Latest / O Aviário Podcast · by PPGVET / Dra. Bruna Luiza Belote: Ciência Aplicada na Avicultura | Ep. 56

Transcript

Dra. Bruna Luiza Belote: Ciência Aplicada na Avicultura | Ep. 56 · O Aviário Podcast · by PPGVET

0:00
A big data quando a gente fala dessa quantidade de dados que a
0:03
gente tem, a gente está falando que hoje até 11 conceito que
0:07
falam que é big data, é inteligência dos negócios.
0:11
Se você não souber lidar com big data, eles só são dados, então
0:15
quanto mais a gente conseguir lidar com essas informações,
0:19
mais precisas a gente vai. A gente vai entregar essas
0:22
informações. Bem-vindos ao podcast, o
0:28
aviário, as mentes mais brilhantes da agricultura no seu
0:31
bolso. O podcast o aviário só é
0:35
possível através do apoio de empresas inovadoras e que apoiam
0:39
a educação continuada na avicultura brasileira.
0:41
Pegas o Science, a solução inteligente e em tempo real para
0:45
a interpretação de microtoxinas American nutrientes solução é o
0:49
nosso compromisso. Olá a todos que seguem o nosso
0:56
podcast aviário. A gente está aqui de novo para
1:00
conversar com a Bruna bellotti, a Bruna, que é doutora em
1:07
medicina veterinária e também é dona de uma startup, né?
1:13
Que é. É uma empresária já, como é que
1:17
você está, Bruna? Tudo bem, um prazer te ter aqui,
1:22
você com a gente. Oi, Beth, boa tarde, muito
1:26
obrigada. Primeiramente por ter me
1:28
convidado aqui pro pro podcast. Eu estou realmente muito honrada
1:32
e muito feliz em poder fazer parte aí de toda e todo esse
1:35
projeto de vocês. É nesse projeto que ele é muito,
1:41
é diverso público adverso. Tem gente de todo tipo e
1:47
interesse escutando a gente, né? Não só pessoa da área.
1:51
Às vezes as pessoas só querem conhecer um pouquinho mais de
1:53
avicultura, estão a ir estudantes, então eu estou muito
1:57
feliz de você estar aqui, Bruna, porque eu gostaria que você.
2:03
Falasse, como é que essa é a nova geração de pesquisadores
2:07
que vem para o mercado? Como é que é essa história?
2:11
Porque, antigamente, assim, pesquisadora era o professor que
2:15
fazia concurso público e você optou por uma coisa diferente,
2:19
que foi abrir uma empresa. Se é uma empresária do
2:23
agronegócio, me conte um pouquinho sobre a tua, a tua
2:27
estrada e como é que foi esse esse caminho para chegar até
2:32
aqui? Dá bom, Bete, é, na verdade, eu
2:35
não tenho nem como começar e falar sobre a minha trajetória.
2:38
Sem agradecer. Primeiramente, né?
2:41
A pessoa que mais me inspirou e participou de toda essa minha
2:45
trajetória profissional que é você, né?
2:47
Então, desde a graduação, desde quando eu era criança, ali eu
2:52
comecei a me interessar com a parte da pesquisa e desde e
2:56
depois que formada como veterinária, toda a minha parte
2:59
de pós-graduação com mestrado e o doutorado ali na UFPR, ele já
3:03
foi muito focado na área da pesquisa e principalmente, no
3:07
desenvolvimento de uma metodologia que fosse aplicável.
3:11
Então não é? A gente saiu um pouco da parte
3:14
teórica, que é muita parte teórica EE.
3:18
Ativa também dentro da universidade, mas para ser uma
3:21
patologia aplicada a campo. Então, toda a ideia de quando a
3:25
gente começou a criar alguma coisa na universidade foi sempre
3:29
pensando em como que a gente poderia utilizar todo o
3:32
aprendizado em laboratório para ser utilizado a campo.
3:36
Então, quando a gente criou a startup, né?
3:38
Justamente foi pensando nisso, primeiro a gente viu como uma
3:42
oportunidade de ver testes que aconteciam em laboratório e se
3:46
ele se replicavam a campo e naquela época a gente já viu que
3:49
não era bem complicado conseguir replicar esse tipo de de ação,
3:54
de produtos, enfim, que a gente testava em laboratório a campo e
3:57
hoje a gente se especializou nesse sentido.
4:00
Né? E tentar entender e trazer
4:02
resultados. Pra campo mesmo.
4:04
Então quando a gente pensa, é na minha trajetória, bem como
4:10
médica veterinária e indo na parte da pesquisa, hoje eu vejo
4:15
muito que a cientista ainda tá lá, como a gente ainda gosta,
4:18
né? De de trabalhar.
4:19
Mas como empresária, eu ainda tenho que aprender muita coisa,
4:23
porque primeiro os os palavreados em inglês, né
4:27
Business. Toda a parte de de, de, de
4:30
linguística que eles começam a falar em todas essas histórias
4:33
com com a parte inglês, que eu acho que é super.
