افزایش استفاده از هوش مصنوعی در صنعت خوراک دام

همانطور که تقریباً در هر صنعتی وجود دارد، نرم افزار نقش فزاینده ای در بخش خوراک هم در عملکرد کارخانه های خوراک آماده و هم در توزیع خوراک ایفا می کند. اما اکنون با ورود حسگرهای جدید و نرم افزارهای هوش مصنوعی، کارایی عملیاتی بی سابقه ای در برخی کارخانجات به دست آمده است.

مترجم: محمد مسعودی

شرکت BinSentry  که در زمینه استفاده از هوش مصنوعی پیشرو می باشد ، در انتاریو کانادا مستقر است. بن آلن، مدیرعامل این شرکت توضیح می دهد که تیم او در سال ۲۰۱۷ با هدف ارتقای بهره وری شروع به تجزیه و تحلیل رفتاری زنجیره های تامین خوراک در آمریکای شمالی نمود. این زنجیره تقریباً ۱۰۰ میلیارد دلار خوراک را در سال جابه‌جا می‌نمود، اما شرکت‌های زیر مجموعه آنها عملاً هیچ دید درستی از این زنجیره تأمین نداشتند. بنابراین به احتمال زیاد در سطوح مختلف کاری دچار ناکارآمدی و اشتباه بودند.

روش های تخمین سیلوهای خوراک

در آن زمان، مقدار خوراک در سیلوها توسط مالکان مزرعه یا کارگران آنها تخمین زده می شد. برخی افراد در این کار تبحر بیشتری از دیگران داشتند. روش تخمینی استفاده از تن صدا بود، در این روش یک سنگ به سمت سیلو پرتاب می کنند یا با چکش به آن ضربه می زنند و به صدای حاصله گوش می دهند تا تخمین بزنید چقدر فضای خالی در سیلو وجود دارد. این روش ابتدایی خیلی دقیق نیست، حتی زمانی که فردی با تجربه این کار را انجام می دهد.

همچنین این روش رایج‌ تخمین، نادرست و البته خطرناک است؛ بالا رفتن از بالای سیلو و نگاه کردن به پایین در تاریکی برای تخمین حجم خوراک بسیار روش نا صحیحی است. این روش ها هنوز هم در بسیاری از مناطق آمریکای شمالی و سایر نقاط جهان مورد استفاده قرار می گیرند. از طرف دیگر، مزارع پرورشی مصرف خوراک را موقعی می توانند ردیابی کنند که امکان تخمین حجم سیلوی ذخیره شان به طور دقیق فراهم باشد، ولی تعداد بسیار کمی از کارخانجات از چنین سیستم هایی بهره مند هستند.

تخمین نادرست حجم سیلوی ذخیره سازی منجر به مشکلات مختلفی، از جمله هدر رفت سود و نگرانی‌های مربوط به سلامت و رفاه حیوانات شده است. تیم BinSentry وظیفه تغییر این عملکرد را برای تیم خود تعریف نمود.

این سیستم با سنسورهای چند نقطه ای کار می کند تا نمایشی سه بعدی از سیلوی خوراک ارائه دهد

با استفاده از این روش می توانید کل فضای داخلی سیلوی غلات را از هر زاویه ای به صورت سه بعدی کامل مشاهده کنید

پتانسیل نگاشت ۳ بعدی

کارشناسان این شرکت شروع به کار با حسگرهای چند نقطه ای نمودند و در نهایت حسگری را ارائه دادند که ۹۰۰۰ نقطه از جزئیات سیلو را ارائه می داد. آلن افزود: شما می توانید کل فضای داخلی سیلو را از هر زاویه ای به صورت سه بعدی کامل مشاهده کنید. حسگرها امکان نصب در در ۱۵ دقیقه را دارند، از انرژی خورشیدی استفاده می نمایند و از طریق شبکه های موبایلی به فضای ابری (کلود) متصل می شوند. خروجی این سیستم یک نمایش سه بعدی از سیلو به شما می دهد، بنابراین شما نه تنها اطلاعات دقیق حجم باقیمانده را دارید، بلکه نمایی از سطح خوراک و نهاده را نیز دریافت می نمایید، به طوری که هر گونه بی نظمی مانند مشکلات جریان خوراک و هوادهی علامت گذاری می نمایند و از فضای ابری (کلود)، این داده ها را به سیستم هوش مصنوعی منقل می نمایند.

