Latest / Mais Rúmen Podcast · by PPGVET / #17 - CIÊNCIA DE DADOS APLICADA À PECUÁRIA | Guilherme Rosa

Transcript

#17 - CIÊNCIA DE DADOS APLICADA À PECUÁRIA | Guilherme Rosa · Mais Rúmen Podcast · by PPGVET

0:00
As coisas vão evoluindo e a gente vai coletando mais dados
0:03
cada vez mais a pecuária e a agricultura em geral vai ficando
0:08
mais racional, mais baseada em desses dados para a tomada de
0:12
decisão, né? Fala ouvintes do mais ruim
0:22
podcast, sejam bem-vindos a mais um episódio eu sou Bruna Manuel
0:26
barreta, sou estudante de medicina veterinária aqui do
0:29
Cave da Udesc de Lages, Santa Catarina, e espero que vocês
0:33
gostem bastante do episódio, assim como eu gostei de gravar.
0:36
Não se esqueçam de curtir, deixar um comentário, deixar
0:39
sugestões para os próximos temas e fiquem agora com a gravação.
0:43
No episódio de hoje, eu vou conversar com Guilherme rosa,
0:45
professor, seja bem-vindo ao mais ruim podcast.
0:48
Obrigado pela pelo convite, Bruno.
0:50
Legal, professor, eu gostaria que você falasse um pouco da tua
0:54
trajetória, o que que te fez chegar hoje no cargo de
0:58
professor que você está hoje aí na em?
1:00
Em discount? Sim, é por favor.
1:02
Se apresenta um pouco aqui para nossa audiência.
1:04
Está Jóia. Eu.
1:05
Eu sou formado em Zootecnia na Unesp de Botucatu, em São Paulo,
1:09
muitos anos atrás e eu fiz o meu minhas ô techne Alá e sempre.
1:14
Assim, já desde o início eu já me interessei para a parte de
1:17
análise de dados, eu fiz AA. Cursos de matemática,
1:20
estatística e gostei dessa de de de análise de dados e fui
1:25
monitor lá na no departamento de bi estatística que chamava na
1:29
área de estatística e fiz estágio lá depois no meu quarto
1:35
ano de graduação, eu fiz um estágio na área de melhoramento,
1:39
então é foi a tentativa de colocar essa parte de análise de
1:42
dados estatística mais próxima de Zootecnia, né?
1:46
Então é tinha essa ideia de trabalhar com o melhoramento
1:50
genético, né? A Zootecnia de Botucatu.
1:52
No quinto ano de de estágio, e aí eu fui fazer meus estágios,
1:57
né? Fui para, fui para a Perdigão,
1:59
né? Em Santa Catarina é bom, me
2:01
formei e comecei o meu mestrado na área de melhoramento, lá em
2:07
Botucatu mesmo, né? E aí surgiu um concurso para
2:10
professor no departamento de bi estatística e eu, concurseiro e
2:15
eu, ingressei ingress, Hein? Uma categoria que não existe
2:18
mais que auxiliar de ensino, era um indivíduo na carreira
2:22
acadêmica, mas sem mestrado ainda, né?
2:24
E aí, como entrei no departamento de estatística,
2:27
pediram para eu trocar de orientador e trocar de de de
2:30
tópico para ficar algo mais em estatística.
2:33
Então meu mestrado foi com análise de dados, mesmo análise
2:36
multivariada de de dados dados longitudinais.
2:38
Terminei meu mestrado e também não poderia sair de Botucatu
2:42
porque eu estava em estágio probatório por 3 anos.
2:44
Você fica, não pode se afastar, mas terminei uma mestrado e aí
2:47
sim, afastei para fazer doutorado.
2:49
Eu fui pra Piracicaba, na esalq, fazer um doutorado na área de
2:52
estatística lá e durante o meu doutorado, eu vim para os
2:55
Estados Unidos fazer o doutorado sanduíche, então eu terminei as
2:58
as disciplinas. Em em Piracicaba.
3:01
Eu fiz o exame de qualificação e aí eu vim fazer parte da da da,
3:06
da pesquisa aqui com o professor Daniel gianola.
3:09
E aí, defende. Eu voltei para o Brasil,
3:11
defendia a tese e nisso ja no ela me chamou para vim fazer.
3:16
Eu vou voltar pra cá para fazer um pós doutorado, então eu
3:19
fiquei no Brasil lá na Unesp, em. 99.
3:25
E aí, 2000, vim fazer um pós doutorado e aí eu fiz um
3:30
concurso aqui para professor Na Na Na Michigan state University.
3:34
EE me chamaram, mas eu tinha compromisso de visto e
3:38
compromisso com a com a Unesp. Eu voltei para o Brasil 2001,
3:43
estava no Brasil. Aí em 2002 que eu me mudei para
3:45
os Estados Unidos. Definitivamente fui para me
3:48
chegar em stay tune vorto. Fiquei 4 anos lá porque a
3:54
universidade Wisconsin é me convidou para voltar para cá
3:58
como professor. Então, desde 2006, agora eu sou
4:01
professor aqui. Então foi essa assim, AA
4:03
trajetória até chegar aqui. Legal, professor, até na
4:07
estávamos conversando antes que o professor teve uma parte do
4:11
estágio final aqui em Santa Catarina, EE aí de onde eu falo
4:14
hoje também. EE com o advento da internet, a
4:18
gente consegue conversar com alguém que tá lá nos Estados
4:20
Unidos e apenas alguns. Algumas diferenças de fuso a
4:23
gente está em em contato aqui. Professor, agora deixa eu ver,
4:27
comentar nisso que é, é, eu sou eu, eu só pra você ter uma ideia
4:31
de de eu comecei meu, meu, minha graduação em 1990, em 86, me
4:37
formei em 90, então doutorado meu eu comecei em 9595.
4:45
Então você imagina o que que era nessa época, os computadores que
4:48
nós tínhamos AAO telefone a internet, né?
4:53
E eu me correspondia com gianola aqui nos Estados Unidos, quando
4:58
eu estava no Brasil ou depois que eu retornei, era ainda via
5:01
telefone, né? Eu tinha que conectar.
5:04
São textos pequenos, você tinha que escrever o texto, conectar o
5:10
telefone e mandar e ficar esperando, né?
5:13
Foi, né, quando o deu certo, aí você, 2 dias depois, recebi aí o
5:18
e-mail de volta. Então é impressionante as as
5:21
facilidades que nós temos hoje e uma revisão de literatura.
5:25
A gente tinha que vai para a biblioteca.
5:28
EE você pegava lá 20 anos do Journey of animal Science, IA
5:32
folheando um por um, primeiro, olhava meu a.
5:35
Os títulos dos trabalhos, aí abria OA revista, ler o resumo
5:40
te interessou? Aí você lê AAO papel, então tem
5:44
que fazer cópia, né? Fotocópia para depois levar pro
5:48
pra casa, pra ler. Hoje é uma, é uma facilidade de
5:51
fazer 11 revisão bibliográfica, né, eletrônica e no mundo
5:56
inteiro. Então isso aí é é uma coisa, é
6:00
impressionante como. Que eu vejo a diferença que
6:03
tinha assim, de de pesquisa, de conhecimento, comparando, por
6:08
exemplo, Brasil, Estados Unidos, né?
