As Redes Neurais Artificiais (RNAs) foram desenvolvidas com intuito de simular matematicamente o comportamento de um neurônio biológico. Sua forma de conhecimento é representada em forma de aprendizagem através da experiência.
Constituindo uma das áreas da inteligência artificial, as RNAs são normalmente utilizadas nos problemas em que é necessário algum tipo de aprendizagem. Mas qual a viabilidade desta tecnologia na produção animal como um todo? Você saberá neste artigo, boa leitura!
O que é uma Rede Neural Artificial?
As redes neurais artificiais são, portanto, um algoritmo computacional de uma rede de neurônios artificiais. Um neurônio artificial é por outro lado um modelo matemático inspirado em um neurônio real (figura 1).
Os neurônios biológicos estão conectados em uma rede complexa e dinâmica. Estas redes biológicas de interconexões apresentam características desejáveis em sistemas artificiais, como por exemplo: exibem capacidade de aprendizado, não precisam ser programadas, possuem capacidade de ação paralela, ou seja, capaz de elaborar diversas ações ao mesmo tempo, são pequenas, compactas e dispersam limitada potência.
As características citadas no parágrafo anterior, podem ser desenvolvidas em algoritmos computacionais, utilizando-se de um modelo matemático que leva em conta os conexionismos (estudos da mente pelo ponto de vista computacional) para lidar com a manipulação de dados, resolvendo problemas complexos.
Para o processo de classificação artificial, faz-se necessário o desenvolvimento de modelos que permitam estabelecer o relacionamento entre a entrada de padrões de classificação (entradas), análise e processamento dessa informação e convergência para uma saída definida (saída).
De acordo com os estudos do pesquisador Ramos, a rede neural deve aprender a reconhecer padrões de entrada e definir a saída segundo classes definidas, ou seja, dado um determinado padrão de entrada, escolher em que categoria ele se enquadra melhor.
Como surgiram as RNAs?
Com o desenvolvimento dos primeiros computadores digitais o pensamento de que se podia desenvolver uma inteligência artificial por meio de operadores lógicos básicos era bastante aceito na época. Em 1958, Frank Rosenblatt propôs o conceito de aprendizagem em redes neurais.
Segundo Braga e outros autores, o modelo proposto por Rosenblatt, conhecido como perceptrons, era composto de uma estrutura de rede de neurônios MCP (McCulloch-Pitts) e uma regra de aprendizado. Esse modelo era composto por apenas uma camada e tinha como saída um valor binário.
O perceptron simples ou de única camada, é um discriminador, por conseguir apenas solucionar problemas cujo dados são linearmente separáveis no espaço de entrada (figura 2). Essa limitação desmotivou os estudiosos da época que sabiam da existência de RNAs de múltiplas camadas, mas não sabiam como treiná-las. Esse problema foi apenas solucionado em 1986 com a criação do algoritmo back-propagation.
Essa inexistência ou desconhecimento de um algoritmo de treinamento de redes neurais de múltiplas camadas foi uma das principais causas pela falta de interesse nos estudos de RNAs da década de 70. Minsky e Pappert publicaram um livro chamado “Perceptrons” onde provaram que RNAs de camada simples (única camada) somente podem resolver problemas linearmente separáveis.
Agora que você já sabe sobre RNAs de camada única, abordaremos mais sobre RNAs de múltiplas camadas, elas são responsáveis para resolução de problemas mais complexos
RNAs de múltiplas camadas tem poder computacional e matemático muito maior que redes neurais de camada simples. Com duas camadas escondidas (Figura 2), RNAs de múltiplas camadas podem resolver problemas de classificação linearmente separáveis ou não, podendo ser aproximado por uma rede neural artificial com apenas duas camadas escondidas.
Braga e outros autores e Haykin dizem que o poder de aproximação dependerá da arquitetura da rede e do número de neurônios em cada camada escondida.
O número de neurônios em uma RNA determina a sua capacidade de generalização, tanto quanto sua qualidade na resolução do problema. A determinação do número de neurônios depende da complexidade do problema, no entanto ainda não existem estudos que provem como deve ser feito essa distribuição de neurônios por camada.
