További lehetséges adatgyűjtés történhet az állományról mikrofonok és kamerák segítségével. A mikrofonok esetében előfordulhat, hogy a háttérzaj kevésbé szűrhető ki, de a kamerás technológia előtt igen nagy jövő áll. A kamerás adatok továbbítása során a képek és a hangok akkora méretű adatbázist képeznek a numerikus adatokhoz képest, hogy ehhez egy stabil, megbízható internetkapcsolatra van szükség. Az adattudományi területhez érve megvan az adatbázis, az adatok elhelyezése pedig kétféleképpen történhet: az egyik lehetőség az edge computing (EC), magyarul peremhálózat, mikor numerikus adatokkal dolgoznak és a méretük lehetővé teszi azok elhelyezését a szervizhelyiségben vagy az irodában, ekkor az adatok helyben történő elemzésére van lehetőség. Viszont, ha kamerákkal történik az adatgyűjtés és nagyméretű videókat, képeket gyűjtünk, akkor a cloud computing (CC) alkalmas az elhelyezésre. Ekkor úgynevezett felhőtárolási elhelyezés történik, ehhez pedig szükséges a megfelelő minőségű internetkapcsolat.
Számára értékes és használható információ akkor keletkezik, ha az adatok elemzéséből olyan következtetéseket lehet levonni és olyan ábrákat lehet készíteni, amelyből a gazdálkodó meglátja az általa feltett kérdésre a választ. Ha a gyakorlatban ezeket lehet alkalmazni, akkor lehetséges a döntéstámogató, döntés-előkészítő, -ajánló rendszereknek a fejlesztése és a robotika alkalmazása is.
Mesterséges intelligencia
A mesterséges intelligencia az emberi viselkedést utánozni, leképezni képes programok összességét jelenti. Ezen belül található egy részterület, a gépi tanulás, amely a gyakorlati problémák megoldásában vesz részt. Ennek a gépi tanulásnak az a legnagyobb előnye, hogy előzetes programozás nélkül képesek tanulni ezek az algoritmusok azokból az adatokból, melyeket mi átadunk számára. Az adatbázisok három fő részre oszthatóak: létezik az úgynevezett tanuló adatbázis, ebben tanítjuk meg az algoritmust, hogy megadja a választ, amit várunk. A tesztadatbázis során teszteljük az adatbázisunk „jóságát”, precizitását, és végül van egy hitelesítési adatbázis, ekkor visszaellenőrizzük, hogy a valóságban egy új, még nem ismert adatokon miként teljesít a rendszer.
A gépi tanulás három részre osztható:
- Támogatott módszerek: címkézett betanítási adatokból történik a tanulás, több algoritmust magába foglal [regresszió, SVM (Support Vector Machine), klasszifikáció, klaszterezés és neurális hálók].
- Nem támogatott módszerek: nem rendelkezünk címkézett adatokkal, ekkor az algoritmusnak kell megtalálnia a rejtett mintákat.
- Megerősítő módszerek: ez a legfejlettebb algoritmuskategória a gépi tanulásban, képes folyamatosan javítani a modellt a korábbi ismétlésekről kapott visszajelzések felhasználásával. Kezdetben a különböző feltételek (állapotok) mellett végzett véletlenszerű cselekvések folyamatán keresztül tanul. A gép rögzíti az eredményeit és ezeket az értékeket a jövőbeni cselekvéseihez tárolja. Ide tartozik a robotika.
Hasznos információk kivonása
Amikor képeket és videókat szeretnénk elemezni, lehetővé válik hasznos információk kivonása. A számítógépes látás felhasználási területei a sertéstartásban igen sokrétűek lehetnek: alkalmazható az ivarzás detektálására azáltal, hogy megfigyelésre kerül az állat aktivitása, hangok elemzése, testhőmérséklet és a társak ugrálása. De alkalmazható spermavizsgálatra és -értékelésre, embrió morfológiai és vitalitási vizsgálatára, állatszámlálásra, testkondíció becslésére, járásmód elemzésére (sántaság detektálása), légzésmintázatok megfigyelésére is (1., 2., 3. kép).
Ez is érdekelheti:
