Pig data, porcicultura de precisión

Los grandes datos recopilados en granjas pueden transformarse en información útil para mejorar la toma de decisiones y maximizar la productividad. Un sistema de gestión porcina que consta de herramientas (software y dispositivos), con un protocolo y procedimientos operativos estándar, puede generar la información necesaria para el proceso de toma de decisiones.

Las nuevas tecnologías, como los alimentadores electrónicos y los sistemas de inteligencia artificial que capturan grandes datos, proporcionarán una mejor comprensión de los requisitos y el comportamiento de los animales, aumentando la eficiencia y la sostenibilidad.

La bioseguridad se puede mejorar utilizando dispositivos de rastreo para el personal de la granja, registrando movimientos en tiempo real para disminuir los riesgos de enfermedades y, en consecuencia, mejorar la salud y el rendimiento productivo.

Introducción
El presente trabajo aborda el uso de datos para mejorar la toma de decisiones y la productividad de la granja, uno de los aspectos que ha generado más interés en la producción porcina en los últimos años. En la revisión actual, se han revisado las limitaciones de la gestión de datos y las estrategias desarrolladas recientemente en este sector, junto con la necesidad de nuevas tecnologías y su uso en la evolución del concepto de ganadería de precisión. Se destaca la importancia de los datos tradicionales orientados a los animales junto con los datos orientados al medio ambiente.

Limitaciones de la gestión de datos actuales en la producción porcina
En las últimas tres décadas, los datos utilizados por los agricultores han sido limitados. La mayoría de las actividades eran básicas y se centraban principalmente en la gestión de las tareas agrícolas, con capacidad limitada para el análisis. Se centraron en los datos reproductivos de las cerdas, que consistían en recopilar datos sobre el apareamiento, el parto y el destete para generar listas de trabajo (cerdas para destetar, partos o parejas; controles de embarazo y vacunaciones) o resúmenes básicos de producción. Estos, en el mejor de los casos, incluyeron el impacto de ciertas variables explicativas, como la paridad, el destete al intervalo del estro o los porcentajes de repetición entre otros. En el post-destete (vivero-cultivo-acabado), los informes más comunes utilizados fueron el peso corporal, el consumo de alimento, la eficiencia del alimento y la mortalidad por lotes. La integración de datos de diferentes fuentes (matadero, laboratorio, reproducción, salud o uso de medicamentos) fue difícil y rara (MAPAMA, 2019) y, por lo tanto, de poco valor para generar conocimiento para la toma de decisiones estratégicas. Otro aspecto que se puede mejorar es la cantidad limitada o la falta de servicios de soporte de datos que generan valor y promueven la transformación digital en el sector porcino.

El uso de datos en cultivos agrícolas ha aumentado exponencialmente en los últimos años. Sin embargo, su uso en el ganado es todavía limitado. En cerdos, la recopilación de datos no ha cambiado durante muchos años y el análisis aún se centra en los principales indicadores clave de rendimiento reproductivo, como la tasa de partos, el número de servicios de repetición, el número total de lechones nacidos vivos, nacidos muertos, momificados, destete al primer intervalo de servicio , y mortalidad pre-destete. En la práctica, no se han utilizado otros tipos de datos, como el ambiente o el matadero, o los datos de las estaciones de alimentación, excepto para crear alertas simples, como la detección de temperaturas fuera del alcance o cerdas que no han comido.

Entre las razones de este lento progreso se encuentran el bajo valor agregado percibido por los productores, los buenos márgenes que durante años impidieron la necesidad de mejoras basadas en el análisis de datos, la escasez de profesionales con una sólida educación integral en la gestión de datos agrícolas o la falta de herramientas. Adaptado al sector para facilitar el proceso de extracción de valor, benchmarking y seguimiento. Además de estas cuestiones, las empresas que fabrican equipos y software agrícolas que generan datos no facilitaron su extracción y uso.