4:36
É interessante aprender a lidar com esse tipo de mercado e
4:40
justamente cada vez mais é um desafio.
4:43
Uma startup é um desafio, né? Todo dia é um desafio.
4:47
A gente começou a startup quando a gente saiu da universidade.
4:50
Em 2018? Então, hoje, 5 anos após a saída
4:55
da universidade, que a gente tem o easy Institute, né, que é a
4:58
nossa empresa, justamente é, somos outras pessoas, é outra
5:03
ideia. Já já, já aprendemos muito ao
5:06
longo desse caminho. Que nutrintes entregando
5:10
soluções tecnológicas para o bem-estar e segurança humana e
5:14
animal desde 2007, alicerçados ao conceito one health dos
5:18
produtos e a inovação da American nutrientes, contribui
5:21
para a saúde humana, o bem-estar animal e a preservação do meio
5:24
ambiente. E você falou, então, assim dessa
5:31
desse outro idioma, que é o idioma do Business, né?
5:34
Que é o idioma do financeiro, chamando muito forte, conta um
5:40
pouco dos teus desafios para quem está escutando você, as
5:45
vantagens e desvantagens de você está nessa carreira aí de de
5:51
empresária comparado a uma cientista, né?
5:56
No No, no sentido passado, que era aquele cientista que entrava
6:00
para um para uma instituição, né?
6:04
De pesquisa fazia desenvolvia a sua pesquisa.
6:08
Você traça um caminho de uma cientista que se arrisca em
6:13
aplicar essa ciência em explicar também pro pros produtores, aí é
6:21
como utilizar essa tua ciência. Então conta aí um pouco da dos
6:27
pontos positivos e negativos dessa tua decisão.
6:30
É, na verdade, um dos pontos mais interessantes é que eu não.
6:36
Não é somente eu que aprendo. Com nova, com esse, com essa
6:40
nova ideia de ser empresário, mas quem trabalha comigo, que
6:43
não entende nada de veterinário, também tem que entender o que a
6:47
gente faz. Porque a startup em si ela traz
6:50
muito a ideia da pesquisa com uma visão.
6:54
É bem veterinária da situação. Bem, é zootécnica de tudo que
6:59
está acontecendo. Então um dos principais desafios
7:03
é não somente com essa parte, né?
7:05
De de ser uma das sócias da empresa, mas principalmente na
7:08
questão de desenvolvimento, de sair de um laboratório e fazer
7:12
algo aplicável é você ter habilidade de falar com outras
7:15
pessoas e diferentes áreas. Então, de repente, eu me vi lá
7:20
no começo do meu doutorado, né, que foi quando a gente lançou
7:24
ali a parte do aplicativo falando.
7:26
Falando com o pessoal de TI que eu não fazia a menor ideia do
7:29
que eles estavam falando, e eles também não me entendiam.
7:32
Então a gente tinha que criar uma linguagem em comum para que
7:35
todo mundo conseguisse se ajudar.
7:37
Então, realmente foi uma questão de ter diversas profissões
7:41
trabalhando dentro da mesma área, tanto o pessoal da
7:43
administrativo também, né? Toda a parte pessoal financeiro,
7:47
nós, como pesquisadoras, é tentando traduzir para eles o
7:52
que a gente estava querendo dizer, justamente a parte do do
7:55
do método em si já era uma tradução de lesões no.
7:59
Números e explicar para eles o que significava esses números
8:03
foi algo bem desafiador para conseguir entender como que a
8:05
gente entregaria o melhor produto.
8:07
Então é 11 desafio que é Superinteressante, é lidar com
8:12
diversas profissões ao mesmo tempo para conseguir entregar um
8:17
produto no final da das contas. Então isso foi algo bem bem
8:21
interessante. São vários desafios, né?
8:23
Você não fica na zona de conforto do pesquisador lá, nem
8:27
lá esses se arrisca, você modifica, agora conta pra nós
8:32
aqui, pra todo mundo que tá nos ouvindo, o que que é o teu
8:35
produto? Ah, sim, como é que ele chegou,
8:38
como é que ele foi desenvolvido? O objetivo dele, o que que você
8:41
tá trazendo de inovação pra avicultura?
8:46
Então quando a gente começou a desenvolver lá Na Na federal,
8:50
né? Toda essa metodologia, o nome da
8:52
metodologia é ai sim, side, então do inglês eu vejo dentro.
8:57
A ideia é que não somente veterinários discutissem sobre
9:01
sanidade, sobre lesões, mas que a gente pudesse trazer essas
9:04
informações. Para que inclusive, outros
9:07
grupos entendessem o que a gente estava falando.
9:09
Então, traduzir essas lesões em números e esses números sendo só
9:14
números, não havia significado algum.
9:16
Então, a partir que a gente disso, que a gente gerou
9:19
números, a gente consegue agora trabalhar com correlações.
9:23
Então a ideia da, da metodologia em si foi quando a gente
9:28
desenvolveu um software aonde a gente pode colocar todas essas
9:32
informações, essas lesões traduzidas em números dentro de.
