Cum ajută IA agricultura? [Video și chestionar]

Răspuns scurt: IA ajută agricultura prin transformarea datelor fragmentate ale fermei în decizii concrete - unde să se facă mai întâi verificarea, ce să se trateze și ce animale să se verifice. Este cel mai valoroasă atunci când se integrează în fluxurile de lucru zilnice ale fermei și își poate explica recomandările, mai ales atunci când conectivitatea este instabilă sau condițiile se schimbă.

Concluzii cheie:

Prioritizare: Folosește inteligența artificială pentru a direcționa cercetarea și atenția mai întâi către cele mai probabile puncte problematice.

Adaptarea la fluxul de lucru: Alegeți instrumente care funcționează în cabină, rămân rapide și nu necesită autentificări suplimentare.

Transparență: Preferați sisteme care explică „de ce”, astfel încât deciziile să rămână demne de încredere și contestabile.

Drepturi asupra datelor: Blocați proprietatea, permisiunile, termenii de export și ștergere înainte de adoptare.

Rezistență la utilizarea greșită: Tratați predicțiile ca alerte și verificați întotdeauna logica umană.

Mult din asta se reduce la un singur lucru: transformarea datelor agricole dezordonate (imagini, citiri ale senzorilor, hărți de randament, jurnalele mașinilor, semnale meteorologice) în acțiuni clare. Această parte de „transformare în acțiuni” este, practic, scopul învățării automate în asistența decizională în agricultură. [1]

Articole pe care ți-ar putea plăcea să le citești după acesta:

🔗 Cum ajută IA să detecteze bolile culturilor
Inteligența artificială analizează imaginile culturilor pentru a identifica bolile din timp și cu precizie.

🔗 Ce înseamnă viziunea computerizată în inteligența artificială
Explică modul în care mașinile înțeleg imaginile, videoclipurile și datele vizuale.

🔗 Cum să folosești inteligența artificială în angajare
Modalități practice prin care inteligența artificială îmbunătățește recrutarea, selecția și potrivirea candidaților.

🔗 Cum să înveți inteligența artificială
Ghid ușor de utilizat pentru începători, pentru a începe să învățați concepte și instrumente de inteligență artificială.

1) Ideea simplă: IA transformă observațiile în decizii 🧠➡️🚜

Fermele generează o cantitate ridicolă de informații: variabilitatea solului, tiparele de stres ale culturilor, presiunea dăunătorilor, comportamentul animalelor, performanța mașinilor și așa mai departe. IA ajută prin identificarea tiparelor pe care oamenii le ratează - în special în seturi de date mari și dezordonate - și apoi prin luarea deciziilor, cum ar fi unde să se investigheze, ce să se trateze și ce să se ignore. [1]

O modalitate super practică de a privi lucrurile: IA este un motor de prioritizare. Nu îți colectează datele în mod magic - te ajută să-ți concentrezi timpul și atenția acolo unde contează cu adevărat.

2) Ce face ca o versiune bună de IA să fie pentru agricultură? ✅🌱

Nu toate „IA pentru agricultură” sunt create la fel. Unele instrumente sunt cu adevărat solide; altele sunt… practic un grafic elegant cu un logo.

Iată ce contează cel mai mult în viața reală:

• Funcționează cu fluxul tău de lucru real (cabină tractor, mănuși noroioase, timp limitat)

• Explică „de ce”, nu doar un scor (altfel nu vei avea încredere în el)

• Gestionează variabilitatea fermei (sol, vreme, hibrizi, rotații - totul se schimbă)

• Clarificarea proprietății datelor + permisiunilor (cine poate vedea ce și în ce scop) [5]

• Se potrivește bine cu alte sisteme (deoarece silozurile de date sunt o problemă constantă)

• Încă util cu conectivitate neuniformă (infrastructura rurală este inegală, iar „doar în cloud” poate fi un factor decisiv) [2]

Să fim sinceri: dacă e nevoie de trei autentificări și un export într-o foaie de calcul pentru a obține valoare, nu e „agricultură inteligentă”, ci e o pedeapsă 😬.

3) Tabel comparativ: categorii comune de instrumente de tip IA pe care fermierii le folosesc de fapt 🧾✨

Prețurile se schimbă, iar pachetele variază, așa că tratați-le ca pe niște intervale de preț „aproximativ”, nu ca pe niște reguli absolute.