La mayoría de los productores utilizan algún tipo de software de administración para tareas de administración básicas, pero no utilizan los datos en todo su potencial. Este software debe ser solo una parte de un sistema de información integrado. La mayoría de los programas de software pueden ejecutar tareas básicas para la administración de fincas, incluidas tarjetas de siembra, listas de trabajo y un resumen general de producción. Sin embargo, estos programas fallan cuando se necesitan informes más sofisticados, incluidos los análisis específicos relacionados con el tipo de pérdidas de gestación, los reproductores repetidos, los patrones de mortalidad previos al destete o el cálculo de días no productivos.

Una limitación importante de la mayoría de los paquetes de software existentes es la incapacidad de crear nuevas variables, que es una limitación extraordinaria cuando surgen nuevos conceptos o problemas y deben analizarse e integrarse adecuadamente en el sistema de producción. La mayoría de los programas de software también se diseñaron para uso en granjas individuales, sin permitir la fusión de datos de diferentes granjas. Además, los agricultores y los veterinarios no están adecuadamente capacitados sobre cómo usar y maximizar los sistemas de gestión de datos.

Los cinco pasos en un nuevo sistema de manejo de cerdos
En general, los sistemas de gestión de datos porcinos capaces de satisfacer todas las necesidades de los productores y consultores han sido poco frecuentes en la industria. La idea de tener un software específico, principalmente para cerdas reproductivas, ha sido ampliamente aceptada en el sector durante muchos años. Algunos servicios se ofrecieron en este campo desde principios de la década de 1990, incluidos el ingreso de datos, la evaluación comparativa y el análisis descriptivo. No era inusual tener diferentes paquetes de software en la misma compañía, lo que generó un problema de coherencia, ya que cada uno estaba realizando su distribución correcta y puntual de los informes a cada función y el flujo de información para la toma de decisiones no era óptimo.

Sobre la base de la experiencia de las últimas tres décadas, los autores han definido un sistema de gestión de cerdos como "Un sistema compuesto de herramientas (software y dispositivos) que junto con un protocolo y procedimientos de trabajo, incluidos los roles de los usuarios, pueden generar la información necesaria. para disminuir el riesgo y las incertidumbres en la toma de decisiones ”. Este sistema tiene cinco pasos  independientemente del tamaño y las características de la empresa que lo usa.

Paso 1: Recopilación de datos
Los datos son la materia prima del sistema y pueden provenir de insumos humanos o sensores-robots. Hasta ahora, los datos consistían solo en números, pero el sector se está acercando más al uso de imágenes (detección de enfermedades basada en patrones de movimiento alterados, órganos y lesiones tisulares para diagnósticos de presunta enfermedad, smaRt Suite Ro-main, Inc., Quèbec, Canadá) y sonidos (dificultad respiratoria detectada por las conversaciones sonoras).

Paso 2: Procesamiento de datos
El procesamiento de los datos está relacionado con la manipulación de los datos, incluidas varias tareas como la validación, clasificación o agregación, la gestión de valores atípicos y los datos faltantes. El objetivo es la correcta configuración de las bases de datos que permita la generación adecuada de información, superando los problemas de interoperabilidad (intercambio de datos entre sistemas).

Paso 3: Informes
Producir el tipo de informes necesarios para la granja o compañía en todos los niveles es una tarea importante. Cada granja o empresa debe decidir si las tarjetas o listas de trabajo de la cerda (p. Ej., Las cerdas se deben aparear o vacunar) o el análisis de regresión multivariable para definir el valor óptimo de un determinado indicador clave de rendimiento (p. Ej., La edad de la primera pareja considerando varias variables). la información necesaria de todos los niveles de trabajo (personal de la granja, administrador de la granja, veterinario, director técnico, junta directiva o directores ejecutivos), sin olvidar que esto podría ser técnico, económico o una combinación de ambos.

Paso 4: Distribución
El objetivo de este paso es enviar la información correcta a la persona correcta en el momento adecuado. Este paso no se realiza correctamente en muchos casos y es una razón pasada por alto para la infrautilización de los datos. A veces, la información llega tarde y es inútil (es decir, que las cerdas hipo-productivas se eliminen si el informe llega después del apareamiento), o es demasiado compleja para el personal de la granja o demasiado básica para los veterinarios o gerentes. Las preferencias del usuario también deben considerarse y pueden incluir varios tipos (archivos electrónicos, mensajes de texto o aplicaciones web).