آلن توضیح داد: ۳ سال پیش به این یقین رسیدیم که هوش مصنوعی راهی است که می‌توانیم پیش بگیریم. استفاده از هوش مصنوعی به ما این امکان را می‌دهد تا حجم و پیچیدگی داده‌ ها را مدیریت کنیم، جایی که انسان‌ها نمی‌توانند از پس آن برآیند و هزینه‌ها را به میزان قابل‌توجهی کاهش دهند. اگر بدانید سیلو های دارای حسگر چه میزانی قابلیت اعتماد دارند و تجزیه و تحلیل هوش مصنوعی آن داده ها را در کل عملیات خود داشته باشید، می توانید هزینه های حمل و نقل را به میزان قابل توجهی کاهش داده و خدمات بهتری به مشتریان ارائه دهید. برای زنجیره های یکپارچه دامداری، ما نظارت بسیار دقیق بر مصرف خوراک و پیش‌بینی نرخ مصرف را نیز امکان‌پذیر می‌کنیم، که میزان تاثیر عوامل موثر خارج از خوراک را در مزارع آنها کاهش می‌دهد و بنابراین می‌تواند ضریب تبدیل خوراک را به سطح قابل قبولی بهبود بخشد.

از سفارشات لحظه آخری خودداری می شود. تحویل کمتر و حجم بار بهینه شده است. خوراک مناسب در زمان مناسب به سیلوی مناسب تحویل داده می شود.

آلن می‌گوید: «به‌جای اینکه کارگران مزرعه سطح موجودی نهاده و خوراک را حدس بزنند که چه زمانی می‌توانند به آن برسند و در بسیاری از موارد مجبور باشند به طور منظم از سیلو بالا بروند و به داخل سیلو نگاه کنند، شما به طور خودکار یک جریان داده ای مداوم و بسیار دقیق دارید. “این تصمیمات شما در مورد حمل و نقل، تصمیمات مربوط به تولید و تصمیمات مربوط به سفارش مواد اولیه را بسیار بهبود می بخشد. بدون چنین سیستمی، مطمئناً کامیون‌های زیادی را رزرو می‌کنید و در مکان‌های زیادی توقف می‌کنید، به این معنی که سوخت غیرضروری می‌سوزانید و زمان راننده را تلف می‌کنید. این سفرهای غیرضروری نیز در زمانی که شیوع بیماری در حال افزایش است، یک مسئله بالقوه امنیت زیستی محسوب می شود.

هوش مصنوعی چه صرفه جویی هایی برای یک کارخانه ایجاد می کند؟

آلن می‌گوید: «وقتی از ما سؤال می‌شود که صرفه‌جویی در صنعت هوش مصنوعی از کجا حاصل می‌شود، پاسخ ما این است که این امر بیشتر از طریق تحویل کارآمد و صرفه‌جویی در مصرف سوخت است. بنابراین، اگر امروز به کارخانه‌ تولیدکننده خورا دامی سفارش می دهید که بدون نگرش سیستمی کار می کند، دامدار و مرغدار ممکن است بیشتر و یا کمتر از میزان نیازش سفارش دهد، این امر بدون وجود سنسورهای دقیق سیلو امکان پذیر نیست و مثلا به مرغدار می تواند اطلاع دهد که ظرف ۳ روز نیاز به بار دارید و حتی در برخی موارد به مرغدار اطلاع می دهد که چه زمانی از روز بار شما به درب واحد تولیدی می رسد. بهره بردار شما این اطمینان را دارد که کارخانه تولیدکننده خوراک می داند که در سیلوهای ذخیره سازی شما چه مقدار از چه محصولی وجود دارد و کدام بار شما در راه است. بنابراین، به طور کلی، ما دریافتیم که برخی کامیون های دارای سربار و کامیون های دارای سرک هزینه های حمل و نقل را بیش از ۱۲٪ کاهش می دهند. بخشی از این هوش مصنوعی موجب شد تا ما دریابیم که اشتباهات در تحویل (بازگشت خوراک) تا ۷۵٪ کاهش می یابند.