6:09
Quando eu saí do Brasil, vim pra cá.
6:12
Você via uma diferença muito grande hoje em dia não tem suas
6:15
a se se tiver, a diferença é muito mais pela pelo indivíduo,
6:19
não ir atrás porque está tudo disponível, né?
6:21
Você tem aulas disponíveis na no YouTube, você tem material
6:27
eletrônico, as pessoas colocam, né, descrevem, participam
6:30
disponível no então, isso facilita demais hoje.
6:34
Boa, nós. Nós vamos voltar a falar disso
6:36
aí, professor, de como é esse acesso?
6:39
Hoje está facilitando, talvez tornando mais individual ainda
6:44
conhecimento, porque vai depender do aluno de atrás, né?
6:47
Antes disso, professora, já fazendo esse disclaimer aí,
6:51
pegando isso que o professor falou, o professor gostou
6:53
bastante e acho que vem estudando cada vez mais.
6:57
É dados, dados são. Aí tem uma frase, que dados são
7:00
o novo petróleo EE eu queria entender na ideia do professor,
7:04
no pensamento do professor, quando foi?
7:06
Que se essa grande quantidade de dados entrou também na pecuária,
7:10
desde quando que a gente começou a ver nossa?
7:13
A gente tem bastante dados agora, o problema está sendo
7:16
interpretá-los e não mais adquiri.
7:18
Los bom Bruno é uma evolução, né?
7:21
Não é assim uma coisa que acontece de vez, né?
7:24
Que não existia nada e de repente estamos atolados em
7:28
dados. As coisas vão evoluindo e a
7:30
gente vai coletando mais dados cada vez mais a pecuária e
7:35
agricultura em geral vai ficando mais racional, mais baseada em
7:39
desses, em em dados para tomada de decisão, né?
7:42
Antigamente era tudo no olho, tudo No No, no é, eu acho que tá
7:46
melhor assim, melhor assado, né? E a gente vai não vai evoluindo,
7:51
vai coletando vai, vai desenvolvendo técnicas
7:54
científicas e tecnologia, né? Então, por exemplo, na minha
7:58
área mais específica que eu vim da área de melhoramento
8:01
genético. A gente já trabalha com
8:04
conjuntos de dados grandes há muito tempo, né?
8:07
Era um conjunto de dados que a gente chama de de tou, porque de
8:11
alto ele tem muitas observações, né?
8:14
Muitos indivíduos e nem tantas variáveis.
8:17
Então a gente está mencionando é mensurando, talvez 5 1015
8:23
variáveis, dependendo da espécie, né?
8:26
Então pode ser peso ao nascimento, peso ao ano, pesa
8:29
sobre ano se for bovino, né, ou bovino de leite, produção de
8:33
leite, gordura. É proteína, produção de ovos, o
8:38
tamanho da leitegada dependendo da espécie, né?
8:41
Mas assim, algumas características fenotípicas que
8:44
eram mensuradas e nós tínhamos um conjunto de dados bastante
8:48
complexo ainda, né? Temos porque são em, é em
8:52
bovinocultura, por exemplo, você tem muitas fazendas, tamanhos
8:57
diferentes de fazendas, é indivíduos, usam Touros
9:01
diferentes, aparentados, é, e você tem que levar em
9:04
consideração esse esse. Parentesco entre os animais para
9:08
avaliar, né? AO mérito genético?
9:10
Para selecionar os melhores animais para gerar a próxima.
9:14
Próxima geração, então. E dentro da Zootecnia eu acho
9:20
que o pessoal de melhoramento é o que estava mais avançado nessa
9:24
área de análise de dados, especialmente com isso,
9:27
inclusive modelos mistos, que é uma técnica muito bem.
9:31
Flexível, poderosa de análise de dados.
9:34
Que foi desenvolvida num contexto de melhoramento
9:37
genético animal, né? Aí depois, nessa área nossa,
9:42
chegou a parte genômica, então foram assim poucos anos,
9:46
realmente. O conjunto de dados mudaram
9:48
completamente. A gente começa a ter agora
9:51
muitas variáveis, milhares de variáveis.
9:54
Cada variável é um genótipo, né? Do animal para 11, posição
10:00
específica no genoma. Então agora é o que eles chamam
10:03
de dados, é largos, né? O wide.
10:06
Então, além de ter muitos observações, temos muitas
10:12
variáveis e agora nós estamos vendo uma outra aceleração nesse
10:17
sentido, que é com a com a chegada de de técnico da parte
10:21
de sensoriamento, né? Sensoriamento remoto, sensores é
10:26
quem o era. Bom, né?
10:27
Que a gente anexa aos animais ou para monitorar o ambiente uns
10:32
onde os animais estão sendo criados, né?
10:34
Então agora que eu e nessa, nessa chegada desse tipo de
10:39
dados EE sensores no carro. Fora de de pecuária, de
10:43
agricultura, né? Carro, câmaras de vigilância, é
10:48
multimídia, tudo o que você faz, cartão de crédito.
10:51
Então agora que teve essa essa, esse quantidade enorme de dado
10:56
em todas as áreas, e aí que começaram a chamar de deira
11:00
Science, né? Que essa integração de
11:03
computação e estatística, então, é isso?
11:07
É uma coisa, é uma evolução, tem alguns degraus numas acelera
11:11
sono quando uma tecnologia é nova, chega.
11:15
Mas eu EEEA pecuária ou agricultura em geral,
11:19
obviamente, vai um pouco atrás de uma área de de engenharia ou
11:24
de uma área de de medicina que tem muito dinheiro.
11:28
EE, em geral, eles abrem a Fronteira nessas áreas e a gente
11:32
vai adaptando e introduzindo na nossa área.
11:36
Então eu acho que agora é o momento que está tendo essa
11:41
grande mudança de pecuária ou agricultura em geral.
11:44
Né? E professor?
11:46
Será que quando eu eu juntar esse dado que ele é alto e ele é
11:50
largo ao mesmo tempo, a gente entra na que?
11:53
Naquele conceito do da big deira?
11:55
Dos, né? Big big data, o que que seria
11:58
essa big data, que é 11, palavra que um pessoal aí vem falando
12:01
bastante? Quais suas características, como
12:03
é que é OA definição do professor?
12:05
O nome eu não gosto muito, esse já está consagrado.
12:09
Eles falam big data, mas não acho interessante, porque Oo
12:13
grande é. É relativo, né?
12:16
Então, há 10 anos atrás, algo que a gente achava nossa aqui
12:20
como de dados grande, o computador não está conseguindo
12:24
rodar isso daqui. É hoje a gente olha para trás,
12:28
fala, puxa vida, não é não. É tão fácil, é porque não tinha
12:32
o computador, não tinha um modelo, um algoritmo específico.
12:36
Então quando a gente pensa em big data, não é só o tamanho de
12:39
dados. O que está, é claro que vai ter
12:43
muitas variáveis, mas o que é grande pra pra gente é é nada
12:48
para um cara que trabalha no Google lá no Facebook ou na ou
12:52
na Microsoft, o que for, o que caracteriza o que a gente ficou.
12:57
O big day, então, não é só o volume de dados, mas é você está
13:00
integrando o dado. De diferentes Fontes?
13:03
Então, num contexto de pecuária, você tem dados de clima?