9:36
Um determinado lugar, que é um aplicativo hoje.
9:39
Que a gente utiliza muito a campo com os veterinários e é, e
9:44
todos os técnicos a campo também utilizam e podem colocar outras
9:48
informações para serem associadas.
9:51
Então, a sanidade sozinha ela não se justifica, mas quando ela
9:55
é integrada com performance, com manejo, é com estrutura de lote,
10:01
a gente começa a criar história do que está acontecendo, então
10:05
nada mais é do que um software. Principalmente um dos serviços,
10:09
né? Na da startup é esse software.
10:12
Que a gente desenvolveu para monitoramento sanitário, então a
10:16
ideia principal do monitoramento sanitário, quando a gente pensa
10:20
num, num monitoramento é porque não é algo novo, né?
10:24
Betty é um conceito que todo mundo já conhece há muito tempo.
10:27
Todas as pessoas têm essas informações e eles colocam essas
10:31
informações. E registam, elas há muito tempo
10:36
em folhas em Excel em alguém tem que compilar esses dados.
10:40
Então, dados a quantidade de dados que a gente tem sem ter um
10:44
uso para eles são só dados. Então a ideia do monitoramento e
10:49
de uma de uma pesquisa aplicada para esse tipo de de análise é o
10:53
que dá o diferencial é saber o que lidar com como lidar com
10:56
esses dados. É então assim, o que o serviço
11:00
que você presta é aquele veterano, aquele técnico?
11:04
Ele vai lá pro campo. Ele às vezes ele abre um animal,
11:09
ele sacrifica o animal, abre ele, vai olhar as lesões.
11:13
Aí ele marcava num papelzinho, marcava no Excel e você está
11:17
trazendo a. Oportunidade de ele fazer isso
11:23
num app que ele tem no celular. Eu acho.
11:26
Exatamente. EEA ideia da verdade do
11:29
aplicativo é o seguinte, deixando muito claro, quando a
11:32
gente vai no monitoramento de rotina, que os que os técnicos
11:36
vão a campo eles é vão lá. Eles registram informações de
11:41
necrópsia, eles registram informações de manejo e eles têm
11:45
uma foto daquele momento. A nossa ideia do monitoramento é
11:51
contando um filme do que está acontecendo naquela Granja e
11:54
como todo o filme, até os filmes que são lançados hoje a gente já
11:57
sabe o que é o futuro do filme, né?
11:59
Tem alguns filmes que a gente vai assistir e a gente já sabe
12:01
que que vai acontecer, porque as histórias elas acabam se
12:03
repetindo, então quando? A gente tem um monitoramento
12:07
contando uma história. A gente começa a pensar em
12:10
predição de dados. Como aquilo se repete com uma
12:13
certa frequência e você pontua, informa isso num aplicativo, ele
12:18
vai te indicar o que que vai ser o final dessa história.
12:21
Ele vai dizer se os lotes eles vão ser saudáveis ou não.
12:26
Até mesmo agora a gente está trabalhando com uma outra linha,
12:29
que já é até o pós. É desempenho que já é a questão
12:33
do descarte e toda a questão de de.
12:37
De lesões pós-abate, né? De como que a gente pode
12:40
trabalhar com isso? Então, cada vez mais ela, a
12:43
gente está criando essa plataforma.
12:44
É interativa, colaborativa, que a gente consegue definir o que
12:48
que esses resultados significam. Real, você então é, ele vai além
12:52
só da necropsia ele vai mantendo essa informação, gerando é
12:58
gráficos, permitindo comparações, correlações e
13:03
chegando até o abate final lá, incluindo as condenações, né?
13:09
Que? Exatamente, é trazer uma ideia
13:12
de solução. Quanto mais a gente puder usar o
13:15
monitoramento a favor de soluções seria essa.
13:20
Essa lógica da do software. É outro dia.
13:23
Eu estava aqui conversando com Ricardo rauber, né?
13:26
E a gente, ele. Ele traz muito essa questão dos
13:29
dados, é ele mesmo, chama muito a atenção para a importância das
13:34
monitorias, da avaliação a longo prazo que também quem não
13:37
assistiu o podcast pode lá rever.
13:41
E assim, Bruna, você tem alguma experiência, alguma informação
13:45
assim de um cliente, né? Tipo assim, uma história de um
13:48
cliente que usa o seu aplicativo tomou uma decisão.
13:53
E isso fez diferença, sei lá, no custo, assim ou ou no bem-estar
14:00
hoje hoje a gente também estava conversando com com a Patrícia
14:04
sóster sobre sobre bem-estar animal.
14:08
É, sei lá, você tem alguma história aí para contar pra
14:11
gente assim, de uma aplicação do teu produto que trouxe um
14:15
retorno para o cliente? Na verdade, Beth, o que eu mais
14:19
tenho é a história. Isso.
14:21
Isso é o que a gente vê o tempo inteiro, então.
