Jordbruk har alltid varit ett kunskapsarbete. En erfaren djurskötare kan med blotta ögat bedöma en kos tillstånd, känna när något inte står rätt till och fatta beslut baserade på många års erfarenhet. Samtidigt har branschen varit en föregångare inom datainsamling – produktionsuppföljning och avelsarbete är investeringar som sträcker sig över årtionden och som i dag ger betydande insikter både om gårdens utveckling och om det enskilda djurets situation.
Data har alltid funnits med
Utmaningen har dock varit datans natur: den beskriver det förflutna och i bästa fall endast nuläget. Därför är det tysta kunnandet, erfarenheten och expertisen de verktyg som används i beslutsfattandet om framtiden. Men vad händer när data från tusentals besättningar kombineras med moderna beräkningsmodeller baserade på artificiell intelligens – och målet är att analysera verkliga sannolikheter för hur framtiden kan se ut?
Vad innebär artificiell intelligens på en mjölkgård?
Artificiell intelligens i jordbruket kan betyda många saker, från avancerad utrustning till språkmodeller. Det kan också innebära maskininlärning – förenklat statistiska modeller som hittar mönster i data som människor inte hinner eller kan bearbeta. Och just inom detta område går den tillämpade utvecklingen snabbt.
Vilka datalösningar finns redan på mjölkgårdar?
Artificiell intelligens och maskininlärning är globala fenomen inom jordbruket. Under de senaste tio åren har ett stort antal praktiska tillämpningar utvecklats, där principen är att samla in data och utifrån den förutsäga eller på annat sätt bedöma ett önskat utfall.
Förutsägelse av juverinflammation
Tidig upptäckt av juverinflammation är ett klassiskt exempel: maskininlärningsmodeller har tränats på kontinuerlig data från mjölkrobotar, såsom mjölkproduktion, mjölkens elektriska ledningsförmåga, skillnader mellan juverdelar och celltal. På denna datagrund har modeller utvecklats som kan upptäcka symptom flera dagar innan sjukdomen blir synlig. I studier har modellerna uppnått en träffsäkerhet på 80–90 procent i att förutsäga klinisk mastit flera tiotals timmar innan symptom uppträder.
Brunstidentifiering med hjälp av data
Fertilitet och upptäckt av brunst har traditionellt krävt ett tränat öga och god timing. Modeller baserade på accelerationssensorer och beteendedata kan identifiera rätt tidpunkt för brunst betydligt mer tillförlitligt än enbart visuell observation, vilket avsevärt förbättrar lyckade inseminationer.
Den gemensamma nämnaren i alla dessa tillämpningar är densamma: ju mer högkvalitativ historisk data modellen har tillgång till, desto mer exakt blir prognosen. I Finland är utgångsläget mycket gott.
Utslagningsprognos: AI som stöd för djurskötaren
Ett bra exempel på en praktisk tillämpning av maskininlärning är den individbaserade utslagningsprognos som utvecklats under Mtechs AgINTEL-varumärke och som är en del av den nya tjänsten MölkEkonomi. Frågan låter enkel: hur sannolikt är det att denna ko lämnar besättningen inom de kommande sex månaderna? För tidig utslagning påverkar direkt den potentiella totala mjölkproduktionen negativt och därmed lönsamheten. Å andra sidan innebär det samma utmaning att behålla ett lågproducerande djur för länge.
I verkligheten är svaret komplext. Det finns tiotals faktorer som påverkar utslagning: ålder, ras, mjölkproduktion och dess utveckling under laktationen, celltal och juverhälsa, antal kalvningar, inseminationshistorik, vård- och hälsoregistreringar – och mycket mer. Att analysera enskilda variabler räcker inte; modellen måste lära sig deras samverkan.
Figur 1. Det finns tiotals faktorer som påverkar beslutet om utslagning
För att detta ska fungera krävs en omfattande historisk databas. När modellen tränas med verkliga utslagningar från tusentals besättningar och de datapunkter som föregick dem, börjar den identifiera riskprofiler som en enskild lantbrukare varken hinner eller kan uppfatta i vardagen. Resultatet är en procentuell sannolikhet per djur – en utslagningsprognos som uppdateras automatiskt när ny data tillkommer.
Figur 2. Maskininlärningsprocessen för en automatiskt uppdaterad utslagningsprognosmodell
Ett sådant verktyg är inte perfekt – det finns alltid en felmarginal, eftersom all information inte finns tillgänglig och slumpen inte kan modelleras fullt ut. Det ersätter heller inte lantbrukarens erfarenhet och omdöme, utan syftar till att skärpa dem. I stora besättningar är det helt enkelt inte möjligt att hålla hela historiken för varje individ i minnet och systematiskt utvärdera utslagningsordningen.
Maskininlärningsmodellen gör just denna jämförelse objektivt och transparent. I Mtechs lösning beräknas prognosen på två nivåer: först som en gårdsspecifik uppskattning, och därefter som en jämförelse med hur finländska gårdar i genomsnitt skulle ha fattat beslut om samma djur – som om hela Finland vore en gemensam besättning. Varje gård har sina egna arbetssätt och förutsättningar, vilket återspeglas i besluten. Jämförelsen gör dessa synliga och ger lantbrukaren möjlighet att bedöma om den egna beslutsmodellen skiljer sig från andras – och om det är motiverat.
MjölkEkonomi-tjänsten kommer att erbjudas för testanvändning till alla Maito Pro-kunder.
Digitalisering inom jordbruket är inte en trend – det är konkurrenskraft
Klimatförändringar, kostnadstryck och ökade krav på transparens och hållbarhet ställer växande krav på mjölkgårdar. Samtidigt erbjuder tekniken verktyg som tidigare generationer inte hade.
Artificiell intelligens och maskininlärning är inte i sig lösningar på alla problem. Effektiv användning kräver högkvalitativ data, kontinuerlig uppdatering av modeller och en användare som utnyttjar resultaten. Men i bästa fall möjliggör de något som ingen människa klarar ensam: att samtidigt utvärdera alla relevanta variabler och därigenom stödja bättre beslut – varje dag, på varje gård.
Artificiell intelligens kommer inte att ersätta djurägarens yrkesskicklighet. Den kommer att förstärka den.