13:08
Tem dados de de de sensores nos animais?
13:13
Tem dados que o pecuarista está coletando no dia a dia de de
13:18
manejo dos animais. E assim por diante.
13:21
Genômica então, se você tem várias Fontes de de informação,
13:26
tem que integrar isso. Então às vezes é é integrasse o
13:31
animal, é o identificador. Às vezes é a fazenda, às vezes é
13:35
a posição geográfica, dependendo se é dado econômico, dado de
13:38
tempo, dado do animal e assim por diante, então.
13:43
A definição de big day é que convidados grande, muita e vindo
13:47
de várias, várias Fontes. E aí tem outras coisas, podem
13:51
ser dados que vem numa velocidade rápida, né?
13:55
Em real time, você está coletando dados periódicos com
13:58
câmeras, com sensores, né? E assim é.
14:01
Uma vez eu vi 11 pesquisador dizendo assim que se você não
14:05
conseguiu abrir teus dados no Excel, talvez você esteja diante
14:09
de um de um big deira. É, se você abre no Excel, não é
14:14
o big deira meu big day. Você não.
14:16
Não é mais no Excel, é já tem que estar com outras outras
14:20
estratégias. Bacana, professor, você.
14:23
Você tocou num ponto ali dos dos sensores e até na primeira fala
14:27
do professor você já deu uma das classificações dos sensores que
14:31
são os os vestíveis? É nessas nessas outras
14:35
classificações, qual que, o quais que são os sensores mais
14:38
usados hoje aí no nos Estados Unidos ou até aqui no Brasil que
14:42
o professor vê que os é? É 11 tecnologia que os
14:45
pecuaristas já estão adotando, ou até uma nova tecnologia que,
14:49
por enquanto, ainda está só dentro do centro de pesquisa da
14:52
universidade. Quais que são os sensores?
14:54
Têm muita coisa em termos de pesquisa.
14:57
Isa e algumas startups então coisas ainda bem no início.
15:02
Agora tem sensores que já estão sendo bastante utilizados.
15:08
É, eu vou focar em em pecuária, mas em agricultura tem ainda
15:12
mais coisas, mas tem sensores que é é, mas não é no animal,
15:18
mas sim na. No, no galpão, no ambiente.
15:22
Então isso já tem várias coisas. Sensores para controlar, né?
15:26
Ventilador, ventilação, cortina. É luminosidade, é umidade.
15:34
Para melhorar o conforto animal. Depois, um outro sensor.
15:38
Tu é que é? É muito utilizado, é sensor de
15:42
de identificação animal, né? Então, por exemplo, uma wier tag
15:46
num brinco eletrônico é um sensor, um arfai de então para
15:52
leitura de para reconhecer o animal.
15:55
E então tem vários tipos de tecnologia desse tipo, e aí
16:00
algumas empresas já oferecem, por exemplo, tem sensores que,
16:04
de de movimento animal, né? O acelerômetro então em vaca
16:08
leiteira já existe sensores para você?
16:12
É determinar o ponto é ótimo para inseminar uma vaca.
16:18
De acordo com o movimento dela, porcas nessa marrãs e agora tem
16:22
muito estudo, muita coisa em em em uso de câmaras, né?
16:28
Parte de análise de dados por trás desse tipo de de de, né?
16:31
De análise de imagens. Então, o que a gente chama de
16:33
visão computacional está sendo tá me desenvolvendo muito
16:37
rapidamente, tem bastante coisa, né?
16:40
Então, para manejo de comida no cocho para reconhecer um animal
16:44
doente para reconhecer 11 animal que está no chão.
16:48
Morreu, por exemplo, em avicultura.
16:52
É que, né, que você tem é e muitas vezes ele também, muitas
16:55
vezes sem. Tem sensores que são no animal
16:58
ou focado no animal e muitos sensores.
17:00
Focado no grupo de animais, né? Então, por exemplo, em galpão de
17:05
aves, ver a distribuição de aves.
17:07
Elas estão evitando uma região ou né, que pode ter um comedor,
17:11
um partido, Bebedouro quebrado, então eles não estão ali.
17:15
De reconhecer animal que morreu, então tem.
17:18
Tem várias, várias coisas, né? Agora o big dele não é só isso,
17:22
não é o sensor é uma das Fontes. Você pode ter um big data sem
17:26
sensor, que seria é você coletar os dados, né?
17:31
Vamos pensar vários fazendeiros usando o software de manejo da
17:35
fazenda e eles estão olhando inseminação, parto, comida, de
17:42
que, de que distribuiu, quanto que comeu, quanto que sobrou.
17:45
O animal, que ficou doente, como foi tratado?
17:48
E aí nós temos dados de de de tempo e temperatura de solo, que
17:52
são dados disponíveis. É.
17:55
Publicamente, né? Então isso também me faz uma
17:58
outra eu e isso sim, eu. Eu gosto de dividir esses dados,
18:03
a maneira que a gente analisa os dados.
18:05
Tem uns que a gente acumula os dados e aí analisa em inglês, a
18:10
gente fala beh análise, então, em melhoramento genético, é
18:14
típico isso. A gente coleta dados e faz 111
18:18
análise por ano. Uma análise por semestre,
18:21
dependendo da espécie em aves, é mais rápido em bovinos.
18:25
Talvez eles fazem um sumário uma vez por ano ou 2 vezes por ano,
18:29
então é isso, acumula os dados e analisa.
18:32
Agora, quando vai nessa parte mais de sensores.
18:36
Muitas vezes, a decisão tem que ser tomada imediatamente, então
18:40
a análise tem que ser em real time, então você tem câmeras ou
18:44
sensores, né? De de movimento e os dados são
18:47
coletados em real time analisados EE toma toma decisão,
18:51
tem que sair. É, às vezes imediatamente.
18:54
Às vezes não é? Tem que ser no mesmo dia.
18:56
Tem que ser na mesma hora. É dependendo da aplicação, né?
18:59
Se a inseminação ser tratamento ou se é sacrificar um animal por
19:04
algum motivo. E acho que esse é um ponto
19:07
interessante da gente discutir aqui, professor, que o senhor
19:10
falou, de de acelerômetros e das câmeras que hoje está essa visão
19:14
computacional, mas ainda dentro dos acelerômetros, talvez tenha
19:17
um pessoal que acha que é uma coisa extremamente cara e na
19:21
acessível, só que você parar para pensar.
19:24
Talvez o nosso, o nosso celular aqui é um.
19:26
É um dispositivo que já tem um acelerômetro, já tem alguém
19:29
medindo seus passos aí com o teu celular e provavelmente já está
19:33
usando esses dados para alguma coisa?
19:35
A é, não é isso. Aqui tem tudo quanto é sensor,
19:38
né? Você tem GPS, acelerômetro, é
19:43
Giroscópio, tem tudo aqui, tem Câmera, né?
19:46
É impressionante, mas é não é barato.
19:49
Então assim, a parte econômica é importante.
19:51
Claro, né, você pode ter 1111 tecnologia.
19:56
Interessantíssima, mas que ainda para o que oferece, né?
20:01
Vamos supor se vai detectar, é? E quando o animal está com fome
20:07
e vai alimentá-lo? É, mas se dependendo do custo
20:12
que tem essa, essa, esse sensor talvez seja melhor, tenha
20:16
indivíduos passando ali periodicamente, olhando, então a
20:20
parte econômica é importante? Sim, agora.