14:25
Quando a gente trabalha com os dados, né?
14:27
A gente começa a ter a ter essas histórias e, principalmente, o
14:30
que se faz com eles. Teve um cliente especificamente
14:35
que ele conseguiu mudar um programa vacinal, por exemplo,
14:38
porque ele viu especificamente na alteração de aerosacolite o
14:43
que vinha acontecendo ao longo dos lotes.
14:46
E ele sabia que aquilo já IA acontecendo o ano passado,
14:49
porque ele era um cliente nosso que está aí.
14:50
Um dos nossos primeiros co-desenvolvedores que a gente
14:52
chama. Então ele já tem esse histórico
14:55
há mais de ano e ele já sabia que IA se repetir, então ele
14:59
conseguiu até mudar programas vacinais para melhorar.
15:02
Aí os resultados desses lotes. Outras situações também é que no
15:07
ano passado. Usado quando a gente começou a
15:10
criar esses dados e entender o que que eles significavam era
15:14
algo que quando eles viam que as informações já estavam sendo
15:19
hoje, a gente trabalha com benchmark, então a gente já sabe
15:22
que aqueles números que as lesões geram.
15:24
Coleção correlacionadas com o desempenho correlacionada com o
15:27
desempenho significa Bert que quanto maior aquela lesão que eu
15:31
estou vendo, mais vai afetar o meu.
15:33
O desempenho daquele animal, então ele é uma certa pressão de
15:37
dados, né? A gente já consegue entender o
15:38
que vai acontecendo no final daquele lote, já começaram a
15:42
tomar a atitude, então eles viram a pontuação e já começaram
15:45
a mudar programa e eles evitaram o final trágico do ano anterior.
15:50
Eles mudaram toda a resposta porque até mesmo a própria
15:54
sazonalidade pode trazer as informações que a gente
15:56
gostaria, né? Então isso é.
15:59
Porque tem uma coisa assim. Quando eu comecei a trabalhar,
16:02
Bruna, assim eu ficar, ficava falando assim com pessoas que já
16:05
estavam mais tempo que eu na área e aquele era um tipo assim,
16:10
aquele. Nossa, o profissional que a
16:13
gente adorava sair junto, porque ele sabia tudo.
16:15
Pode ser até um pai de Santo, uma mãe de Santo, porque na
16:19
verdade, o que que ele fazia? Ele fazia a experiência de
16:22
muitos anos dele. IA falando assim, isso vai
16:25
acontecer. E é.
16:27
Fazia uma previsão na cabeça, né?
16:30
Então você está falando assim, que digamos, até uma pessoa que
16:33
saiu da faculdade mês passado não precisa ficar esperando
16:38
ficar velho para saber. Para predizer, não é.
16:41
Ele pode usar os teus dados EE começar.
16:46
AA, ter o informações que erram menos.
16:50
Poder, eu poderia falar isso. Basicamente, sim, Beth, porque é
16:55
todo o embasamento de pesquisa que a gente traz junto com
16:59
aplicativo. Já é uma.
17:00
Já é uma metodologia validada cientificamente há muito tempo a
17:04
gente tem mais de 15 artigos publicados que mostram o
17:07
embasamento do poder desses dados, então é quando a gente
17:11
trabalha com estatística. Você é mesmo quando era
17:13
professora e até sempre fala muito que a gente não pode ser
17:16
emocionado, então não dá para você achar as coisas na emoção.
17:20
A estatística está aí para comprovar o quanto que aquilo
17:23
pode se repetir. Então essa justamente é a ideia.
17:26
As pessoas, até mesmo que não tenham 30 anos de de experiência
17:31
e sabem o que vai acontecer porque sofreram, porque
17:34
apanharam na época, aprenderam na dor.
17:36
É hoje os dados, eles conseguem trazer essas informações de uma
17:40
maneira muito mais tranquila para a gente entender o que é
17:43
que está acontecendo, as histórias, elas se repetem.
17:46
Então isso realmente é algo que a gente tem que aprender.
17:48
Todos os dados do passado, eles não precisam ficar no passado.
17:52
A gente pode aprender com eles e trazer essas informações para o
17:56
futuro. E, principalmente, se ele está
17:58
numa plataforma amigável, né, que você vai no computador que
18:02
nem você vê o Instagram, você vai lá e vê o teu gráfico de g
18:05
Matter seria exatamente. Naquele momento, por exemplo,
18:08
que você vai a campo, coleta aquelas informações, o
18:11
aplicativo, além dele ter 11 questão off-line aonde não
18:16
precisa, a gente sabe como é que é a internet aqui, né?
18:19
Quase ela não funciona muito bem, ele funciona.
18:21
Fline, pode colocar todas as informações ali e no momento que
18:24
entra em contacto com o Wi-Fi ou com o 4G, já consegue fazer.
