A tomada de decisão baseada em Inteligência Artificial (IA) na análise de dados é fundamental nos dias de hoje, pois reduz o achismo e aumenta a precisão nas escolhas. Esse critério é, especialmente, importante em ambientes incertos ou altamente competitivos que, com a gestão dos dados em mãos, é possível identificar gargalos, otimizar processos e alocar recursos de forma mais inteligente, tornando os manejos mais objetivos e eficazes.

As análises históricas e preditivas ajudam a identificar padrões de comportamento no mercado da suinocultura, o que facilita a criação de estratégias mais alinhadas com a realidade. Ao entender profundamente os dados, é possível desenvolver novos produtos, serviços ou soluções mais relevantes, com base em necessidades reais. Dessa forma, com decisões embasadas em dados de pesquisa, é possível medir os resultados com mais clareza, aprender com erros e acertos, e ajustar estratégias com agilidade, facilitando o convencimento das partes interessadas.

Os algoritmos de machine learning é um ramo da IA com capacidade de fornecer previsões e insights por meio da análise de grandes conjuntos de dados que resultam em informações e auxiliam na tomada de decisão. As características de interesse incorporadas aos códigos são capazes de realizar a predição e lidar com investigações complexas de forma eficaz, a qual depende de tecnologias para tratar grandes conjuntos de dados, conhecido como big data.

Fotos: Shutterstock

As relações entre o monitoramento da temperatura do ambiente e os impactos sobre o consumo e desempenho na tomada de decisão, por meio de IA nas análises de dados e do uso de algoritmos, vem sendo estudado para entender, com mais detalhes, como os serviços técnicos podem auxiliar no melhor aproveitamento de nutrientes pelos animais. Como o ambiente é, muitas vezes, diferente das condições em que ocorre a seleção genética, além das mudanças climáticas, ocorre uma significativa barreira para atender, de modo sustentável, como se dará o aumento de produção global da carne suína, necessitando ser mais bem estudada a relação com o ambiente, para que ocorra hiperprodutividade dos animais.

Controle ambiental

Os suínos mantêm sua temperatura corporal relativamente constante em uma certa zona de conforto térmico (ZCT). Contudo, os resultados dos algoritmos computacionais acusam que a variação de 5°C acima ou abaixo impacta diretamente o consumo de ração diário e dos nutrientes, para que o animal consiga alcançar o peso esperado ao final do alojamento.

A variação de temperatura do ambiente possui uma correlação negativa de 60% sobre o consumo de ração na fase de creche e, por consequente, também em nutrientes como a lisina digestível, fósforo disponível e de energia metabolizável. Isto é, conforme ocorre a oscilação de temperatura abaixo da zona de conforto térmico (ZCT) constatou-se, por meio dos algoritmos de machine learning, que os suínos precisam aumentar o consumo de ração para ajustar as quantidades diárias destes nutrientes e, dessa forma, atingir o peso esperado ao final da fase.

Na prática, quando sabemos o verdadeiro impacto do ambiente no consumo e desempenho dos suínos, torna-se possível tomar medidas antecipadas de controle ambiental, ajuste de densidade animal ou fornecimento de ração mais concentrada nos dias mais quentes, bem como o uso de gestão de dados para fazer predições de desempenho por meio dos algoritmos de machine learning.

Pesquisas corroboram com o fato de que, em baixas temperaturas e alta umidade relativa, os suínos geram calor por meio do aumento do metabolismo basal e ocorre o efeito térmico da alimentação por meio de maior consumo de nutrientes. Por outro lado, em altas temperaturas e baixa umidade relativa, utilizam o mecanismo de regulação para dissipar calor ao ambiente, prevenindo o excesso de calor corporal e reduzindo o consumo de ração.

A relação entre a temperatura do meio ambiente e o consumo dos nutrientes pode ser prevista, indiretamente, usando parâmetros ambientais e relacionados ao crescimento dos animais, concentrando-se principalmente em correlação linear, path analysis, regressão linear e/ou múltipla, regressão stepwise, análise fatorial, análise de componentes principais (ACP), redes neurais artificiais (RNAs) e estatística bayesiana, dos quais se assume uma relação linear e não-linear, a depender da característica de interesse ​​e o impacto da temperatura ambiental sobre a mesma.