O mică mărturisire legată de formatare: „vibrația prețului” este un termen tehnic pe care tocmai l-am inventat... dar înțelegeți ce vreau să spun 😄.

4) Cercetarea culturilor: IA găsește problemele mai repede decât mersul aleatoriu 🚶♂️🌾

Una dintre cele mai mari victorii este prioritizarea. În loc să cerceteze în mod egal peste tot, IA folosește imagini + istoricul terenului pentru a vă îndruma către posibilele puncte problematice. Aceste abordări apar constant în literatura de cercetare - detectarea bolilor, detectarea buruienilor, monitorizarea culturilor - deoarece sunt exact genul de problemă de recunoaștere a tiparelor la care ML este bun. [1]

Intrări comune de cercetare bazate pe inteligență artificială:

• Imagini din satelit sau drone (semnale de vigoare a culturilor, detectarea schimbărilor) [1]

• Fotografii cu smartphone-ul pentru identificarea dăunătorilor/bolilor (util, dar necesită totuși un creier uman atașat) [1]

• Randament istoric + straturi de sol (pentru a nu confunda „punctele slabe normale” cu probleme noi)

Acesta este un aspect în care „Cum ajută IA agricultura?” devine foarte literal: te ajută să observi ce erai pe cale să ratezi 👀. [1]

5) Intrări de precizie: pulverizare, fertilizare, irigare mai inteligente 💧🌿

Datele de intrare sunt costisitoare. Greșelile dăunează. Așadar, aici IA poate părea un ROI real și măsurabil - dacă datele și configurația sunt solide. [1]

Pulverizare mai inteligentă (inclusiv aplicații specifice)

Acesta este unul dintre cele mai clare exemple de tipul „arată-mi banii”: viziunea computerizată + învățarea automată pot permite pulverizarea direcționată asupra buruienilor în loc de pulverizarea generală a tuturor plantelor. [3]

Notă importantă de încredere: chiar și companiile care vând aceste sisteme sunt transparente că rezultatele variază în funcție de presiunea buruienilor, tipul de cultură, setări și condiții - așa că gândiți-vă la ele ca la un instrument, nu ca la o garanție. [3]

Semănare cu rată variabilă și prescripții

Instrumentele de prescripție te pot ajuta să definești zone, să combini straturi, să generezi scripturi și apoi să evaluezi ce s-a întâmplat de fapt. Această buclă de „evaluare a ceea ce s-a întâmplat” contează - învățarea automată în agricultură este cea mai bună atunci când poți învăța de la sezon la sezon, nu doar să produci o hartă frumoasă o singură dată. [1]

Și da, uneori prima victorie este pur și simplu: „În sfârșit pot vedea ce s-a întâmplat la ultima pasă”. Nu e deloc plină de farmec. Extrem de reală.

6) Predicția dăunătorilor și bolilor: avertizări mai timpurii, mai puține surprize 🐛⚠️

Predicția este dificilă (biologia iubește haosul), dar abordările de învățare automată (ML) sunt studiate pe scară largă pentru lucruri precum detectarea bolilor și prognoza legată de randament - adesea prin combinarea semnalelor meteorologice, a imaginilor și a istoricului terenului. [1]

Verificare a realității: o predicție nu este o profeție. Tratează-o ca pe un detector de fum - utilă chiar și atunci când este ocazional enervantă 🔔.

7) Animale de fermă: IA monitorizează comportamentul, sănătatea și bunăstarea 🐄📊

Inteligența artificială pentru creșterea animalelor ia avânt deoarece abordează o realitate simplă: nu poți observa fiecare animal tot timpul.

Creșterea de precizie a animalelor (PLF) este construită practic în jurul monitorizării continue și al avertizării timpurii - sarcina sistemului este de a vă atrage atenția către animalele care au nevoie de ea chiar acum. [4]

Exemple pe care le veți vedea în natură:

• Dispozitive purtabile (zgărzi, etichete auriculare, senzori pentru picioare)

• Senzori de tip bolus

• Monitorizare bazată pe cameră (modele de mișcare/comportament)

Așadar, dacă întrebi „ Cum ajută IA agricultura? ”, uneori e la fel de simplu ca: îți spune ce animal să verifici mai întâi, înainte ca situația să se agraveze 🧊. [4]

8) Automatizare și robotică: efectuarea de sarcini repetitive (și efectuarea lor în mod constant) 🤖🔁

Automatizarea variază de la „asistență utilă” la „complet autonom”, iar majoritatea fermelor se situează undeva la mijloc. În ansamblu, FAO încadrează întregul domeniu ca parte a unui val mai larg de automatizare care include totul, de la utilaje la inteligență artificială, cu atât beneficii potențiale, cât și riscuri inegale de adoptare. [2]

Roboții nu sunt magici, dar pot fi ca o a doua pereche de mâini care nu obosește... sau nu se plânge... sau nu are nevoie de pauze de ceai (bine, o mică exagerare) ☕.