20:23
Então a gente tem sempre pensar, qual, qual que é o benefício
20:26
daquele sensor, né? O quanto custa, qual que é a
20:29
dificuldade de aplicação e o retorno econômico?
20:33
Agora, lembrar que esses preços de de tecnologia caem muito
20:36
rápido, então a gente tem que estar sempre estudando, algo que
20:39
hoje pode não estar sendo ainda economicamente viável.
20:42
Pode daqui 2 anos é tranquilamente, né?
20:46
É imagina que um câmeras, né? Num celular, começamos com uma
20:50
Câmera fraquinha. Dua tem 3 câmeras, agora tem é
20:54
Câmara, a gente é, tem a. É déficit, né?
20:59
Tem tem sensor de de profundidade, é impressionante,
21:03
né? Então tem.
21:05
Tem isso agora, uma coisa interessante de de imagem, com
21:08
esse negócio de de de preço e de de e benefício, né?
21:12
Com sensores, uso era bom, né? Quem estava mencionando como
21:16
acelerômetro, você tem que ter um para cada animal.
21:19
E ele vai estar te falando uma coisa específica, então você tem
21:23
lá um sensor na no tornozelo do animal ou no pescoço, e você tem
21:30
um movimento daquele animal ou daquele daquela parte do do
21:34
corpo do animal. Agora, se você tem uma Câmera.
21:39
Ela pode estar olhando, não um animal, mas um grupo, então já
21:43
barateou nesse sentido. E aí você está vendo não só o
21:46
movimento do animal, mas você está vendo o chão.
21:50
Se a cama está suja, se a cama está limpa, se a água está
21:53
limpa, é de repente. Se o se essas câmeras estão
21:56
colocadas lá fora, você está vendo o tempo, tá chovendo, não
21:59
tá? Então é um sensor monitorando
22:01
vários animais e monitorando várias coisas simultaneamente
22:05
que às vezes interage, então o animal não está comendo ai, mas
22:08
não tá comendo porque tá tá chovendo, ele está dentro da
22:11
casinha, aqui está chovendo. Então você tem um sensor de de
22:14
acelerou muito, você sabe que ele não está andando, não está
22:16
comendo, mas você não está, não sabe que não, que está chovendo,
22:19
então você acha que tem um problema, mas não é um problema,
22:21
ele está simplesmente esperando a chuva parar, então a gente
22:24
está muito interessado em em em com em visão computacional, por
22:28
essas vantagens, né? Que ele oferece de você
22:31
monitorar vários animais, afeta menos animal, porque não é nada
22:35
colado no animal, às vezes suíno, por exemplo, eles não
22:38
podem ver nada colado que eles querem morder e tal, né?
22:41
Então é a Câmera, tá? Separada dos animais, é uma para
22:46
cada animal. Não tem que, né, você vai
22:48
cumprir, vem de animal, não tem que ficar trocando.
22:50
Então tem muitas vantagens, tem as dificuldades de de, de, de
22:54
implementação, porque é outro nível de análise de dados, né?
22:58
Com acelerômetro, você tem 3 sequências de valores que são
23:02
aceleração nos 3 eixos, né? Com uma imagem, dependendo de
23:06
quantos, qual o Tamanho da Imagem você tem lá tantos
23:09
pixels, né? 3 cores ou ou distância,
23:14
dependendo da tecnologia. Você pode tirar a imagem a cada
23:17
segundo. Múltiplas imagens por segundo,
23:20
dependendo do que você quiser fazer, é impressionante.
23:23
Ao as oportunidades. São tremendas, né?
23:26
Mas tem os as, as os desafios e aí que é uma coisa, é uma área
23:30
boa de se trabalhar, né? Então.
23:33
Para aqueles? Indivíduos na estudando na área
23:37
de de Zootecnia, veterinária, agronomia, se gosta de análise
23:42
de dados, essa aqui é uma área muito boa para entrar agora.
23:45
Né? Exato, professor, até até
23:47
comentando disso, de análise de dados, é, imagino que a equipe
23:51
de de vocês aí em em em Madison seja uma equipe bem
23:54
multidisciplinar, não formada apenas por zoom tecnicista ao
23:58
veterinário, mas também por engenheiros.
24:00
Como é que o professor pode contar para nós a um pouco dessa
24:03
desse tipo de equipe, que é uma equipe que não é muito vista em?
24:07
Em outros grupos de pesquisa e também como que de forma
24:10
resumida, vocês realizam um experimento com ciência de
24:13
dados. E os grupos agora trabalhando
24:16
nessa área de alguns chamam de de de pecuária de precisão, né?
24:21
É multidisciplinar mesmo. Então, a gente antes tinha muito
24:25
mais gente da área de de Zootecnia que vinha para nós
24:30
estudar com a gente na área de melhoramento, às vezes tem gente
24:33
de estatística aplicada, como era o meu caso, né?
24:36
Que? Vem pra pra soltar que para para
24:39
soltar Kenia para o melhoramento.
24:40
Então tinha esses 2 tipos de alunos, os que vinham da área de
24:44
análise de dados e queriam aprender genética, os que vinham
24:47
mais da Janete, que queriam aprender a lidar.
24:49
Análise de dados. Mas hoje ainda é muito mais
24:52
multidisciplinar. E não é só genética do lado de
24:54
de Zootecnia, o que tem gente que está interessado mais na
24:57
parte de reprodução ou mais de bem-estar animal é doenças.
25:04
EE depois tem essa parte de engenharia, como você mencionou,
25:07
né? Você tem que montar sensores, ou
25:10
você vai comprar tudo, mas tem que instalar.
25:12
E como é que vai transferir esses dados?
25:14
Então, a partir de de internet das coisas, né?
25:18
E com é ciência de computação é muito importante agora.
25:24
Então a gente acaba tendo alunos de diferentes áreas.
25:28
EE cada um vai pro. Tem um desafio diferente, né?
25:32
Tem gente que vem e nunca não sabe nada de Zootecnia.
25:35
Tem que tomar alguns cursos básicos de Zootecnia e começa a
25:39
ser aventura lá na fazenda, aprender alguma coisa mexendo
25:42
com os animais. Tem gente que vem mais da área
25:45
de biologia e tem que estudar mais estatística, mais
25:48
computação, mas esse um grupo vai um aprendendo com o outro e
25:53
cada um tem 111 esperteza maior, né?
25:56
E é isso que faz o grupo. Assim, um você perguntou de um
25:59
experimento? Tem várias, vários níveis de
26:02
coisas, né? Tem gente interessado mais em
26:04
desenvolver algoritmos, modelos de análise, então a gente tem um
26:09
conjunto de dados e está tentando detectar o animal
26:13
doente, por exemplo. E aí você vai comparar modelos,
26:17
vai comparar algoritmos em termos de eficiência na predição
26:22
ou então. E fiz rapidez No No, no na, na
26:25
análise, né? Fazemos muitas simulação, você
26:28
pode simular dados, né? Para comparar modelos e tal.
26:33
Depois tem indivíduos mais interessados em comparar
26:36
tecnologias, então tipos de câmeras é a posição da Câmara,
26:41
então sempre faz, monta um experimento, coleta os dados e
26:44
ver qual que oferece mais informação.
