Wat als iedere zeug 24/7 opgevolgd wordt?

Een ervaren varkenshouder ziet veel. Een zeug die minder vlot beweegt, afwijkend gedrag vertoont of richting bronst gaat, valt vaak op voordat er echt iets aan de hand lijkt. Maar niemand kan iedere zeug op ieder moment van de dag observeren.

Op een gesloten zeugenbedrijf in Nederland krijgen we sinds kort hulp bij die opdracht. Daar werd D-Care geïmplementeerd, een systeem waarbij zeugen via een sensor in het oor continu opgevolgd worden. De technologie registreert onder andere beweging en temperatuur en gebruikt artificiële intelligentie om die gegevens te interpreteren in functie van het dier en de fase waarin het zich bevindt.

Voor ons is vooral de volgende stap interessant. Niet hoeveel data zo'n sensor kan verzamelen, maar wat we ermee kunnen doen. Kan technologie ons helpen om afwijkingen eerder te zien? Kunnen we onze aandacht gerichter verdelen? En kunnen we uiteindelijk ingrijpen voordat een klein signaal een gezondheidsprobleem wordt?

Een sensor als extra paar ogen

AI is niet nieuw in de veehouderij. Sensoren, camera's en managementsoftware verzamelen al langer gegevens over dieren en hun omgeving. Met D-Care verschuift die monitoring naar het individuele dier.

De zeug krijgt een D-Tag in het oor. Het oornummer bestaat daardoor uit twee delen: aan de buitenzijde blijft het eigen volgnummer zichtbaar, terwijl het binnenste gedeelte de sensor bevat.

In de stal hangen verschillende gateways die de signalen van de tags opvangen. Zo kan het systeem niet alleen gegevens van een zeug verzamelen, maar ook bepalen waar het dier zich ongeveer bevindt.

Die informatie wordt vervolgens gekoppeld aan AgroVision, het managementsysteem van het bedrijf. Daarin zit extra context die nodig is om de sensordata betekenis te geven. Wanneer heeft een zeug geworpen? Wanneer werd ze gespeend? In welke reproductiefase bevindt ze zich? Een groot deel van die informatie wordt op dit moment, toegegeven, nog manueel ingegeven.

Een temperatuurmeting op zichzelf zegt immers weinig. Een temperatuurverandering bij een zeug waarvan we weten waar ze zich in haar cyclus bevindt, wordt plots veel interessanter.

AI moet eerst leren wat normaal is

De implementatie gebeurt momenteel op één bedrijf dat klant is bij DAP De Linde. Niet omdat het om een testversie van het product gaat. D-Care is immers commercieel beschikbaar en wordt voortdurend verder ontwikkeld. Voor het specifieke bedrijf waarover we schrijven, is dit wel de eerste gelegenheid om te ontdekken hoe de technologie binnen de eigen werking past.

Daarom proberen we zo snel mogelijk voldoende dieren in het systeem te krijgen. Niet alleen nieuwe gelten krijgen een tag. Ook gespeende zeugen worden meegenomen, zodat uiteindelijk de volledige zeugenstapel zo snel mogelijk opgevolgd kan worden. Hoe meer gegevens het systeem immers verzamelt, hoe beter het individuele dieren en terugkerende patronen leert kennen.

Daarbij blijft menselijke feedback belangrijk. Wanneer het systeem bijvoorbeeld een combinatie van weinig beweging en een verhoogde temperatuur detecteert, kan daar een mogelijke afwijking aan gekoppeld worden. Vervolgens kunnen medewerkers controleren wat er werkelijk aan de hand is en in de applicatie aangeven of de interpretatie correct was. Zo ontstaat een wisselwerking. De technologie wijst de mens op iets opvallends en de mens geeft context terug aan het algoritme.

Gerichter kijken

Dat vinden we voorlopig misschien wel de belangrijkste meerwaarde. Een sensor vervangt de visuele controle niet. Wie dagelijks met dieren werkt, blijft gedrag, houding en gezondheid zelf beoordelen. De technologie voegt daar alleen een extra informatielaag aan toe. Dat helpt om aandacht te prioriteren.

Wanneer honderden dieren opgevolgd moeten worden, is niet iedere verandering onmiddellijk zichtbaar. Een systeem dat continu meet, kan medewerkers wijzen op een zeug die vandaag anders beweegt of waarvan de temperatuur afwijkt. Vervolgens kan iemand dat dier gericht controleren.

Dieren kunnen nu eenmaal niet vertellen dat ze zich anders voelen. Ze kunnen hun omgeving ook niet verlaten wanneer er iets niet klopt. Veranderingen in gedrag zijn daardoor een belangrijke informatiebron. Hoe vroeger we die opmerken, hoe sneller we kunnen beoordelen of actie nodig is.