9) Managementul fermei + asistență în luarea deciziilor: superputerea „liniștită” 📚🧩

Aceasta este partea neatractivă care adesea generează cea mai mare valoare pe termen lung: înregistrări mai bune, comparații mai bune, decizii mai bune.

Sprijinul decizional bazat pe ML apare în cercetările privind gestionarea culturilor, animalelor, solului și apei, deoarece atât de multe decizii agricole se reduc la: poți face legătura între timp, câmpuri și condiții? [1]

Dacă ai încercat vreodată să compari două anotimpuri și te-ai gândit: „de ce nu se aliniază nimic??” - da. Exact de aceea.

10) Lanțul de aprovizionare, asigurările și sustenabilitatea: inteligența artificială din culise 📦🌍

IA în agricultură nu se aplică doar la fermă. Viziunea FAO asupra „sistemelor agroalimentare” este explicit mai amplă decât câmpul - include lanțurile valorice și sistemul mai larg din jurul producției, unde instrumentele de prognoză și verificare tind să apară. [2]

Aici lucrurile devin ciudat de politice și tehnice în același timp - nu întotdeauna distractive, dar din ce în ce mai relevante.

11) Capcanele: drepturile asupra datelor, părtinirea, conectivitatea și „tehnologia interesantă pe care nimeni nu o folosește” 🧯😬

IA poate avea efectul invers dacă ignori lucrurile plictisitoare:

• Guvernanța datelor: proprietatea, controlul, consimțământul, portabilitatea și ștergerea trebuie să fie clare în textul contractului (nu învăluite în ceață juridică) [5]

• Conectivitate + infrastructură de susținere: adoptarea este inegală, iar lacunele în infrastructura rurală sunt reale [2]

• Părtinire și beneficii inegale: instrumentele pot funcționa mai bine pentru anumite tipuri/regiuni de ferme decât pentru altele, mai ales dacă datele de antrenament nu corespund realității dvs. [1]

• „Arată inteligent, dar nu este util”: dacă nu se potrivește fluxului de lucru, nu va fi folosit (indiferent cât de interesantă este demonstrația)

Dacă inteligența artificială este un tractor, atunci calitatea datelor este motorina. Combustibil prost, zi proastă.

12) Primii pași: o foaie de parcurs cu puțină dramă 🗺️✅

Dacă vrei să încerci inteligența artificială fără să dai foc banilor:

1. Alegeți un punct sensibil (buruieni, momentul irigațiilor, timpul de cercetare, alertele privind sănătatea turmei)

2. Începeți cu vizibilitatea (cartografiere + monitorizare) înainte de automatizarea completă [1]

3. Efectuați un test simplu: un câmp, un grup de turmă, un flux de lucru

4. Urmăriți o metrică care vă interesează cu adevărat (volumul de pulverizare, timpul economisit, retratările, stabilitatea randamentului)

5. Verificați drepturile asupra datelor + opțiunile de exportare înainte de a face commit [5]

6. Planificați instruirea - chiar și instrumentele „ușoare” au nevoie de obiceiuri pentru a se menține [2]

13) Observații finale: Cum ajută IA agricultura? 🌾✨

Cum ajută IA agricultura? Ajută fermele să ia decizii mai bune cu mai puține presupuneri - transformând imaginile, citirile senzorilor și jurnalele mașinilor în acțiuni pe care le puteți întreprinde efectiv. [1]

TL;DR

• IA îmbunătățește cercetarea (găsește problemele mai devreme) [1]

• Permite intrări precise (în special pulverizare țintită) [3]

• Îmbunătățește monitorizarea animalelor (alerte timpurii, urmărirea bunăstării) [4]

• Susține automatizarea (cu beneficii - și lacune reale în adoptare) [2]

• Factorii decisivi sunt drepturile asupra datelor, transparența și ușurința în utilizare [5]

Exemplu din lumea reală: Utilizarea inteligenței artificiale pentru a prioritiza cercetarea culturilor 🌾🔍

Scenariu

Imaginați-vă o fermă arabilă de 650 de acri care cultivă grâu de iarnă, rapiță și orz de primăvară. Ferma are deja hărți de randament, hărți de bază ale zonelor de sol, înregistrări ale stropirilor și imagini din satelit săptămânale, dar managerul încă cercetează câmpurile în principal după obicei: mai întâi promontoriile, apoi zonele slab cultivate cunoscute, apoi orice există timp pentru care există.