26:47
Qualquer, mais barato, qualquer mais eficiente.
26:51
Então, tem vários, vários níveis de de e aí quando chega o
26:57
pessoal mais de biologia, então colegas nossos que são de
27:00
reprodução ou de nutrição, então eles colaboram com a gente.
27:04
Eles têm uma pergunta biológica, tem uma hipótese lá, então, se
27:08
eu fizer isso em termos da dieta ou do manejo reprodutivo, eu
27:13
espero ver isso. EE precisa de sensores porque.
27:18
Pela pergunta deles, né? Então aí montasse 11.
27:23
Sistema e coleta os dados. EEE tenta responder a pergunta
27:27
do indivíduo, né? Até uma vez, eu acho que eu vi
27:29
um comentário do professor João Dória, que ele, ele disse que a
27:34
universidade de vocês era a primeira universidade de
27:36
Agrárias, que IA ter uma matéria específica para a ciência de
27:40
dados, alguma coisa assim, professor. 2 coisas assim a
27:43
gente tem uma universidade, tem agora programa de ciência de
27:48
dados, então você pode fazer graduação em ciências, além de
27:51
ter estatística, além de ter computação.
27:52
Tem ciência? Cuidados?
27:54
Temos certificado em ciências, dados, mestrado, doutorado,
27:58
então tem tudo. Agora, um programa de ciência de
28:01
dados e é liderado pelo departamento de estatística de
28:04
computação. Pode ser isso que o João estava,
28:07
estava estava mencionando, mas não acho que nós seja nós
28:11
sejamos os primeiros. Não tem várias universidades.
28:15
É tá no mesmo passo a tem grandes universidades nos
28:19
Estados Unidos, universidades que nem tem agricultura, né?
28:23
Em um estado de imagina, OE, maite lá de tecnologia não é
28:26
Massachusetts tecnologia instituto tem coisas incense das
28:30
muito avançada, né? Eu acho que talvez o João estava
28:33
se referindo à ciência de dados aplicada, sou t Kenia, ou
28:37
apresse Jane é a. É pecuária de precisão.
28:42
Ele, o João mesmo, estabelecer um curso aqui, ele tem o curso
28:45
no nível de graduação e de pós-graduação que são pioneiros.
28:50
Esses, sim, esses não tem. É, eu não tenho conhecimento
28:55
nenhum curso parecido com o que ele que ele dá e eu e o João a
29:00
gente tem um curso de uma semana também para nível de
29:03
pós-graduação que a gente oferece a gente agora em
29:08
setembro vai para a Itália desse curso.
29:11
É, esse ano tivemos na Espanha, tivemos no Uruguai, então a
29:15
gente dá esse curso e a gente percebe que é é, é muito bem
29:19
aceito porque não existe nada similar.
29:21
Não, não é porque tem que juntar a estatística.
29:25
Computação a partir de tecnologia dos sensores, né?
29:28
E depois mostrar aplicações. Então é tecnologia de Infra Red
29:35
tecnologia de visão computacional, de câmeras,
29:38
tecnologia de EAS, ela acelerou metrô.
29:42
Tudo isso a gente discute lá genômica EE outras coisas.
29:47
Que legal, professor. Agora entrando até na parte mais
29:50
específica aqui dos bovinos. Professor, o que que?
29:54
Tem tem se estudado. Quais são as últimas linhas de
29:57
pesquisa? Aí o professor já falou da visão
29:59
computacional, mas o que que na prática, hoje está sendo feito?
30:03
Quanto aos aos bovinos, aonde é que, qual que é a dor que a
30:06
tecnologia está vindo? Está assim, mudando os
30:09
entendimentos, até trazendo resultados bastante otimistas
30:13
para o setor. É bovinos de corte e leite.
30:15
Ou mais corte não fala. Pode sermos professor.
30:19
Os 2 é bom. Uma coisa é identificação
30:23
animal, que pode ser a identificação.
30:26
Mas de manejo da da fazenda, então, identificação para tomada
30:30
de decisão interna ali e depois um estágio muito mais avançado e
30:34
de de de 3 a bit, né? De de rastreamento do animal,
30:39
né? De de nascimento até o Ponto
30:42
Final, mas um abate, se for no caso do corte, então isso tem
30:45
muita coisa de. Hoje a dominado por por é
30:51
brincos, né? E agora, os brincos eletrônicos
30:53
cada vez mais. Mas tem muita pesquisa em termos
30:57
de computer virgem. Isso ainda é a nível de
31:00
pesquisa. A gente tem muita coisa aqui.
31:03
Mas é quem sabe, isso vai, se vai avançando, vai avançar.
31:09
Quem sabe rápido. É, então algumas quando a gente
31:13
trabalha com vacas, por exemplo, holandesas, e seria a mesma
31:17
coisa com giro, Holanda ou com gia, então animais que tem uma
31:22
coloração diferenciada entre entre eles é fica bem mais
31:27
fácil, né? De você reconhecer o animal
31:30
agora tem as dificuldades com animal está crescendo, ou então
31:33
uma vaca em lactação? Os diferentes é estágios
31:38
fisiológicos. Emagreci muito, depois recupera
31:40
o peso, então é. Tem que monitorar tudo isso, né?
31:45
Pra você reconhecer um animal, mesmo que seja pela malha, né?
31:48
Desde bezerrinho que é um animal bem fininho, aí vai crescendo,
31:51
vai aparecendo cores que não. Não, não aparecia antes, né?
31:54
Numa visão do topo, por exemplo, se for uma Câmera colocada em
31:59
cima, então nada é fácil, mas com cor é mais fácil.
32:04
Depois, quando você vai pra gado Nelore ou Angus, né é que é tudo
32:09
branco, tudo preto, dificulta e a gente tem trabalhado então com
32:14
Reconhecimento facial, reconhecimento da.
32:17
Da do relevo, do dorso do animal, né?
32:21
E então essa é uma área que está bastante, tem muita pesquisa.
32:28
Agora, uma coisa muito importante em em produção animal
32:33
é a parte de nutrição, né? O custo com com nutrição é muito
32:38
alto, é no mínimo, assim 2 2/3 do custo de produção é com com
32:43
com alimento. Então, monitorar quanto com
32:46
animal come, monitorar comida no cocho, né?
32:49
Não deixar faltar para para você maximizar OOA, eficiência do
32:54
animal, produção do animal. E oficial, e a maximizar a
32:59
eficiência da do sistema. Não é nem sempre, o animal na
33:03
maior eficiência, mas na maior eficiência do sistema.
33:08
EE não deixar sobrar comida, que perde propriedades nutritivas ou
33:14
ou estraga, né? Chove em cima e tal, então tem
33:17
muita coisa nesse sentido de de, de tentativas de desenvolver.
33:22
É tecnologia e métodos para monitorar o consumo e monitorar
33:28
o é, ajudando o manejo, né? Ótimo da do do alimento.
33:32
Detecção de doença é outra coisa que tem que ser feito, tem que
33:37
tá dando muito interesse, né, de?
33:40
É complicado, não uma fazenda extensiva ou um confinamento com
33:45
milhares de animais. É muito difícil, né?