Vooral rond bronst zien we interessante mogelijkheden

In de inseminatiestal wordt de combinatie tussen technologie en praktijkkennis bijzonder interessant. Het juiste moment rond bronst en eisprong zo nauwkeurig mogelijk bepalen blijft een vak apart. Gedrag geeft informatie, maar ook de lichaamstemperatuur verandert rond deze periode. Omdat de sensor continu meet, krijgen we daar een bijkomende reeks gegevens bij die met het blote oog onmogelijk, of toch lastig, te verzamelen is.

Dat betekent niet dat een app voortaan beslist wanneer een zeug geïnsemineerd moet worden. De medewerker blijft zelf controleren en beoordelen. Wel ontstaat er een extra controlemechanisme. Soms bevestigen de gegevens wat iemand in de stal ziet. Soms zetten ze net aan om een dier opnieuw te bekijken. Precies die combinatie vinden we interessant: ervaring verdwijnt niet door technologie, maar krijgt meer informatie om mee te werken.

Van individuele zeug naar volledige stal?

Daar ligt volgens ons ook een groot deel van het toekomstige potentieel. Vandaag kijken we voornamelijk naar gegevens van het dier zelf, zoals beweging, locatie en temperatuur. Maar een zeug leeft uiteraard niet los van haar omgeving.

Wat gebeurt er bijvoorbeeld wanneer we die individuele gegevens later ook koppelen aan:

• staltemperatuur
• ventilatiegegevens
• voeropname
• klimaatveranderingen
• technische bedrijfsresultaten

Dan wordt het mogelijk om verbanden te zoeken die vandaag moeilijk zichtbaar zijn. Misschien bewegen meerdere dieren minder wanneer een bepaalde klimaatomstandigheid optreedt. Misschien verandert gedrag al voordat een klassiek gezondheidsprobleem zichtbaar wordt. Dat zijn voorlopig vooral mogelijkheden. We moeten eerst voldoende praktijkervaring en data verzamelen voordat we daar harde conclusies aan verbinden.

Ook voor het team kan de data waarde krijgen

Nog een interessante ontwikkeling zit minder bij het dier en meer bij de mensen die ermee werken. Meerdere medewerkers kunnen dezelfde dieren via de applicatie opvolgen. Daardoor kijkt niet langer één persoon naar één momentopname, maar kan informatie doorheen de dag gedeeld worden.

Op termijn kan zo'n platform mogelijk ook een rol krijgen in de communicatie binnen het bedrijf. Een afwijking wordt vastgesteld, een collega controleert het dier en de opvolging blijft beschikbaar voor de rest van het team. Dat potentieel wordt vooral interessant wanneer bedrijven groter worden en verantwoordelijkheden verdeeld liggen over meerdere medewerkers.

Meer data is niet automatisch meer kennis

Daar willen we tegelijk een belangrijke kanttekening bij maken. Een bedrijf wordt niet beter omdat het meer data verzamelt. Sensoren produceren voortdurend cijfers en meldingen. De echte waarde ontstaat pas wanneer we weten welke signalen relevant zijn en welke actie daarbij hoort.

Daar zien we ook een belangrijke rol voor de bedrijfsdierenarts. Wij kennen de dieren, de gezondheidshistoriek en de dynamiek van het bedrijf. Door die praktijkkennis naast de data te leggen, kunnen we helpen bepalen wat een afwijking werkelijk betekent. Technologie moet daarom niet leiden tot nóg meer dashboards die iemand moet controleren. Ze moet helpen om sneller de juiste vraag te stellen.

Van periodieke controle naar continue signalering

Voor onze manier van werken is dat misschien wel de interessantste evolutie. We geloven sterk in periodieke bedrijfsbezoeken omdat je veranderingen sneller ziet wanneer je een bedrijf goed kent. Maar ook wij staan niet iedere dag en ieder uur naast dezelfde zeug. Continue monitoring kan het gat tussen die momenten kleiner maken.

De technologie stelt geen diagnose en vervangt evenmin de varkenshouder of dierenarts. Ze kan wel signaleren dat iets verandert. Vervolgens kunnen mens en diergeneeskundige kennis bepalen of dat signaal relevant is. Als dat in de praktijk goed werkt, verschuiven we opnieuw een stukje verder van reageren naar voorkomen.

De echte winst moet zich nog bewijzen

We zitten nog vroeg in onze eigen ervaring met het systeem. Daarom willen we voorlopig ook niet beweren dat continue monitoring automatisch betere technische resultaten oplevert. De komende periode willen we vooral begrijpen welke meldingen echt waardevol blijken, waar het systeem ons iets laat zien dat we anders gemist hadden en hoe het dagelijkse gebruik evolueert.

Op langere termijn verwachten we vooral mogelijkheden voor het dierenwelzijn. Niet omdat technologie de zorg voor dieren overneemt, maar omdat ze kan helpen om sneller aandacht te geven aan precies die dieren die ze op dat moment nodig hebben.

En misschien is dat uiteindelijk de interessantste toepassing van AI in de stal: niet méér technologie tussen mens en dier plaatsen, maar technologie gebruiken om beter te zien wat het dier ons probeert te vertellen.