18:29
Essas, essa sincronização dos dados e o gestor tá vendo
18:32
naquele determinado momento que ele recebeu os dados, ele já
18:36
consegue ver qual é a Granja que está com uma pontuação maior,
18:40
como que pode evitar isso se tem que mudar a estratégia, se o
18:44
problema é regional, qual é a lesão que está maior, qual lesão
18:47
que aponta o aplicativo aponta tudo isso.
18:49
Ele muda de cor conforme AAA, intensidade dos desafios estão
18:55
acontecendo naquelas unidades de análise epidemiológica.
18:58
Vai chamando atenção e é uma ferramenta fácil.
19:03
E como é que o teu como é? Quais são AA assim o.
19:07
Assim, AO retorno do teu cliente, o que que eles falam?
19:10
Quem que é o teu cliente? Teu cliente é é o veterinário, é
19:14
o técnico, assim, quem que mais curte esse sistema ou que não
19:19
curte que você tem uma dificuldade de é de?
19:24
De lidar ou de se fazer entender com esse sistema?
19:29
É, na verdade, é um sistema que ele é muito mais útil para os
19:32
gestores sanitarista que conseguem.
19:35
Não é só uma ferramenta de necrópsia.
19:37
Ferramenta interativa mas é uma ferramenta aonde ele consegue
19:41
fazer gestão do próprio grupo, porque ele consegue ver os
19:45
técnicos que estão colocando informação.
19:47
As regiões, ajuda os técnicos a entender os próprios problemas
19:51
das regiões e naquelas reuniões, sabe Beth.
19:54
Aquelas reuniões mensais de sanidade, aonde tem que trazer
19:58
as informações? A gente gera relatórios mensais
20:01
para eles, aonde mostra exatamente aonde que estão os
20:04
problemas. Então fica algo muito mais
20:06
visual com gráficos e indicativos que pode ajudar aí a
20:10
vida deles. Eles são as principais pessoas
20:13
que hoje trabalham com a questão do monitoramento sanitário.
20:17
Né? E o técnico?
20:18
Ele está pronto, ele está aberto.
20:19
Ele sabe usar essa ferramenta, como é que é?
20:22
Tem questão de idade, como é que é a tua, a tua?
20:27
A tua relação aí com quem? Com o usuário do do teu sistema.
20:31
Isso é extremamente interessante porque, claro, como tecnologia,
20:35
tecnologia, às vezes a gente se assusta dependendo da da geração
20:39
que está pegando. A tecnologia primeira vez tem
20:42
pessoas que. Certa facilidade e já aceitam a
20:45
hora de de prontidão aquela ferramenta.
20:48
E tem pessoas que relutam um pouco porque estão acostumadas a
20:52
20 anos escrevendo um papelzinho.
20:54
Uhum. Então quando eles entendem tanto
20:57
qualquer geração entende a funcionalidade, ela consegue
21:02
trabalhar de uma forma tranquila porque não tem erro.
21:05
É algo muito tranquilo. A tecnologia está aí para ajudar
21:08
a gente mesmo. Então, independente da idade,
21:11
não, não tem, não tem problema nenhum.
21:13
Sem falar que diferente. Os suportes que você fala só com
21:16
uma máquina, a gente está lá ajudando a gente cria grupos de
21:19
WhatsApp, a gente conversa com eles, os técnicos ligam pra
21:22
gente toda, toda hora. Se eles tiverem algum problema,
21:25
principalmente na implementação, né, que surge um pouco mais de
21:28
dúvida, mas depois é algo muito tranquilo de ser ser lidado.
21:33
Eles mesmos é vão ensinando as novas pessoas que estão
21:36
entrando. A gente faz treinamentos, é
21:40
anuais ali com eles trimestrais, dependendo da quantidade, do
21:43
tamanho do grupo, então é algo muito tranquilo para qualquer
21:46
idade mexer e qualquer experiência.
21:49
Teve o como eu sou contadora de história, tem mais uma história
21:52
para te contar. Que teve um pessoal a em uma dos
21:56
um dos nossos clientes hoje, que é o técnico saiu de suínos,
22:01
então ele não sabia muito bem lidar com frango de corte.
22:04
A ferramenta toda ela é focada pro frango, né?
22:07
A gente desenvolveu metodologia pro frango e hoje a gente tá
22:10
fazendo alguns testes, inclusive construindo, mas enfim, é é,
22:12
você sabe. Pesquisador, né pesquisador tem
22:14
tudo que tipo de de ideia, mas com a parte do frango ele nunca
22:19
tinha visto frango, basicamente ele era veterinário de suíno
22:23
quando ele entrou na parte de frango e ele foi apresentado ao
22:27
app, ele falou ai gente, que bom.
22:29
Agora aqui, porque o app, o que que acontece?
22:31
Ele tem fotos, Beth, que você pode selecionar qual é o score
22:35
mais próximo da ave? Então ele tem um guia de todas
22:39
as lesões que estão acontecendo, então você não precisa ser um
22:42
expert patologista para saber que aquele fígado está
22:46
amarelado, por exemplo, ou se aquilo é um mito.
22:48
Pericárdio, né? Então qualquer coisa de mudança,
22:51
qualquer tesão que. Tem?