Paso 5: Análisis y toma de decisiones
La información debe ser legible y entendida por el destinatario, y el destinatario debe tener tiempo suficiente para tomar decisiones clave. Hasta ahora, las analíticas apuntaban a ser principalmente explicativas, pero debido a la cantidad de datos de calidad disponibles, la analítica predictiva se está convirtiendo en un paso clave. El uso de inteligencia artificial como el aprendizaje automático (una aplicación que proporciona sistemas con la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente) o redes neuronales artificiales (un paradigma de procesamiento de información inspirado en la forma en que los sistemas nerviosos biológicos procesan la información). ) se esta expandiendo.

Siguiendo estos cinco pasos se establecerá un sistema de información robusto que respalde tanto la eficiencia de producción como los estándares de calidad requeridos.

La necesidad de nuevas tecnologías
En la última década, el marco global productivo ha ido cambiando. Se han desarrollado nuevas tecnologías de la información y la comunicación en todos los sectores y están llegando a los sistemas de producción ganadera. Estos incluyen conexión inalámbrica (3G / 4G, Wi-Fi, satélite), potentes dispositivos móviles (teléfonos inteligentes y tabletas), sensores y computación en la nube. En este escenario, la generación, el procesamiento y el uso de los datos es más fácil que nunca. Además, los productores se están dando cuenta de que su competitividad depende del uso adecuado de los datos para apoyar la toma de decisiones, tanto para las decisiones diarias como para las decisiones estratégicas.

La genética porcina moderna exige un mayor grado de comprensión de sus capacidades para optimizar el rendimiento en condiciones comerciales. Captura de datos del período de adaptación de las primerizas, la edad para el primer apareamiento, la optimización del rendimiento de por vida (Iida et al., 2017), las causas del sacrificio temprano, la calidad de los lechones (lechones pequeños o crecimiento intrauterino), las mortalidades y los patrones de mortalidad ( Tani et al., 2017), así como los patrones de alimentación y alimentación (Koketsu et al., 1996a, 1996b) son fundamentales para maximizar el potencial del animal. Sin el uso adecuado de los datos generados en la granja, es difícil extraer todo su potencial. Estos datos son de gran interés para las empresas genéticas que pueden usarlos en sus procedimientos de selección de una manera más eficiente.

Los datos cuantitativos no deben ser el único foco, ya que los datos sobre criterios de calidad son un componente creciente de la competitividad. La calidad debe estar garantizada dentro de la cadena de producción de animales vivos, incluidos los requisitos como lechones con peso adecuado, homogeneidad adecuada para el engorde, libre de ciertas enfermedades o tratamientos con antibióticos, asegurando el estado de bienestar y ciertas prácticas de alimentación (por ejemplo, dietas exclusivamente vegetales). Esta alta demanda de alta eficiencia y calidad no se puede lograr en un modelo de producción tan complejo y sofisticado como el sistema de producción porcina actual sin el uso adecuado de la información generada.

Precisión Ganadería
Según lo descrito por Wathes et al. (2008), el concepto de “ganadería de precisión”, puede definirse como “la gestión de la producción ganadera utilizando los principios y la tecnología de la ingeniería de procesos”, y es el principal medio por el cual se utilizarán sensores o robots “inteligentes” en ganadería. La ganadería de precisión también se conoce como "sistemas de gestión integrada" y se basa en el monitoreo automático del ganado y los procesos físicos relacionados.

Este concepto aborda algunas de las deficiencias en la generación y procesamiento de datos y ha convergido con la tendencia mundial hacia la digitalización de muchos productos y servicios. El desarrollo del concepto de Agricultura Ganadera de Precisión permitió un escenario muy diferente para generar beneficios a partir de la información generada en el sector en los últimos cinco años.
Monitoreo basado en modelos

El concepto de monitoreo basado en modelos se ilustra en la Figura 2. Como describió Jensen (2016), los sensores recopilan datos de un sistema físico con respecto a diagnósticos, estado de salud relevante o comportamiento. Después de la recopilación, estos datos sin procesar (sin procesar) alimentan varios modelos que deberían ser capaces de generar alarmas con respecto a eventos que ya han ocurrido (detección) o que es probable que ocurran (advertencia). Estas alarmas se pueden combinar con procedimientos operativos estándar para asesorar al agricultor sobre qué medidas tomar.

