malleja, jotka löytävät datasta lainalaisuuksia, joita ihminen ei ehdi tai pysty käsittelemään. Ja juuri tällä alueella soveltava kehitys on nopeaa.
Millaisia dataratkaisuja maitotiloilla on jo olemassa?
Maataloudessa tekoäly ja sen osa-alueena koneoppiminen ovat globaaleja ilmiöitä. Viimeisen kymmenen vuoden aikana on kehitetty huomattava joukko käytännön sovelluksia, joiden toimintaperiaatteena on kerätä dataa ja sen perusteella ennustaa tai muuten arvioida haluttua asiaa.
Utaretulehduksen ennustaminen
Utaretulehduksen varhainen tunnistaminen on klassinen esimerkki: koneoppimismalleja on koulutettu lypsyrobottien tuottamalla jatkuvalla datalla, kuten maitotuotoksella, maidon sähköjohtavuudella, neljänneskohtaisilla eroilla ja soluluvuilla. Tälle datapohjalle on rakennettu malleja, jotka havaitsevat oireita jo päiviä ennen kuin tauti tulee varsinaisesti näkyväksi. Tutkimuksissa mallit ovat saavuttaneet 80–90 prosentin tarkkuuden kliinisen mastiitin ennustamisessa kymmeniä tunteja ennen oireiden havaitsemista.
Kiiman tunnistaminen datan avulla
Hedelmällisyys ja kiiman havaitseminen ovat perinteisesti vaatineet tarkkaa silmää ja ajoitusta. Erillisiin kiihtyvyysantureihin ja käyttäytymisdataan perustuvat mallit osaavat tunnistaa kiiman oikean hetken huomattavasti luotettavammin kuin pelkkä visuaalinen seuranta, mikä parantaa siemennysten onnistumisprosentteja huomattavasti.
Yhteinen nimittäjä kaikissa näissä sovelluksissa on sama: mitä enemmän laadukasta historiadataa mallilla on käytettävissään, sitä tarkemmin se ennustaa. Suomessa tämä lähtökohta on erittäin hyvä.
Poistoennuste: tekoäly karjanhoitajan rinnalla
Hyvä esimerkki koneoppimisen käytännön sovelluksesta on Mtechin AgINTEL-brändin alla kehitetty eläinkohtainen poistoennuste, joka on osa uutta MaitoTalous-palvelua. Kysymys kuulostaa yksinkertaiselta: kuinka todennäköistä on, että tämä lehmä poistuu karjasta seuraavien kuuden kuukauden aikana? Ennenaikaisella poistolla on suora vaikutus pienempänä potentiaalisena kokonaismaitomääränä ja edelleen kannattavuuden laskuna. Toisaalta, heikosti tuottava eläin liian pitkään pidettynä aiheuttaa saman haasteen.
Todellisuudessa vastaus on monimutkainen. Poistoon johtavia tekijöitä on kymmeniä: ikä, rotu, maitotuotos ja sen kehitys laktaatiokaudella, soluluku ja utareterveys, poikimiskerrat, siemennyshistoria, hoito- ja terveysmerkinnät – ja paljon muuta (kuva 1). Yksittäisten muuttujien tarkastelu ei riitä, vaan mallin täytyy oppia niiden yhteisvaikutuksista.
Kuva 1. Poistopäätökseen vaikuttavia tekijöitä on kymmeniä
Oppimista varten tarvitaan laaja historiadatapohja. Kun malli opetetaan tuhansien karjojen toteutuneilla poistoilla ja niitä edeltäneillä datapisteillä, se alkaa tunnistaa riskiprofiileja, joita yksittäinen tilallinen ei arjessa ehdi eikä pysty hahmottamaan. Tuloksena on eläinkohtainen prosenttiluku: poistoennuste, joka päivittyy automaattisesti uuden mittausdatan myötä. (Kuva 2.)
Kuva 2. Automaattisesti päivittyvän poistoennustemallin koneoppimisprosessi
Tällainen työkalu ei ole täydellinen – malliin sisältyy aina virhemahdollisuus, sillä kaikkea tietoa ei ole saatavilla eikä sattumaa voi mallintaa. Ratkaisu ei myöskään korvaa tilallisen kokemusta ja harkintaa, vaan pyrkii terävöittämään sitä. Kun karjassa on paljon eläimiä, jokaisen yksilön koko historian pitäminen mielessä – ja poistojärjestyksen järjestelmällinen arviointi – ei yksinkertaisesti ole mahdollista.
Koneoppimismalli tekee juuri tämän vertailun puolueettomasti ja läpinäkyvästi. Mtechin ratkaisussa ennuste lasketaan kahdella tasolla: ensin tilalle ominaisena arviona, sitten vertailukohtana siihen, miten suomalaiset tilat keskimäärin olisivat päättäneet kyseisen eläimen kohtalon – ikään kuin koko Suomi olisi yhteinen karja. Jokaisella tilalla on omat toimintatapansa ja ympäristötekijänsä, jotka väistämättä heijastuvat poistopäätöksiin. Vertailukohta tuo nämä valinnat näkyviksi: tilallinen voi katsoa tuloksia ja arvioida, missä oma päätösmalli eroaa muiden ratkaisuista – ja onko se perusteltua.
MaitoTalous-palvelu tulee koekäyttöön kaikille Mtechin Maito Pro -asiakkaille.
Maatalouden digitalisaatio ei ole trendi – se on kilpailukykyä
Ilmastonmuutos, kustannuspaineet ja kasvava vaatimus tuotannon läpinäkyvyydestä ja kestävyydestä asettavat maitotiloille kasvavia paineita. Samanaikaisesti teknologia tarjoaa välineitä, joita aiemmilla sukupolvilla ei ollut.
Tekoäly ja koneoppiminen eivät ole itsessään ratkaisu kaikkiin ongelmiin. Niiden tehokas hyödyntäminen edellyttää laadukasta dataa, mallien jatkuvaa päivitystä ja käyttäjää, joka hyödyntää tuloksia. Mutta parhaimmillaan se tekee mahdolliseksi sen, mihin kukaan ihminen ei yksin pysty: kaikkien olennaisten muuttujien yhtäaikaisen arvioinnin, joka tukee parempia päätöksiä – joka päivä, jokaisella tilalla.
Tekoäly ei tule korvaamaan karjanomistajan ammattitaitoa. Se tulee vahvistamaan sitä.