Essas metodologias reduzem o número de características necessárias para a entrada dos dados aos algoritmos de machine learning e predição do consumo de nutrientes, permitindo análises mais robustas e abrangentes o suficiente para realmente mostrarem as interações entre as condições ambientais, como a temperatura, desempenho em ganho de peso diário (GPD) e peso corporal esperado e, consumo dos animais, principalmente de lisina digestível e fósforo disponível, bem como de energia metabolizável (EM).

Os algoritmos de machine learning conseguem inferir que, leitões alojados em temperaturas entre 5 e 10°C abaixo da zona de conforto térmico afeta, principalmente, a primeira e segunda semana na fase de creche, momento em que os animais estão em período de adaptação no pós-desmame e necessitam de maiores cuidados de aquecimento das baias (Figura 1). Ainda, pode-se verificar o aumento em 9,7% na exigência de fósforo disponível para suprir a necessidade de alcançar o peso final esperado e garantir o consumo de ração diário semelhante aos planos nutricionais estabelecidos pelos nutricionistas.

Figura 1 – Resposta dos algoritmos de machine learning de consumo diário de ração nas duas primeiras semanas de alojamento na fase de creche abaixo da zona de conforto térmico.

Por outro lado, devido à redução do consumo de ração em animais alojados em temperatura acima de 30°C nas fases de Recria e Terminação, aumenta-se, em média, 5,4% da exigência de lisina digestível para que, dessa forma, o animal alcance o peso corporal esperado (Figura 2). Consequentemente, resulta-se em aumento de custo de produção em nutrição para os animais por exigir que o animal consuma maior quantidade de proteína na dieta para compensar a redução de consumo de ração diário.

Figura 2 – Relação da exigência de fósforo disponível para leitões na primeira semana pós-desmame alojados em temperaturas entre 5 e 10°C abaixo da zona de conforto térmico.

Para suínos em fase de terminação, com peso vivo entre 90 e 130 kg, expostos a temperaturas acima de 30°C, o aumento da lisina digestível na dieta pode mitigar os efeitos negativos do estresse térmico (Figura 3). Os impactos do estresse térmico nessa fase ocorrem por meio de redução do consumo de ração, prejudicando o crescimento, menor deposição de carne magra na carcaça, uma vez que o desvio de energia para dissipação de calor reduz a eficiência na conversão alimentar e aumento da conversão alimentar, uma vez que o animal aumenta o consumo de ração para manter o peso corporal, reduzindo o GPD e aumentando a conversão alimentar (CA).

Figura 3 – Relação da exigência de lisina digestível para cevados alojados na fase de recria em temperatura acima de 30°C.

Em caso de redução do consumo de nutrientes, a taxa de crescimento na fase de recria e terminação também é reduzida, resultando em um aumento da conversão alimentar. Por outro lado, quando os nutrientes são fornecidos em excesso à necessidade, estes contribuem para o aumento da excreção e redução de uma produção sustentável.

Em suínos durante a fase de crescimento, a eficiência metabólica de retenção de lisina digestível é, aproximadamente, 72% e, no período de engorda, a eficiência em animais, consumindo duas rações em fase de terminação, é de apenas cerca de 45%. Assim, melhorar a eficiência do uso de nutrientes requer melhorar também a digestibilidade e fornecê-los, ao longo do tempo, o mais próximo possível das necessidades individuais dos animais, a fim de limitar seu excesso ou escassez de oferta dos nutrientes.

O consumo de ração e o GPD de suínos em fase de recria e terminação diminui com o aumento da temperatura a partir de 20 °C. Além disso, os efeitos impactam ainda mais com o aumento do peso corporal dos suínos (Figura 4).

Figura 4 – Resposta dos algoritmos de machine learning sobre suínos na fase de Terminação quando alojados em temperaturas acima de 30°C.

Dessa forma, as mudanças nas necessidades nutricionais e o aumento da temperatura média ao longo dos últimos anos, bem como a variabilidade individual em suínos, influenciam a eficiência da utilização de nutrientes e, tais variabilidades, devem ser consideradas para predizer as necessidades nutricionais com maior precisão.

Considerando que o objetivo da maior precisão na nutrição de suínos é desenvolver sistemas em IA capazes de estimar e fornecer, no momento certo, uma ração com quantidade e composição adaptadas às necessidades diárias de cada ração a ser consumida pelos animais, a melhoria da eficiência alimentar e nutricional torna-se uma questão fundamental para a sustentabilidade em sistemas de produção de suínos.

O acesso à edição digital do jornal Suínos é gratuita. Para ler a versão completa online, clique aqui. Boa leitura!