Redes Neurais Artificiais na produção animal
Existem muitas pesquisas que mostram a viabilidade do uso de RNAs para modelar, predizer e classificar dados zootécnicos.
Em 2007 o pesquisador Brenneke, usou uma rede neural para a predição de proteína bruta e suas frações usando uma base de dados que incluiu variáveis como tamanho, cor das folhas, média da altura pré-pastejo, latitude e longitude, perfilho novos, perfilho remanescentes, etc. Neste trabalho, a partir de dados externos da planta, foi verificado que a RNA conseguiu estabelecer uma relação entre estas variáveis externas e seu conteúdo de proteína bruta.
De acordo com Ahmadi, Chen e outros autores, as redes neurais também foram usadas com sucesso em estudos aplicados em avicultura como previsão de qualidade de carcaça e avaliação da dieta de frangos de corte para estabelecer padrões que possam relacionar a qualidade do produto com o ambiente de criação e o alimento recebido.
Em estudos visando à previsão de mastite bovina, as redes neurais artificiais foram usadas como um sistema de diagnóstico precoce baseado em dados de monitoramento diário coletados durante as ordenhas e armazenados em uma base de conhecimento, detectando com antecedência o surgimento da mastite bovina nos animais em estudo, segundo estudo de Cavero, Heald e outros pesquisadores.
Na suinocultura também existem pesquisas recentes destacando-se o trabalho de Kevin e outros autores, que modelaram o odor em função de diversas variáveis do ambiente e assim conseguir atuar na granja no momento certo para controlar o odor exalado.
Na bovinocultura as RNAs têm sido usadas em diversos problemas e estudos como modelagem do rúmen, segundo estudos do Craninx e outros colaboradores e, de acordo com Arias e alguns pesquisadores, com estimativa de ganho de peso e no desenvolvimento de ferramentas que auxiliam e facilitam o trabalho no campo como, por exemplo, a rastreabilidade dos animais por meio de um leitor biométrico do focinho de bovinos que permite distinguir cada animal assim como a impressão digital em humanos.
Como aplicar a inteligência artificial na pecuária?
O uso de sistemas inteligentes na pecuária tem como objetivos essenciais aprimorar a criação de gado, aumentar a produção e, claro, reduzir os custos.
A tecnologia pode ajudar muito produtores, o uso de Inteligência Artificial (IA) já é realidade no setor, ela já é usada nos sistemas de gestão de fazendas, principalmente em propriedades que tem muitas cabeças de gado, área de pastejo extensa e vários funcionários. A agropecuária de precisão junto com a inteligência artificial na pecuária, pode ajudar automatizando todos os processos na engorda do rebanho.
No pasto também são usados equipamentos inteligentes para monitorar as variações climáticas, condições do solo com objetivo de ajustar a oferta de forragem para os animais criados a pasto. Para monitorar o comportamento e o bem-estar dos animais, o uso de IA também tem contribuído muito. Enfim, são inúmeros os benefícios dessa tecnologia para a pecuária como um todo.
No atual estágio de desenvolvimento das RNAs, há muitas aplicações, mas em todas estas existem um fator dominante e que em momento algum pode ficar de fora do sistema inteligente.
Este fator é o especialista, profissionais da área de ciências agrárias, os únicos capazes de fazer com que o poder da inteligência artificial seja usado para melhorar a nossa produção de mantimentos de origem animal e, é ele que deve buscar a multidisciplinaridade trabalhando em conjunto em áreas como a instrumentação eletrônica e a computação, para cada vez mais aprimorar a forma como resolvemos problemas complexos na área de zootecnia.
Se você gostou deste texto e busca as melhores opções de inovação para melhorar o desempenho dos seus animais, conheça o MPasto, produto com tecnologia exclusiva da Mosaic Fertilizantes.
Artigo escrito por Sabrina Coneglian | Especialista em Inovação e Desenvolvimento de Mercado – FEED
Mosaic Fertilizantes