33:47
Você tem que ter o indivíduo passando entre os animais todo
33:50
dia, toda hora, olhando, procurando indivíduo que está
33:53
mancando, indivíduo que está com coriza, indivíduo tossindo,
33:56
então sensores pode ser microfone para pegar som, né?
34:00
Pra ver animal tossindo, locomotion pra ver o andar na
34:05
vaca vaca de leite tem muito problema né?
34:08
De la minit então essa é outra área.
34:12
Também e outras coisas, como contagem de animal, simplesmente
34:16
para inventário, né? Então, a partir de visão
34:19
computacional, também tem muita gente trabalhando nisso e eu
34:23
acho que vai ajudar demais, né? Então, agora, contando, você
34:27
carrega animais? Descarregou mesmo na fazenda?
34:30
Com cada vez que muda de Piquete, está contando todo
34:33
mundo vendo, está todo mundo ali, então tem muita coisa
34:36
acontecendo. Professor nesse ponto da da
34:38
nutrição animal, a gente sabe que hoje os os modelos.
34:43
Nutricionais e os. Software de nutrição assim a
34:46
gente faz uma estimativa sempre do consumo, porque o que o
34:50
animal está consumindo é quase que uma coisa é inteiramente
34:53
prática, é só o animal que vai nos dizer.
34:56
Tem já alguma, alguma inteligência artificial, algum
34:59
sistema, algum monitoramento, que que consiga predizer com
35:02
mais precisão esse consumo animal.
35:05
Tem e em geral a gente trabalha com grupos de animais, né?
35:11
Então a gente a gente. Otimiza para para o grupo, para
35:15
a média do grupo. Então tem alguns comendo a mais,
35:18
alguns comendo a menos e tem essa ideia, essa a ideia de do
35:23
pessoal que faz o nutrição nutrição de precisão é tentar
35:29
determinar a necessidade daquele indivíduo, né?
35:33
Então, tem algumas coisas já aí entra a parte econômica.
35:38
A gente estava conversando antes.
35:39
O que tem, o que existe ainda num sei se é economicamente
35:44
viável, por exemplo, em suínos, você tem é o animal, vai comer,
35:48
ele sobe numa balança com as patas dianteiras e já tem uma
35:51
estimativa do peso do animal. Então, você sabe como é que tá o
35:54
crescimento dele e você mistura a ração adequada EE faz AO
36:02
fornecimento do da quantidade adequada, né?
36:05
Então, algumas coisas experimentais já existem e pode
36:09
ser que tenha algo, jamais. Mais do ponto de vista de de
36:13
comercial, mas eu acho que é muito inicial aí em
36:18
melhoramento, sim, porque tem um indivíduo ali que você quer
36:22
selecionar um indivíduo, ele vai produzir semi para milhares de
36:27
de filhas, por exemplo. Em então se usam sensores e
36:33
comedores automáticos, sabe exatamente quanto o animal está
36:36
comendo para medir AAA, eficiência alimentar, né?
36:41
Mas é isso, é. É uma tecnologia que.
36:46
Certamente é faz sentido economicamente para aplicar num
36:50
num contexto de melhoramento ou você está no topo da pirâmide em
36:54
termos de de de mérito genético para disseminar depois.
36:57
Então você multiplica isso e dilui o custo, né?
37:01
Mas, na base, na parte de comercial ainda é difícil isso,
37:06
né? E depois tem outras complicações
37:08
assim, não é só a tecnologia. Aí depois o que fazer, né?
37:10
Então você vai alimentar os animais, é o mais próximo da
37:15
necessidade de cada um. Então, ou você vai querer
37:19
justamente aumentar a homogeneidade.
37:21
Então, segurar o animal que está crescendo muito, você segura um
37:24
pouco o indivíduo que está crescendo pouco, você quer?
37:27
Porque a homogeneidade é muito importante na parte comercial
37:30
também. E não adianta você ter animais
37:32
prontos muito antes dos outros que você não vai vender, né?
37:36
Num num suínos começar a vender alguns poucos animais e vai ter
37:40
lá OA tua Baia com poucos animais, juntar você sabe que
37:44
vai dar uma brigalhada de novo. Ele tem que definir hierarquia,
37:48
então. Tem toda essa parte.
37:51
É muito interessante que é muita coisa para ser estudada ainda,
37:54
né? Para, é desenvolver a tecnologia
37:57
viagem, né? Torná-la viável e depois é
38:01
desenvolver a melhor maneira de usar essa tecnologia na tomada
38:04
de decisão na fazenda, né? Então é isso, é muita coisa
38:08
ainda por por vir. Legal, bastante coisa para para
38:11
desbravar também, professor é. E entrando num ponto que eu
38:16
imagino que já tenha virado até discussão, não na pecuária
38:19
agora, mas na sociedade de um modo geral.
38:22
Professor, e eu queria saber a opinião do professor.
38:26
Quando a gente está lá coletando todos esses dados, imagino que
38:29
também tenha universidades vezes, cooperativas, indústrias
38:32
envolvidas. Quem que é o dono desses dados?
38:35
Como é que quem quem seria o dono, porque é como se fosse
38:38
1111 grande volume lá, que às vezes alguns tiram, interpretam
38:43
de uma forma outros de outras, mas quem que seria o dono dos
38:46
dados? É, essa é uma.
38:49
É uma pergunta interessante e num acho que não está bem
38:52
definido ainda, viu? Isso aí tem que.
38:55
Em cada? Situação tem que ser conversando
38:59
isso, né? O que acontece hoje em dia é que
39:02
em geral, né? Você tem dados coletados por
39:04
diferentes empresas? Você pensar numa 11.
39:08
Granja leiteira tem lá a empresa de de de ordenha deira de robô.
39:15
Depois, tem uma empresa em nutrição, tem uma empresa de de
39:18
melhoramento, tem uma empresa de ou múltiplas, né?
39:21
Na mesma fazenda, vários fornecedores de sementes e eles
39:25
tem dados, você juntar tudo isso é não é fácil, porque cada um.
39:32
É tem medo de de de. Que a outra empresa vai competir
39:38
com essa, ou mesmo que seja uma empresa de outra área de
39:41
nutrição e melhoramento, mas elas não sabem como vai ser
39:44
usado os dados. Então a gente sempre, a gente
39:47
tem uma pesquisa, não é fácil, é isso, é botar todo mundo na mesa
39:52
a conversar e explicar qualquer objetivo.
39:56
Quem que ganha com isso e tal? Agora, no fundo, às vezes pode
40:02
ser que no final das contas vai ser o produtor que vai ser o
40:05
dono dos dados que aí seria interessante se a gente
40:08
conseguisse magnetizar tudo isso, né?
40:10
Então, se você, com a junção desses dados e análise, consegue
40:15
tomar melhores decisões, então aumenta uma eficiência.
40:19
Todo mundo tem que ganhar, né? Tem que baratear o custo da
40:23
comida para o consumidor paga menos, tem que aumentar o ganho
40:27
para o pecuarista, porque ele melhorou a eficiência, tem que
40:31
melhorar Oo ganho para a empresa, então tem que ser
40:35
diluído, né? Se se se tem um ganho, tem que
40:38
todo mundo ganhar, né? Porque é.