Problema nu este lipsa datelor. Ci faptul că datele se află în locuri diferite și nu răspund clar la întrebarea zilnică: „Unde ar trebui să merg mai întâi în această dimineață?”

Un flux simplu de lucru de cercetare asistat de inteligență artificială poate fi de ajutor prin transformarea modificărilor imaginilor, a istoricului terenului și a vremii recente într-o listă clasificată de puncte de inspecție.

De ce are nevoie asistentul

Pentru a valorifica fluxul de lucru, managerul fermei ar trebui să adune:

• Limitele câmpului și tipul de cultură pentru fiecare câmp

• Imagini recente din satelit sau drone

• Hărțile de randament anterioare, dacă sunt disponibile

• Zone umede cunoscute, zone compactate sau zone cu buruieni vechi

• Note meteorologice recente, în special precipitații și fluctuații de temperatură

• Înregistrări privind pulverizarea și îngrășămintele

• O scurtă listă de verificare pentru dăunători, boli, buruieni, inundații și stresul culturilor

Asistentul nu trebuie să ia decizia finală în materie de agronomie. Sarcina sa este de a atrage atenția, de a explica de ce fiecare zonă este importantă și de a ajuta verificările umane mai rapide.

Exemplu de instrucțiuni

Ajuți la prioritizarea cercetării culturilor pentru o fermă arabilă mixtă. Folosește notițele de teren, observațiile imagistice, zonele de randament anterioare și rezumatul meteo recent pentru a crea un plan de cercetare clasificat pentru astăzi.

Pentru fiecare oprire recomandată, includeți:

1. Numele câmpului

2. Zona sau reperul exact de verificat

3. De ce este această zonă o prioritate

4. La ce să fii atent în persoană

5. Ce dovezi ar confirma sau infirma îngrijorarea

6. Dacă acțiunea este urgentă, doar de supraveghere sau necesită revizuirea unui agronom

Nu recomandați tratament decât dacă există suficiente dovezi. Tratați toate predicțiile ca alerte de investigare, nu ca diagnostice finale.

Cum să îl testezi

Începeți cu un singur grup de teren, mai degrabă decât cu întreaga fermă.

O configurație bună cu cinci teste ar putea arăta astfel:

• Testul 1: Un câmp cu o zonă umedă cunoscută

• Testul 2: Un teren cu o presiune istorică a ierbii negre

• Testul 3: Un câmp care prezintă o zonă de imagine cu o vigoare redusă bruscă

• Testul 4: Un câmp cu imagini cu aspect normal, dar cu un istoric slab al randamentului

• Testul 5: Un câmp în care fermierul știe deja că nu există nicio problemă majoră

După cercetare, comparați lista de priorități a asistentului cu ceea ce a fost găsit pe teren.

Urmărește trei numere simple:

• Minute petrecute planificând ruta de recunoaștere

• Numărul de probleme valoroase găsite pe oră

• Numărul de alarme false care au dus la pierderea timpului

Rezultat

Rezultat doar cu titlu ilustrativ: bazat pe cronometrarea a cinci sarcini de recunoaștere eșantion înainte și după utilizarea fluxului de lucru.

Înainte de a utiliza planul asistat de inteligență artificială, managerul a petrecut aproximativ 45 de minute analizând hărțile și hotărând unde să meargă. După utilizarea listei de observare clasificate, planificarea a durat 12 minute.

În testul eșantion, managerul a verificat 11 locații în 2 ore și a descoperit 4 probleme reale care meritau monitorizate sau luate măsuri: o zonă cu linie de tramvai îmbibată cu apă, două pete cu buruieni și o posibilă problemă incipientă legată de o boală care necesita revizuirea unui agronom.