22:53
Ele tem um guia aonde você seleciona exatamente qual é a
22:57
foto mais próxima. Daquela lesão que você está
23:00
vendo? Além disso, é possível colocar
23:02
fotos no aplicativo para discutir depois quais são as
23:06
lesões e, além disso, qualquer informação que seja relevante
23:10
para a empresa, por exemplo. Hoje nós não trabalhamos somente
23:13
com o Brasil, mas também é com outros países, como o México.
23:17
Que algumas lesões são diferentes para ele do que são
23:19
pra gente, então a gente consegue adaptar a ferramenta de
23:22
acordo com o que cada empresa necessita.
23:25
Então isso é algo que é bem bem interessante, não é?
23:28
Não é uma ferramenta, não é um software nacional.
23:31
A gente já é. A gente é global, a gente
23:32
consegue atender qualquer qualquer país.
23:35
Qualquer país quer ver cultura global, né?
23:38
Avicultura brasileira sempre faz um sucesso tão grande lá fora.
23:41
Eu toda vez que eu faço o podcast aqui, eu digo, nossa, a
23:45
gente é tão. Tão bem visto lá fora, é tão
23:48
bom, tão, tão valorizado, né, Bruna?
23:52
Você comentou aqui ao longo desse dessa nossa conversa e
23:56
falou assim, uma plataforma. Colaborativa, como é que isso
23:59
funciona? Como é que essa questão de
24:02
colaboração aí que vocês têm No No sistema de vocês?
24:08
Beth, esse é um. Esse é um sonho, na verdade,
24:12
porque já é o que acontece com algumas empresas.
24:15
Mas a questão da da da frase, né?
24:17
De ser colaborativo é que vem muito da nossa parte cientista,
24:22
né? Então é a parte do pesquisador
24:24
que fala mais alto. Quanto mais informações a gente
24:27
tiver dentro do sistema, mais a gente.
24:29
Ajuda o nosso mercado, então quanto mais pessoas e diversos
24:33
lugares colaborarem com esse tipo de informação, então,
24:37
fazendo dados com a gente, estudando, com a gente,
24:40
utilizando AAA, nossa plataforma, utilizando os nossos
24:43
serviços para conseguir agregar, é mais resultado algum
24:48
determinado fator, mas a gente consegue entregar, a gente vai
24:52
criando esse tipo de de história, com diversas pessoas
24:56
que não necessariamente são iguais, são cada um tem a sua
24:59
história, cada um tem as suas informações e quanto mais a
25:03
gente conseguir esse tipo de colaboração e trazer esses dados
25:07
para a ciência, mais a gente consegue.
25:10
Melhorar a nossa visão dentro do.
25:12
Dentro do mercado e conseguir ajudar de qualquer maneira é a
25:16
pesquisa e desenvolvimento de de produtos de maneira geral, né?
25:19
Então essa, essa é a parte importante.
25:21
Mas assim, ó, quando é algo colaborativo que você coloca
25:25
teus dados a libra, assim, todo mundo fica com medo que que você
25:29
vai fazer com os meus dados, né? Que como é que você, que que
25:32
você, como é que você vai usar isso, e aí acaba que muita gente
25:36
acaba ficando com medo, né? De de se expor, isso acontece
25:41
até nas próprias redes sociais, né?
25:43
Ah, não vou me expor o Instagram.
25:44
Eu não vou me não vou me aparecer nessa rede social aqui,
25:49
ainda mais. Dados de produção como é que
25:52
vocês fazem para dar alguma garantia ou para trazer mais
25:57
segurança para quem quer trabalhar de forma colaborativa,
26:01
mas ao mesmo tempo não quer expor os seus dados?
26:04
Não quer ter uma exposição, né? Nacional ou até Internacional.
26:08
Aí, com os dados que possui. Beth, primeiro que eu não sei de
26:12
quem são esses dados até hoje. Se você me perguntar como que a
26:15
gente gera, a gente gera alguns relatórios, é globais.
26:19
Eu não tenho acesso da onde eles vêm.
26:22
Então, toda a plataforma ela é criptografada, a gente não tem
26:25
isso. Cada empresa colaborativa, a
26:27
gente tem um contrato de confidencialidade, então
26:29
basicamente eu não tenho acesso a esses dados.
26:32
Eu não posso usar esses dados, então quem é?
26:36
Que trabalha com a gente, EEE coloca essas informações ali
26:41
dentro. Eles estão em completa segurança
26:43
porque não tem como. A gente é usar esses dados
26:47
porque a gente não sabe de quem são.
26:48
Basicamente, basicamente essa história a gente tem.
26:52
Ocultado, não faz a menor ideia da onde.
26:55
É num banco de dados que não é identificado e a partir daí,
27:00
você pode gerar curvas para saber médias de ocorrência, mas
27:05
não de quem que é essa média? Nem.
27:08
Nem não consegue fazer nada. Ou seja, se o teu cliente não te
27:11
permitir discutir com ele, você não.
