Så tränar lantbrukare AI att känna igen sjuka djur

Att upptäcka sjukdomar hos djur i tid är avgörande för både djurvälfärd, ekonomi och ett hållbart lantbruk. Därför börjar allt fler lantbrukare använda artificiell intelligens, AI, som ett extra verktyg i den dagliga djurhållningen. Genom kameror, sensorer och avancerad dataanalys kan tekniken lära sig att identifiera förändringar i djurens beteende, rörelsemönster och utseende som kan tyda på att något är fel. Men AI blir inte automatiskt bra på att skilja ett friskt djur från ett sjukt. Systemen måste tränas med stora mängder noggrant insamlad data. Frågan är hur denna träning går till och hur tekniken kan användas praktiskt på gården.

Så samlas data in från djuren

För att artificiell intelligens ska kunna upptäcka sjukdomstecken måste den först få tillgång till stora mängder information om hur friska och sjuka djur beter sig. På lantbruk används därför kameror, mikrofoner, rörelsesensorer och andra tekniska system för att samla in data under djurens vardag. Informationen kan handla om allt från hur mycket ett djur äter och dricker till hur det rör sig, vilar och umgås med andra djur. Genom att samla in uppgifter över tid går det att skapa en bild av vad som är normalt för just den djurgruppen.

Kameror följer djurens beteende

Kameror är ett av de viktigaste verktygen när AI-system ska tränas för att känna igen avvikelser. De kan placeras i stallar och registrera djuren kontinuerligt utan att lantbrukaren behöver observera varje individ manuellt. Bildanalysen kan exempelvis identifiera förändringar i kroppshållning, gång, rörelsemönster eller hur ofta ett djur lägger sig och reser sig. Även små förändringar kan vara intressanta, eftersom ett djur ibland börjar bete sig annorlunda innan tydliga sjukdomssymtom syns. Kamerorna ger därmed AI-systemet ett omfattande underlag att arbeta med.

Andra sensorer kan komplettera kamerabilderna med information som inte går att se med blotta ögat. Halsband, öronmärken eller andra uppkopplade enheter kan registrera exempelvis rörelse, aktivitet och i vissa system även kroppstemperatur. Foderautomater och vattenstationer kan samtidigt mäta hur ofta och hur mycket djuren äter eller dricker. När dessa uppgifter kombineras blir bilden mer detaljerad. Ett djur som plötsligt rör sig mindre, äter mindre och tillbringar ovanligt mycket tid liggande kan då skilja ut sig från sitt normala mönster.

Människor behövs för att märka datan

AI kan inte själv förstå vad all insamlad information betyder. För att systemet ska lära sig krävs därför data som har kopplats till verkliga observationer. När en lantbrukare eller djurhälsopersonal konstaterar att ett djur är sjukt kan informationen användas för att märka den aktuella datan. På motsvarande sätt behöver systemet få många exempel på friska djur. Det gör att AI kan jämföra olika situationer och gradvis identifiera mönster som är förknippade med sjukdom eller andra avvikelser.

Det är också viktigt att träningsmaterialet är varierat. Djur kan bete sig olika beroende på ålder, ras, miljö, temperatur, foder och tid på dygnet. Om AI bara tränas på en begränsad typ av data riskerar systemet att fungera sämre när förhållandena förändras. Därför behöver lantbrukare och forskare samla information från många djur och under olika omständigheter. Exempel på uppgifter som kan vara värdefulla är:

• Förändringar i rörelse och gång.

• Minskad eller förändrad foderkonsumtion.

• Förändrat drickande och vilobeteende.

• Avvikande socialt beteende.

• Synliga förändringar i kropp eller hållning.

När tillräckligt mycket data har samlats in kan den användas för att träna en AI-modell. Modellen letar efter statistiska samband mellan olika observationer och kända sjukdomstillstånd. Det innebär inte att AI lär sig sjukdomar på samma sätt som en veterinär gör. I stället lär den sig känna igen återkommande mönster i datan. Ju bättre och mer representativt underlaget är, desto större möjlighet har systemet att upptäcka avvikelser som annars riskerar att gå obemärkta förbi.

Så lär sig AI att upptäcka sjukdomstecken

När data har samlats in börjar själva träningsprocessen. AI-systemet får då tillgång till exempel där det framgår vilka beteenden eller observationer som hör ihop med friska respektive sjuka djur. Genom maskininlärning analyserar modellen stora mängder information och försöker hitta återkommande samband. Det kan exempelvis handla om att ett visst rörelsemönster ofta uppträder före en sjukdom. Modellen behöver inte få en färdig regel för varje situation. I stället identifierar den själv statistiska mönster som kan användas när nya observationer kommer in.

Träningen bygger på många exempel

En central del är att AI:n får möta både normala och avvikande situationer. Om ett system bara tränas på sjuka djur skulle det ha svårt att förstå vad som faktiskt är normalt. Därför används stora mängder data från friska djur som jämförelse. Modellen kan sedan lära sig att ett visst beteende är vanligt hos friska individer men ovanligt när ett djur börjar må dåligt. På så sätt byggs en statistisk modell av djurens normala beteende. Avvikelser kan därefter upptäckas automatiskt när nya data analyseras.

Träningsprocessen behöver dessutom testas noggrant. En del av datamaterialet kan användas för själva träningen, medan annan data sparas för att kontrollera hur väl modellen fungerar på information som den inte har sett tidigare. Det är viktigt eftersom en AI-modell annars kan bli alltför anpassad till just det material den tränats på. Ett system som fungerar bra i ett stall behöver inte automatiskt fungera lika bra i ett annat. Därför behöver modellerna valideras under realistiska förhållanden innan de används som beslutsstöd på gården.