Los datos que generalmente se recopilan en sistemas de ganadería de precisión se pueden dividir en dos categorías, a saber, datos orientados a los animales y datos orientados al medio ambiente. Como resumió Jensen (2016), los datos orientados a los animales se refieren a medidas cuantitativas del comportamiento de los animales o sus características fisiológicas, como el crecimiento, las enfermedades, el comportamiento o la reproducción de los animales. Los datos orientados al medio ambiente se refieren a mediciones cuantitativas del entorno al que están expuestos los animales, como la temperatura del aire, la humedad relativa, el flujo de agua o las emisiones de gases contaminantes.

Hasta la fecha, la atención se ha centrado en el estudio de procesos individuales, datos animales o ambientales, con una consideración limitada de sus interacciones. En este sentido, los sensores conectados son cada vez menos costosos y los datos individuales de animales y del entorno se pueden recopilar más fácilmente a través de múltiples dispositivos conectados, lo que permite un análisis preciso en tiempo real y, en consecuencia, una mejor toma de decisiones.

Datos orientados a los animales
Los datos orientados a los animales pueden ser recopilados por humanos, la fuente más importante hasta ahora, o por robots, principalmente de sistemas de alimentación electrónica. Otras fuentes también están apareciendo en el mercado. Estas son, por ejemplo, imágenes que pueden procesarse y analizarse para diferentes propósitos, incluida la detección de enfermedades, el comportamiento y los cálculos de peso.

Recolección de datos realizada por humanos
Los datos reproductivos han sido la principal fuente de datos tradicionalmente recopilada (Tokach et al., 1992; Koketsu et al., 1997a, 1997b). En este sentido, los primeros sistemas de recolección de datos, que fueron promovidos por universidades (como el software PigCHAMP: [Pig Computerized Health and Management Program], creado originalmente por la Universidad de Minnesota), generaron productos sólidos con un fuerte componente técnico.

Por ejemplo, permitieron mejorar la comprensión de algunos indicadores clave de rendimiento que no se utilizaron en ese momento (como el destete al primer intervalo de servicio, los tipos de abortos, la repetición del estro o los tipos de mortalidad predestetizante). Otra característica de este sistema de recolección de datos inicial fue la posibilidad de generar servicios alrededor del paquete de software.

Estos incluyen el servicio de entrada de datos o el servicio de oficina, la evaluación comparativa y la priorización de la atención de la granja. Además, la publicación de artículos científicos de calidad de primera clase basados en grandes bases de datos permitió a los científicos describir y explicar diferentes efectos y establecer estándares por primera vez. Los resultados obtenidos después del primer análisis de un gran conjunto de datos realizado por la Universidad de Minnesota mostraron el extraordinario potencial que estaba oculto en grandes bases de datos más allá del análisis de fincas individuales o grupos pequeños (PigCHAMP DATASHARE, 1996, 1997, 1999, 2000).

Además, al ser una institución académica, la información estaba disponible para el público, que generalmente no es ofrecida por empresas privadas. Hasta entonces, las únicas compañías que tenían sistemas similares eran las compañías genéticas, que obviamente usan sus datos para propósitos de la empresa más que en interés de los agricultores. Ocasionalmente, se utilizan algunos datos finales, principalmente relacionados con el rendimiento productivo y la salud.

En este sentido, es importante mencionar que los datos de salud (prevalencia de la enfermedad y tratamientos) se recopilaron de manera generalizada (tasa de mortalidad total en un grupo de lechones de cerdos en fase final), pero sin especificar las causas o los puntos de tiempo que permitieron a los recolectores saber. La dinámica de cada una de las enfermedades.
Recolección de datos realizada por robots y sensores.