Asta se întâmplă ca:

• Timpul de planificare redus de la 45 de minute la 12 minute

• 33 de minute economisite înainte de începerea scoutingului

• 4 descoperiri valoroase din 11 opriri

• 2 opriri marcate ca alarme false după inspecția pe teren

Important: aceste numere sunt ușor de verificat. Un fermier poate cronometra etapa de planificare, poate număra opririle de cercetare, poate înregistra constatările confirmate și poate compara traseul cu obiceiurile normale de cercetare.

Ce poate merge prost

Asistentul poate totuși să facă apeluri slabe dacă datele de intrare sunt învechite, cu rezoluție scăzută sau lipsesc context important. O zonă cu vigoare redusă poate fi o boală, dar poate fi și compactare, apă stagnantă, daune provocate de iepuri, stabilire slabă sau pur și simplu o zonă de sol slab cunoscută.

Greșeli frecvente de evitat:

• Tratarea rezultatului AI ca pe un diagnostic în loc de un plan de cercetare

• Încărcarea hărților fără a verifica dacă corespund limitelor actuale ale câmpului

• Ignorarea cunoștințelor agronomilor locali

• Uitarea înregistrării alarmelor false

• Folosirea rezultatelor unui sezon pentru a evalua întregul sistem

• Permiterea instrumentului să recomande tratamente fără evaluare umană

Concluzie practică

Cea mai bună utilizare a inteligenței artificiale în acest exemplu nu este înlocuirea fermierului sau a agronomului. Ci creșterea clarității primei ore a zilei: mai puține plimbări aleatorii pe teren, verificări mai rapide și un motiv mai clar pentru fiecare oprire de cercetare.

FAQ

Cum IA sprijină luarea deciziilor agricole la o fermă

IA în agricultură se referă în mare măsură la transformarea observațiilor în decizii pe baza cărora puteți acționa. Fermele generează date de intrare zgomotoase, cum ar fi imagini, citiri de la senzori, hărți de randament, jurnale ale mașinilor și semnale meteorologice, iar ML ajută la evidențierea tiparelor în acestea. În practică, funcționează ca un motor de prioritizare: unde să cercetezi mai întâi, ce să tratezi și ce să pui deoparte. Nu va „cultiva pentru tine”, dar poate micșora spațiul în care există presupunerile.

Tipurile de instrumente de învățare automată a datelor agricole utilizate

Majoritatea instrumentelor de asistență a deciziilor agricole se bazează pe imagini (fotografii din satelit, drone sau telefon), jurnale ale utilajelor și operațiunilor pe teren, hărți de randament, straturi de sol și semnale meteorologice. Valoarea provine din combinarea acestor straturi în loc de vizualizarea fiecăruia separat. Rezultatul este de obicei un set clasificat de „puncte fierbinți de atenție”, o hartă a prescripțiilor sau o alertă care indică o deplasare suficientă pentru a justifica o verificare personală.

Ce face ca un instrument de inteligență artificială pentru agricultură să fie util în utilizarea zilnică

Cele mai puternice instrumente se potrivesc cu modul în care se desfășoară munca: într-o cabină de tractor, cu timp limitat și uneori cu mănuși pline de noroi și semnalizare neuniformă. Instrumentele practice explică „de ce”, nu doar un scor, și fac față variabilității fermelor în funcție de sol, vreme, hibrizi și rotații. De asemenea, necesită o proprietate clară asupra datelor și permisiuni și ar trebui să se integreze cu alte sisteme, astfel încât să nu ajungeți prinși în silozuri de date.

Nevoile de conectivitate la internet pentru utilizarea instrumentelor de inteligență artificială în fermă

Nu neapărat. Multe ferme se confruntă cu o conectivitate rurală inegală, iar designurile exclusiv în cloud pot fi un factor decisiv atunci când semnalul scade în cel mai nepotrivit moment. O abordare comună este de a alege instrumente care oferă în continuare valoare cu acces intermitent, apoi de a sincroniza odată ce vă aflați din nou în acoperire. În multe fluxuri de lucru, prioritatea este fiabilitatea pe primul loc și sofisticarea pe al doilea loc, în special în timpul operațiunilor urgente.