40:42
Se não, não vai pra frente, porque se um só fica com os
40:45
lucros, as os outros setores não vão querer contribuir com
40:49
aquilo, né? Então eu acho que essa é outra
40:53
área que também vai, vai, vai ser evoluindo junto com tudo o
40:57
que a gente está conversando aqui, né?
40:58
Com a parte tecnológica, com a parte de ciência, essa é
41:02
importantíssimo, né? E a outra também, mais uma com
41:07
um compl e cante. É de como é que a sociedade se
41:11
adapta? Todas isso, né?
41:12
Não? Só na pecuária nós estamos vendo
41:14
em na, no, nas escolas, como é que a gente se adapta às novas
41:18
tecnologias. Agora, com essa parte
41:20
inteligência artificial Tietê Pitty é então, quando a gente
41:25
põe em tecnologia na, na, na, na, na, na fazenda, tem gente
41:30
preocupada com será que vai? Vai tirar, é emprego de de
41:34
indivíduos. Onde que o como é que vai fazer?
41:36
Vai fazer? Então tudo isso tem que ser
41:39
conversado. E depois cada país é diferente.
41:42
Aqui nos Estados Unidos tem uma deficiência, né?
41:45
Tem de de de de mão-de-obra. Então os sensores são muito
41:48
importantes no sentido de realmente fazer coisas que
41:53
alivia essa essa pressão No No, no, na contratação de indivíduo,
41:58
você vai numa fazenda Na Na Europa, por exemplo, que são
42:02
fazendas muito menores, é familiares.
42:06
Talvez na Espanha não seja tão tão assim, é os indivíduos, nem
42:10
às vezes tem uma restrição maior no sensor, porque eles falam,
42:13
não, eu, eu quero ser o sensor, eu sou o melhor senso.
42:16
Flor, eu faço isso. E no Brasil, como tudo é muito
42:20
variável, a diversidade é muito grande.
42:22
Tem fazendas muito grandes, fazendas menores, fazendas, mais
42:25
técnica, menos tem técnica das. Eu vejo que essas tecnologias
42:30
vão ser adaptar, vão ser adotadas em diferentes, é níveis
42:37
e para diferentes coisas também, né?
42:38
A gente tem que pensar que essas essa parte de tecnologia não é
42:41
só para ajudar as fazendas. Já techne ficadas é para ajudar
42:46
pequenos produtores. Países em desenvolvimento também
42:50
tem coisas que a gente pode fazer, mas são pecuaristas
42:52
pequenos que não tem 11. Um sistema de obtenção de dados
42:59
de mensuração das das das características produtivas, por
43:03
exemplo, faz fáceis. Num tem um é coleta de dados de
43:09
pedigree, então não tem como analisar os dados, né?
43:11
De 1/01/1 país inteiro ou de uma região inteira para desenvolver
43:16
um programa de de seleção? Depende da hora com genômica
43:20
você já consegue. Estimar também o parentesco
43:24
entre os animais sem a obtém sem ter parente, sem ter o pedigree
43:28
com sensores, consegue estimar peso estimar consumo.
43:33
Então, não tem que ter um indivíduo mensurando, né?
43:36
Você teria? Então, tem diferentes coisas que
43:38
podem ser feitas. Também para ajudar e pequenos
43:43
pecuaristas, né? E grupos de pecuaristas e,
43:46
especialmente, países em desenvolvimento.
43:48
Interessante, o professor ainda aqui para o final, o professor
43:52
já comentou aí dos desafios, eu eu também concordo que um deles
43:56
seja essa interoperabilidade, ou seja, o pessoal que está
44:00
coletando dados da ordem e tem que conversar com o pessoal da
44:03
nutrição e o produtor tem que estar sabendo.
44:05
Ele tem que meio que. É juntar essas informações para
44:09
tomar a melhor decisão EE até até nesse ponto, Guilherme.
44:14
Aonde que tu enxerga que deva residir?
44:18
Esse manejo dos dados seria com a indústria, com o produtor ou
44:23
só com uma universidade que vai vender essa tecnologia?
44:28
Ou qual que seria o papel de cada um dos elos aí da cadeia?
44:32
É. É difícil dizer exatamente como
44:35
é que vai ser. Eu não é no produtor, porque
44:39
isso aqui é algo como a gente estava dizendo a parte é é
44:42
multidisciplinar, tem que ter indivíduos treinados em
44:46
computers. Tá encima, estatística em não é
44:49
o produtor, não o produtor é quem está gerando esses parte
44:53
dos dados, porque outros dados vem?
44:54
Eu falei pra você de clima de econômica e tudo.
44:59
Em geral é. As coisas começam numa
45:02
universidade. Então pesquisador, um grupo de
45:07
pesquisa que de tem mais é uma ideia de fazer essa junção de
45:12
dados e ver como que tipo de decisões podem ser beneficiadas
45:17
com isso. Mas começa com uma pesquisa e no
45:22
final tem que sair da universidade, porque não dá pra
45:25
esse tipo de coisa, não é? É.
45:27
Tem que ter 11. Visão de longo prazo, né?
45:31
A gente na universidade recebe, faz, você desenvolve um projeto,
45:35
recebe o financiamento. Ela tem 45 anos de um projeto,
45:38
mas depois que acabar o dinheiro que acontece, né?
45:41
E, portanto, o trabalho, então tem que ter isso de de começar
45:46
numa numa universidade. EE depois desovar para uma
45:51
empresa, levar isso pra frente, né?
45:53
Então pode sair como um spinoff da universidade, como 11
45:57
startup. Depois vai crescendo uma outra,
46:00
uma empresa maior, absorva e depois?
46:03
Ou saem muita, muito disso já saem.
46:05
Parceria já com empresas e universidades, de maneira que
46:08
depois já sai. É como um produto comercial.
46:13
Eu acho que tem que ser assim, tem que ser ou um plano.
46:17
Estadual federal do governo estabelecer, né?
46:21
Então tem fala, vamos dizer que a Embrapa vai desenvolver algo e
46:25
vai ser responsável por isso para o resto da vida.
46:28
Ou então tem que ser 11, financiamento de uma pesquisa,
46:32
mas que depois tenha continuidade para algo comercial
46:35
depois, né? Eu é assim, é difícil também e
46:38
cada indústria tem indústrias mais fragmentadas, como uma
46:41
indústria de bovino, de corte e gado de leite.
46:45
Tem indústrias que já são, é verticalizadas, né?
46:48
Toda integrada é especialmente, é.
46:53
Aves e suínos também, então, também dentro de cada empresa,
46:57
empresas desse tipo de repente desenvolvem dentro delas mesmo
47:01
essa parte de de ida de inteligência artificial EE faz
47:05
as coisas deles lá, mas, em geral, isso vai ser feito com
47:11
uma outra empresa especializada nessa área de deira Science,
47:15
porque é muito. É muito complexo, muito
47:20
interdisciplinar, então tem que ser uma empresa muito grande
47:23
para ter esse poder de poder montar um grupo grande o
47:26
suficiente para ter autonomia, completa.
47:29
E às vezes você tem lá um cara Na Na computador, se um cara de.
47:33
É internet das coisas, aí se aposenta um ou então mudou de
47:38
emprego, e aí? Que que faz?
47:41
Fica lá um tempo até recrutar alguém a pessoa, né?