Comportamiento del estro
Los datos recopilados de los sensores con respecto a la reproducción se han presentado recientemente para detectar el mejor momento para la inseminación de cerdas. En este contexto, varios estudios han demostrado que el momento ideal para la inseminación de cerdas es 24 h antes de la ovulación (Soede et al., 1995; Nissen et al., 1997; Almeida et al., 2000). Sin embargo, la variabilidad entre los animales es grande, y aunque el estro suele durar entre 40 y 69 h, puede ser tan corto como 24 h (Soede y Kemp, 1997).

Además, la detección del estro se basa en observaciones visuales como vulva roja e inflamada, comportamiento creciente, gruñido característico, nerviosismo, secreción de moco y pérdida de apetito (Bonneville, 2002). Combinando la variabilidad de la cerda y la dificultad de detección del estro, con el fin de maximizar la fertilidad, los productores de cerdos generalmente inseminan una vez cada 24 h, mientras que la cerda muestra síntomas de estro.

Este método generalmente proporciona buenos resultados, siempre que se haya producido una buena detección del estro. Sin embargo, requiere la presencia de individuos expertos y múltiples dosis de semen (a menudo dos o incluso tres inseminaciones por estro). Como Labrecque y Rivest (2018) describieron recientemente, PigWatch es un sistema computarizado de manejo de inseminación artificial diseñado para predecir el mejor momento para inseminar cerdas recién destetadas.

Este sistema puede determinar el momento óptimo para la inseminación basado en el análisis de comportamiento de las cerdas. Consiste en sensores de movimiento instalados en la parte superior de cada puesto en el área de reproducción, un módulo de análisis de datos y una interfaz de usuario de software. Los sensores de movimiento permiten un monitoreo continuo y no intrusivo del comportamiento de la cerda al evaluar su nivel de actividad en tiempo real.

Además, como ya se sabe, el comportamiento de cada cerda es ligeramente diferente. Por lo tanto, los primeros 2 días después del destete se utilizan para aprender sobre el comportamiento normal de los animales cuando no están en celo. El algoritmo busca un aumento significativo de la actividad, que es característico del estro (Figura 3). A medida que se recopilan datos de comportamiento, el algoritmo analiza el patrón de actividad para predecir el mejor momento para reproducirse. Una vez que se completa la inseminación, el trabajador la registra en el software activando un interruptor en el sensor y todos los indicadores de solicitud de inseminación desaparecen.

Este sistema está diseñado para instalarse en granjas comerciales y tiene el potencial de disminuir la dependencia de mano de obra calificada, mejorar la reproducción, optimizar el mejor uso de los verracos y acelerar el mejoramiento genético. Estudios recientes (Labrecque y Rivest, 2018) utilizaron algoritmos especializados que consideran tanto el comportamiento de las cerdas como las observaciones de los trabajadores para predecir el mejor momento para la inseminación y al mismo tiempo mantener un buen rendimiento reproductivo.

Estos resultados demostraron cómo los grandes datos combinados con los algoritmos de inteligencia artificial, incluso en condiciones comerciales, pueden transformarse en información útil para mejorar la toma de decisiones en granjas porcinas.

Comidas alimentarias en cerdas gestantes
Otras variables notables, que pueden medirse en granjas de cerdos, es el comportamiento alimentario de las cerdas. Este comportamiento generalmente se monitorea usando un transpondedor de oído con identificación por radiofrecuencia (RFID) que identifica al animal individual en cada visita al comedero (Bornett et al., 2000). Slader y Gregory (1988) utilizaron un dispositivo combinado de alimentación / pesaje que registraba el tiempo de alimentación, la cantidad consumida y el peso vivo de los cerdos individuales alojados en un grupo.

Sin embargo, en los sistemas modernos, las cerdas preñadas se alojan en grupos y se alimentan individualmente con sistemas electrónicos de alimentación de cerdas. Gracias a estas tecnologías, es posible recopilar suficiente información para caracterizar el comportamiento alimentario de animales individuales (por ejemplo, la cantidad de alimento consumido, el tiempo dedicado a comer o el tiempo preferido para comer de cada cerda).

Carlos Piñeiro Joaquín Morales María Rodríguez María Aparicio Edgar García Manzanilla Yuzo Koketsu