AI letar efter förändringar över tid

En särskilt intressant möjlighet är att AI kan analysera förändringar hos samma individ över tid. Ett djur behöver inte vara uppenbart sjukt för att skilja sig från sitt normala beteende. Om det vanligtvis rör sig mycket men plötsligt blir mindre aktivt kan förändringen vara relevant. På motsvarande sätt kan en gradvis minskning av foderintaget vara en signal. Genom att följa individer kontinuerligt kan AI upptäcka sådana förändringar tidigare än om observationerna bara görs vid enstaka manuella kontroller.

Samtidigt måste AI-system kunna hantera osäkerhet. En avvikelse betyder inte automatiskt att ett djur är sjukt. Ett djur kan exempelvis röra sig mindre eftersom det vilar, är påverkat av vädret eller befinner sig i en annan situation än vanligt. Därför är målet vanligtvis inte att AI ensam ska ställa en diagnos. Systemet ska snarare identifiera djur eller situationer som behöver uppmärksammas. Veterinärmedicinsk bedömning och lantbrukarens erfarenhet är fortfarande viktiga när en faktisk sjukdom ska fastställas.

Modellen kan förbättras med nya observationer

När AI används i praktiken kan nya observationer bidra till att utveckla modellen ytterligare. Om lantbrukaren upptäcker att en varning var korrekt eller att ett djur faktiskt var friskt kan informationen användas vid fortsatt utveckling. Det skapar en återkopplingsprocess där systemets prestanda kan utvärderas och förbättras. Samtidigt måste datakvaliteten kontrolleras. Felaktiga observationer eller för få exempel på vissa sjukdomstillstånd kan annars göra modellen mindre tillförlitlig. En vältränad AI är därför resultatet av både teknisk utveckling och noggrant arbete med djurdata.

När tekniken blir ett verktyg på gården

När en AI-modell är tränad och testad kan den kopplas till de system som redan finns på gården. Kameror och sensorer fortsätter då att samla in information, medan AI analyserar materialet löpande. Om ett djur avviker från sitt normala beteende kan systemet skicka en signal till lantbrukaren. Det kan exempelvis vara en notis i en app eller en markering i ett digitalt övervakningssystem. På så sätt behöver lantbrukaren inte själv kontrollera varje individ hela tiden. Tekniken fungerar i stället som ett kontinuerligt stöd i det dagliga arbetet.

Varningar kan ge tidigare insatser

En av de största möjligheterna är att upptäcka problem tidigare. Många sjukdomar kan påverka djurets beteende innan tydliga fysiska symtom blir uppenbara. Om AI uppmärksammar att ett djur äter mindre, rör sig annorlunda eller isolerar sig kan lantbrukaren kontrollera individen närmare. En tidig upptäckt kan göra det möjligt att vidta åtgärder innan problemet förvärras. Det kan vara särskilt betydelsefullt i stora besättningar där det är svårt för en människa att följa varje djur lika noggrant under hela dygnet.

Tekniken kan också förändra hur lantbrukaren prioriterar sin tid. I stället för att försöka hitta avvikelser genom enbart manuella kontroller kan AI sortera fram de djur som behöver extra uppmärksamhet. Det innebär inte att de vanliga kontrollerna försvinner. Snarare kan de kompletteras med kontinuerlig övervakning. Lantbrukaren kan sedan undersöka djuret och bedöma situationen utifrån sin egen erfarenhet. Om det behövs kan veterinär kontaktas. AI fungerar därmed framför allt som ett beslutsstöd och inte som en ersättning för professionell djurhälsobedömning.

Tekniken ställer krav på tillförlitlighet

För att systemen ska vara användbara måste de ge relevanta varningar utan att skapa för många falska alarm. Om AI markerar nästan varje normal förändring som ett möjligt sjukdomstecken riskerar lantbrukaren att börja ignorera notiserna. Samtidigt kan en modell som missar många verkliga problem vara direkt olämplig som stöd för djurhälsan. Därför mäts bland annat hur känsligt systemet är för verkliga avvikelser och hur specifikt det är när det skiljer sjukdomstecken från normalt beteende. Balansen mellan dessa egenskaper är central.

Integrationen blir en del av vardagen

På en modern gård kan AI kopplas samman med flera olika informationskällor. Data från kameror, sensorer, foderstationer och andra system kan analyseras tillsammans. Det gör det möjligt att upptäcka samband som annars är svåra att se. Ett enskilt tecken behöver kanske inte vara särskilt betydelsefullt, men flera förändringar som uppträder samtidigt kan ge en tydligare signal. När tekniken integreras i det dagliga arbetet blir den därför inte bara ett separat övervakningsverktyg. Den kan bli en del av gårdens löpande arbete med djurhälsa, dokumentation och förebyggande åtgärder.

För lantbrukaren handlar användningen därför lika mycket om praktisk nytta som om avancerad teknik. Ett AI-system måste vara enkelt att använda, ge begriplig information och fungera under gårdens faktiska förhållanden. Det måste också finnas rutiner för vad som händer när en varning kommer. Om en signal leder till en kontroll av djuret och resultatet dokumenteras kan både lantbrukaren och systemutvecklarna få värdefull information. På så sätt kan tekniken successivt anpassas till verksamheten och bli ett mer träffsäkert stöd för den dagliga djurhållningen.