27:15
Cessa nada exatamente hoje, a grande maioria permite que a
27:20
gente é discuta os dados de de necropsia, né?
27:23
Porque é uma visão nossa, de de lesões, e ajudar a entender o
27:28
sistema. Alguns alguns gostam da nossa
27:32
participação nesse momento. Nessas reuniões, eles têm essas
27:34
reuniões internas e depois vão tirar dúvidas com com a gente,
27:38
sem problema nenhum. Mas tem toda essa questão aí de
27:41
de confidencialidade que a gente não pode publicar esses dados de
27:44
maneira alguma. Os dados que a gente pega pra
27:47
estudo a gente não sabe de quem é.
27:50
Então eles sabem que esses dados podem ser usados para
27:53
aprimoramento da ferramenta que vai ajudar eles no futuro.
27:56
Mas é hoje. A gente tem um n de 80000000 de
27:59
aves, é amostradas, então é. É muita coisa, a gente não tem
28:03
como saber de quem que são essas aves, essa que essa.
28:07
Informação geral, você consegue gerar dados epidemiológicos
28:10
interessantes, né? Exato.
28:12
Eu sei, por exemplo, que esse mês aumentou muito.
28:17
Lesões de coxsidiose. Mas quem que está aumentando?
28:20
Eu não sei, então é por isso que isso é realmente algo que a
28:24
gente começa a ter. Essas informações em nível
28:27
Brasil ou em nível de cada um dos outros países.
28:30
Os outros países não entram hoje no nosso, no nosso relatório,
28:33
porque é muito individual, né? Cada um deles.
28:35
Vai começar a gerar relatórios individuais falando deles, mas é
28:40
realmente hoje a gente só tem. Qual é a lesão agora?
28:44
Quem que está puxando esses números para cima ou para baixo?
28:46
É uma informação que a gente não consegue ter acesso, é todo.
28:49
Mundo acaba fazendo isso, epidemiológicamente, né?
28:52
Tipo a ONU, Organização Mundial da Saúde.
28:55
Ela recebe esses dados de forma que?
28:59
Não tem nenhuma identificação, mas elas são capazes de gerar
29:02
tendências, né? Informações importantes e se se,
29:06
por exemplo, você usar o mesmo sistema, quer dizer, eu uso
29:10
easy, eu entro ali na plataforma e digo assim, Ah, está acima ou
29:14
está abaixo da média geral? Se eu estou melhor ou estou
29:17
pior? Você falou que já existe um
29:20
número, né, Bruna? Assim, então, Oo easy.
29:24
Para quem não conhece, é um número que é gerado, né?
29:28
Não sei se pode explicar um pouquinho pra gente e dizer qual
29:30
que seria o número que eu digo assim é bom, é ruim ou ou vocês
29:35
ainda não têm esse número? Como é que?
29:37
É fraud, corte bette. Esse número é muito bem
29:39
estabelecido, já a gente já fez vários testes, é com diversas
29:44
aves pra saber EE testes a campo, então são dados reais que
29:48
a gente consegue identificar o quanto que isso impacta no
29:51
desempenho final do animal. Então significa que eu.
29:56
Quando eu tenho uma média de 14, estou no intervalo ali de. 14
30:02
quanto a quanto assim só pra gente ter uma ideia do que que
30:05
você está falando? Em termos de variação?
30:08
Na verdade, se a gente for considerar todos os números do
30:10
easy, o easy, o easy vai até ser anos 70, então é muita coisa,
30:13
mas isso teria que ser todas as pontuações em nível máximo,
30:17
então isso não acontece. Então o que é que a gente
30:20
observou que até e o que é que essa pontuação a gente tem o
30:24
check-litt dele, acrópsia, aonde tem todas essas lesões
30:28
pontuadas? Ali.
30:29
Essas lesões, elas vão receber, escolhes e cada uma delas recebe
30:33
um peso e esse peso é o quanto impacta No No desempenho do
30:38
animal, sempre focando no que é que é o que se paga, né, que é o
30:42
que paga a conta, que é o desempenho animal ali sim, e a
30:45
gente consegue focar nesse sentido.
30:47
É quando a gente fez esses testes.
30:49
A gente viu que quando a gente tem uma média, até 14 ou um
30:55
pouquinho acima ali de 14, a gente ainda tem respostas muito
30:58
positivas. Com o desempenho, com conversão
31:01
alimentar, com ganho de peso. É de 14, chegando ali acima de
31:05
20. A gente já começa a ter uma
31:08
perda tanto em mortalidade quanto conversão alimentar.
31:12
Mais importante é e isso indica no aplicativo, ele fica verdinho
31:17
quando as aves elas estão é, ainda estão saudáveis.
31:21
Ainda não está impactando o desempenho final.