Cum îmbunătățește inteligența artificială observarea culturilor cu ajutorul fotografiilor din satelit, drone sau telefon

Recunoașterea bazată pe inteligență artificială se concentrează în principal pe găsirea punctelor problematice mai rapid decât mersul la întâmplare. Imaginile pot evidenția variabilitatea și schimbările în timp, în timp ce istoricul terenului ajută la separarea „zonelor slabe normale” de problemele noi. Fotografiile cu telefonul pot ajuta la identificarea dăunătorilor sau bolilor, dar funcționează cel mai bine atunci când o persoană verifică rezultatul. Câștigul constă în mai puțini kilometri irosiți și o detectare mai timpurie.

Pulverizare țintită și reducerea erbicidelor cu ajutorul vederii computerizate

Pulverizarea țintită poate reduce aplicările inutile prin utilizarea camerelor și a sistemului de învățare automată (ML) pentru a identifica buruienile și a pulveriza doar acolo unde este nevoie, în loc să se pulverizeze totul în ansamblu. Sisteme precum See & Spray de la John Deere sunt adesea prezentate ca cazuri de rentabilitate a investiției puternică atunci când configurația și condițiile sunt potrivite. Rezultatele pot varia în funcție de presiunea buruienilor, tipul de cultură, setări și condițiile de teren, așa că este cel mai bine să fie tratate ca un instrument - nu ca o garanție.

Rețetele cu rată variabilă și modul în care ML le îmbunătățește în timp

Rețetele cu rată variabilă utilizează zone și straturi de date pentru a ghida deciziile privind însămânțarea sau fertilitatea în funcție de zonă, apoi compară rezultatele ulterior. ML tinde să exceleze atunci când poți închide bucla sezon după sezon: generezi un plan, îl depui în aplicare și evaluezi ce s-a întâmplat. Chiar și o victorie timpurie banală - a vedea în sfârșit ce s-a întâmplat la ultima trecere - poate pune bazele unor rețete mai inteligente ulterioare.

Agricultura de precizie și ce monitorizează inteligența artificială

Agricultura de precizie a animalelor se concentrează pe monitorizarea continuă și avertizarea timpurie, deoarece nu poți urmări fiecare animal tot timpul. Sistemele bazate pe inteligență artificială pot utiliza dispozitive purtabile (zgărzi, etichete, senzori pentru picioare), senzori de tip bolus sau camere pentru a urmări comportamentul și a semnala „ceva nu este în regulă”. Scopul practic este simplu: îndreptați-vă atenția către animalele care probabil au nevoie de verificare chiar acum, înainte ca problemele să se intensifice.

Cele mai mari capcane ale inteligenței artificiale în agricultură

Cele mai mari riscuri sunt adesea cele neatractive: drepturi și permisiuni neclare privind datele, limite de conectivitate și instrumente care nu se potrivesc fluxului de lucru zilnic. Prejudecățile pot apărea atunci când datele de antrenament nu corespund regiunii, practicilor sau condițiilor fermei dvs., ceea ce poate face ca performanța să fie inegală. Un alt mod de eșec comun este „pare inteligent, nu livrează” - dacă necesită prea multe conectări, exporturi sau soluții alternative, nu va fi utilizat.

Cum să începi să utilizezi inteligența artificială în agricultură fără a irosi bani

Începeți cu un singur punct sensibil - cum ar fi timpul de verificare, buruienile, momentul irigațiilor sau alertele privind sănătatea turmei - în loc să cumpărați un pachet complet de „ferme inteligente”. O cale comună este vizibilitatea pe primul loc (cartografiere și monitorizare) înainte de a urmări automatizarea completă. Rulați un test de mică amploare (un câmp sau un grup de turmă), urmăriți o metrică care vă interesează și revizuiți drepturile asupra datelor și opțiunile de exportare din timp, astfel încât să nu rămâneți blocați.

Referințe

[1] Liakos și colab. (2018) „Învățarea automată în agricultură: o analiză” (Senzori)
[2] FAO (2022) „Starea alimentației și agriculturii în 2022: Valorificarea automatizării pentru transformarea sistemelor agroalimentare” (articol în Newsroom)
[3] John Deere „Tehnologia See & Spray™” (pagina oficială a produsului)
[4] Berckmans (2017) „Introducere generală în creșterea de precizie a animalelor” (Animal Frontiers, Oxford Academic)
[5] „Principii de bază” Ag Data Transparent (Confidențialitate, proprietate/control, portabilitate, securitate)

Găsește cea mai recentă tehnologie AI în Magazinul oficial de asistenți AI

Despre noi