این تیم با استفاده از هوش مصنوعی و با انجام مدل‌سازی مشخص کرده‌اند که می‌توان هشدارهایی را برای مشکلات پیش رو، مانند زمانی که مصرف خوراک جلوتر یا عقب‌تر از آن چه باید باشد با توجه به نژاد، سن گله و ژنتیک  دام ارائه نمود.

آنها همچنین دریافته اند که سیستم فوق عوامل تاثیر گذار خارج از خوراک را به میزان سه چهارم کاهش می دهد. آلن می‌گوید: «ما ابزارهای تحلیلی را ارائه دادیم که شرکت‌ها می‌توانند از آن برای تجزیه و تحلیل قطعی خوراک خود استفاده کنند و دریافتیم که ۷۰ تا ۸۰ درصد قطعی‌ها به دلیل مدیریت نا درست اسلایدها است. هیچ کس در فارم متوجه نمی شود که مدیریت اسلایدها، جابجایی از یک سیلو به سیلو دیگر وقتی اولین سیلو پر است، یک معظل است. بنابراین با هشدارهای ما، آنها بلافاصله با آن برخورد می کنند. ما متوجه شده‌ایم که بیش از چهار برابر قطعی‌هایی که مردم فکر می‌کنند در حال وقوع است.

مشتریان همچنین می‌توانند بر اساس بودجه و داده‌های مصرف فارم خود، یک طرح تغذیه مرحله‌ای خاص برای نژاد های فارم خود ایجاد کنند یا از یکی از طرح‌های موجود این شرکت را برای تولید خود سفارش دهند که شامل کلیات سفارش، پیش‌بینی های موجود، ایجاد بودجه خوراک و بهبود راندمان خوراک می باشد.

حجم فعالیت بر اساس مقیاس مشتری

این شرکت اکنون بیش از ۱۰۰ مشتری خوراک آمادهدر ایالات متحده آمریکا و کانادا ، از جمله برخی از بزرگترین کارخانه ها و شرکت های یکپارچه در آمریکای شمالی دارد.

آلن می‌گوید: «ما در حال حاضر روزانه ۱۷۰۰۰ سیلو را زیر نظر داریم و هر ماه حدود ۱۵۰۰ سیلوی جدید اضافه می‌کنیم که قریب به ۴ میلیون تن خوراک را روزانه نظارت می کنیم.

چشم انداز

وقتی از آلن پرسیده شد که چه چیزی در پیش رو برای استفاده از هوش مصنوعی در بخش خوراک وجود دارد، آلن پیش بینی می کند که در نهایت هوش مصنوعی همه چیز را برای کارخانه ها هماهنگ می کند، از حمل و نقل تا مقدار و نوع خوراک خروجی، برنامه ریزی راننده تا موجودی در کارخانه خوراک (مواد اولیه، خوراک تمام شده و غیره). آنها در تلاش هستند تا به خودکارسازی تمام این فرآیندها کمک کنند.

آلن می‌گوید: «در پاییز امسال ما یک حسگر جدید برای سیلوهای مواد و غلات تجاری راه‌اندازی می نماییم، بنابراین نظارتی برای سیلو‌ها در مزارع و همچنین مواد اولیه، کل زنجیره تامین برای یک کارخانه خوراک خواهیم داشت. راه اندازی سیستم کامل ۱۲ تا ۱۸ ماه طول می کشد. ما همچنان در آمریکای شمالی و جنوبی، عمدتاً در ایالات متحده آمریکا، کانادا و برزیل به گسترش خود ادامه می دهیم. ما متوجه شدیم که یک کارخانه ۵۰-۱۰۰ سیلو را استفاده نموده و بلافاصله ذخیره می نماید . این بهینه سازی در نهایت می بایستی در همه سیلو ها انجام شود تا کارایی در سطح کارخانه ارتقا یابد.

آلن در انتها یاد آور شد: شرکت BinSentry، در آغاز ماه اوت، به مشتریان این امکان را می دهد تا هشدارها را از طریق پیامک دریافت کنند. قبلاً فقط ایمیل ارسال می شد ولی مشتریان درخواست پیامک نموده بودند و ما بسیار هیجان‌ زده‌ایم که این سرویس را برای راحت‌تر کردن همه چیز ارایه دهیم.