31:24
E ele começa a ficar amarelo quando cria esse alerta,
31:27
mostrando que a ave ela realmente já está ficando doente
31:30
e isso tudo que o embasamento científico Betty, e depois
31:34
disso, quando ele chega ali em torno de uns 30 da faixa de 30
31:39
para cima, ele já cria o alerta em vermelho, que a gente não
31:43
quer que isso aconteça. A Lily de facto está perdendo
31:46
muito na questão de produção. A gente já está doente, né esse?
31:49
Com certeza já é um. É um lote que.
31:52
AA gente pega 5 aves do galpão todo.
31:56
CR 5 teve uma média acima de 30. É porque teve muita pontuação
32:01
alta e na teoria elas deveriam ser a média do galpão.
32:05
Então é significa que o galpão inteiro pode estar.
32:08
Pode estar prejudicado. Então assim é, mas tem que
32:12
cuidar, né? Porque se eu pegar só as aves
32:13
ruins lá, os refuguinhos. Aí vai parecer que o galpão está
32:17
ruim, né? E eu vou.
32:18
Tomar a gente você pegar só as boas também.
32:20
Por isso que a amostragem no nossos treinamentos é uma coisa
32:23
que a gente. Bate muito na tecla, porque não
32:26
adianta pegar as aves, que são mais fáceis de pegar porque
32:29
provavelmente elas já são quase um refugo.
32:31
Alguma coisa já está acontecendo ali com elas, então tem que
32:35
pegar AAA, média do galpão em si.
32:38
Tem que entender como que está AA viabilidade daquele daquele
32:43
galpão para daí conseguir encontrar.
32:47
Qual que é a quais são as aves. E também não adianta eu pegar
32:51
todas as aves do começo do galpão, tem que andar, tem que
32:54
fazer uma amostragem de verdade, assim entre todas elas.
32:58
As aves, elas são muito semelhantes entre si, então a
33:01
chance de vocês pegarem 5 aves que representem o galpão é muito
33:05
alto. De acordo com como está.
33:07
Essa é como está todo esse lote. Isso é bem legal.
33:10
Acho que como tudo na vida, né? Se não está, não faz uma boa
33:13
mostragem você não consegue saber como é que a população
33:17
está andando. Exatamente.
33:21
Imagine ter à disposição uma solução que combine rapidez e
33:25
interpretação personalizada para gerenciar os riscos das
33:28
microtoxinas em sua empresa? Pegas o Science é a resposta.
33:33
Realizamos a quantificação em tempo real das principais
33:36
microtoxinas, promovendo decisões mais assertivas,
33:39
resultando em um gerenciamento macroeconômico e sustentável.
33:46
Bom, Bruna, está tão legal. A gente conversou sobre muita
33:49
coisa sobre a tua vida, sobre como ser empresária, falou
33:52
bastante do teu produto, dessa análise dos dados e a gente está
33:58
chegando aqui no final e sempre no final a gente deixa aquele
34:02
tempo, né para o nosso convidado convidado a trazer a.
34:07
Mensagem qual que é a mensagem final?
34:09
O que é que você quer falar? Para quem está nos ouvindo e o
34:11
público é super diverso, sabe? Bruno, então você tem que mandar
34:15
uma mensagem assim, talvez mais abrangente, ou separar.
34:18
Qual a mensagem da Bruna aqui para o nosso podcast?
34:24
Nós estamos hoje em dezembro de 2023.
34:28
Legal, Beth, porque até quando? Quando a gente pensa nisso, em
34:32
em mensagem, a Bruna de dezembro de 2023, ela já é 11.
34:37
Bruna, que pensa muito no. Na qualidade das informações que
34:41
a gente está coletando hoje, então hoje eu vou trazer uma
34:44
mensagem, principalmente pensando no big data, então a
34:47
big data, quando a gente fala dessa quantidade de dados que a
34:51
gente tem, a gente está falando que hoje até 11 conceito que
34:55
falam que é big data, é inteligência dos negócios.
34:58
Se você não souber lhe dar com big data, eles só são dados,
35:02
então quanto mais a gente conseguir lidar com essas
35:05
informações, mais precisas a gente vai.
35:08
A gente vai entregar essas informações.
35:11
Então eu acho que. AA ideia é saber lidar com essas
35:15
informações que estão chegando e são muitas informações que estão
35:18
chegando e como que várias profissões juntos conseguem
35:23
entregar algo no final que de fato, vá ajudar a ciência?
35:27
Não, isso é excelente. Obrigada pela tua mensagem.
35:31
Obrigada pelo teu tempo, Bruna, que eu sei que é que o final de
35:33
ano está todo mundo na correria se tirou um tempinho para falar
35:36
com a gente e desejo. E desejo para você aí tudo de
35:41
bom para você, para o teus objetivos pessoais e para os
35:46
teus objetivos profissionais é muito sucesso.
35:50
Continue trazendo mais inovação para agricultura.
35:54
Muito obrigada. E para vocês que ficam aí nos
35:58
assistindo, aproveitem para assistir esse podcast.
36:02
Os outros aí que são bastante interligados nessa parte de
36:05
dados e a gente vai conversando ao longo de 2024 também.
36:10
Um abraço para todos vocês.