De aprendizaje automático a la integración de gemelos digitales para la producción e investigación ganaderas

Área de la Ciencia:

• Ciencia de la Producción Ganadera
• Tecnología Agrícola
• Ciencia Animal

Sus antecedentes:

• Los desafíos globales como el cambio climático y la creciente demanda de alimentos exigen estrategias innovadoras de producción ganadera.
• Las tecnologías de Aprendizaje Automático (ML) y Gemelo Digital (DT) están emergiendo como herramientas clave en la ciencia ganadera moderna.
• La integración de ML y DT ofrece un enfoque poderoso para comprender y gestionar el ganado.

Objetivo del estudio:

• Revisar las aplicaciones recientes de la sinergia de Aprendizaje Automático-Gemelo Digital (ML-DT) en la ciencia ganadera.
• Destacar el potencial de la integración ML-DT para mejorar el bienestar animal, la eficiencia de la producción y la sostenibilidad.
• Analizar las complejidades y los desafíos asociados con la implementación de soluciones ML-DT.

Principales métodos:

• Revisión de la literatura actual sobre aplicaciones de ML-DT en la investigación y la industria ganadera.
• Análisis de cómo la sinergia ML-DT imita los estados fisiológicos y de comportamiento de los animales.
• Exploración de las capacidades predictivas y de simulación de los modelos integrados ML-DT.

Principales resultados:

• La integración ML-DT permite la predicción y simulación dinámica en tiempo real de los estados y respuestas individuales de los animales.
• Esta sinergia mejora la comprensión del comportamiento animal, las necesidades nutricionales y los impactos ambientales.
• Las aplicaciones abarcan tanto la investigación de laboratorio como los entornos reales de establos, ofreciendo información predictiva.

Conclusiones:

• La integración ML-DT representa un avance significativo para la ciencia ganadera, ofreciendo un 'espejo vivo' para el monitoreo dinámico de animales.
• La tecnología promete mejorar el bienestar animal, pronosticar la eficiencia de la producción y promover la sostenibilidad.
• Abordar los desafíos éticos, económicos y de gobernanza es crucial para la adopción generalizada y la mejora de los sistemas ML-DT.