47:44
Ou às vezes não dá certo, tá? 2 indivíduos trabalhando junto é
47:49
muito complicado. Então eu acho que fica.
47:52
É mais seguro terceirizar como software também.
47:55
Software. Então tem empresas que querem
47:57
desenvolver o software interno, mas em geral eu acho que tem que
48:01
terceirizar, você compra um software com uma empresa
48:04
especializada em software. Né?
48:06
Nós vamos esse assunto de de dados de tecnologia vai voltar a
48:10
aparecer aqui no canal. Eu acho que.
48:12
O episódio ficou muito bom pro pro pessoal se se atentar e se
48:17
saber que do que está acontecendo, de como de maneira
48:19
geral acontecem as coisas, as pesquisas, e eu gostaria de algo
48:23
e finalizar aqui com algo um pouco mais leve, professor, qual
48:26
que é Oo livro que você mais recomenda?
48:30
O livro que o professor mais dado de presente aí pros pros,
48:32
amigos, pros alunos, enfim. Você fala livro, livro técnico,
48:36
o livro qualquer, qualquer. Pode ser de não, não científico,
48:40
professor. Sabe que dá livro, é complicado
48:43
porque. Você nunca sabe, né?
48:46
Exatamente que a pessoa gosta ou que já leu já, né?
48:48
Então, em geral, para não correr risco, eu do livro, para quem eu
48:53
acho que não lê muito, quem eu sei que lê demais, eu deixo que
48:56
escolhi os livros e pra não correr o risco de dar um livro
49:00
já. Então, em geral, é um jovem e eu
49:04
quero estimular a leitura. Então um livro de bem fácil
49:09
leitura como um alquimista, por exemplo, eu acho interessante
49:12
para um cara é pegar gosto e depois livro de crônica.
49:17
Eu acho que também estimula a pessoa para leitura.
49:20
Então, um Rubem Braga, um Luís Fernando Veríssimo.
49:26
É mais no sentido de. Estimular indivíduos na leitura,
49:31
né? Bacana é o senhor tem um gosto
49:33
aí pelos pelos autores brasileiros, o Paulo Coelho,
49:37
Luiz Fernando. É, não é ele, porque nós estamos
49:40
falando aqui também no é a verdade que eu não leio algo
49:44
técnico e não técnico em inglês. Eu deveria ler mais?
49:48
É, mas já que aqui nós estamos falando com o pessoal no Brasil,
49:52
então é essa. Seria a minha recomendação, para
49:55
quem? Quem acha que não lê muito e
49:56
gostaria de de pegar gosto, né? Essas são minhas minhas
50:00
recomendações, comece com crônicas.
50:02
E aproveitando um livro técnico, professor, tem algum pra pra
50:05
indicação também? É nessa área de, vamos dizer, é
50:09
a pecuária de precisão. Não existe um livro, sabe?
50:12
É, é muito complicado. Então você me fala assim, mais
50:15
na área de melhoramento, aí eu teria alguma coisa, mas.
50:19
Fez na área de de de de. É pecuária de precisão, não tem
50:26
nada, então teria que ter recomendar um livro de
50:29
estatística, um livro de de programação.
50:33
Teria que, né? Isso é uma coisa que as pessoas
50:35
devem aprender. Uma linguagem cold in merhy, em
50:41
pyton, nesta coisa está precisando essa parte mais de
50:44
machine de aprendizado de máquina, tá?
50:47
As pessoas estão caminhando mais para pyton, então é difícil, 111
50:51
livro tem é. É que nem esse curso que eu e
50:54
João damos assim num é são. É cada dia que é um tópico
50:58
diferente. Seria um livro que a gente
51:00
recomendaria, né? E aí depende também se o
51:03
indivíduo está mais interessado em nutrição ou mais em genética
51:07
ou em reprodução, né? Complicação mas então minha
51:10
recomendação, se alguém está interessado nessa parte, é
51:15
vocês. Na graduação, vocês têm cursos
51:17
de matemática e de estatística. Aproveite a gente lembra.
51:20
A gente faz esses cursos a gente falar pra onde que eu vou usar
51:23
isso? Mas acredite que isso aqui tem
51:27
muita aplicação e. Pode ser que os cursos que a
51:31
gente tenha hoje em dia estão defasados.
51:33
A pessoa não tem ainda está pensando no delineamento
51:36
experimental, então é aqueles experimentos, né?
51:41
Quadradinhos inteiramente kazoo, alisador em bloco balançadinha
51:45
faz uma análise de variância EE hoje em dia os experimentos a
51:51
gente tem dados que são observacionais, não são
51:53
experimentos, então é completamente desbalanceado,
51:57
tem, confunde mentos, tem problemas de de de viés de
52:01
seleção, né? Os dados não são nada
52:04
randomizados, não são amostras aleatórias, então tem outros
52:07
complicam antes, gravíssimos. EE dificulta a análise e tal,
52:13
então. Aproveitem vídeos no YouTube,
52:18
né? Olhem como que é análise de
52:20
dados observacionais. Tem um livro que eu acho muito
52:23
interessante, que chama causation and correlation in
52:27
Biology, então. A causar causa efeitos de causa
52:31
e correlação em biologia. Para ter essa essa noção dessa
52:36
diferença, né? Quando você vê uma associação
52:39
entre 2 coisas, se não foi randomizado, é difícil você
52:43
falar que é causal, né, que um causa ao outro, né?
52:46
EE é isso que a gente vê, a gente coleta dados, você tem
52:49
mundo de associações, né? E existem métodos específicos de
52:55
análise para você tentar que a gente faz isso em epidemiologia,
52:58
por mim, humanos, né? Você não pode fazer experimentos
53:01
muitas vezes. E tem coisas que que nem imagina
53:03
com a com veio covide, né? Aí a pergunta, usa máscara não
53:07
usa a vacina não. Vacina que vacina não tem nem
53:10
tempo de fazer experimento, a gente vai olhando o que está
53:13
acontecendo e vai tentando é tomar decisão de acordo que vai
53:16
aprendendo. Então tem técnicas de análise,
53:19
né? Para dados observacionais é, mas
53:22
é bem mais. Complicado, apenas um comentário
53:25
aqui, professor, eu acho que eu esqueci de falar.
53:28
No começo eu fui monitor da disciplina de estatística também
53:31
e talvez esse esse gosto um pouco a mais pela.
53:35
Pela estatística, pelos números, é o que me fez estar aqui hoje,
53:38
falando de dados e falando. Disso?
53:41
Dentro da pecuária você entender que correlação não é
53:44
causalidade, então uma coisa só porque está junto com a outra
53:48
não quer dizer que causa, né? É?
53:51
E outro comentário é dessa de às vezes aprender programação.
53:54
Uma coisa que um tempo atrás não se falavam até uma vez eu vi 11
53:59
estudioso falando que a linguagem do futuro diziam que
54:02
era o inglês, mas hoje não. Aí é a linguagem da programação,
54:05
do futuro. Se tem que saber um pouco disso
54:06
também. Tem que saber a verdade é que
54:09
tem. Já tem tecnologias que ajudam
54:11
muito, né? O chat petit, por exemplo, você
54:14
pede pra eu quero fazer 11 programa para ler essa imagem
54:19
aqui, fazer isso e te auxilia muito.
54:22
Mas como tudo com a. Quando você usa uma tecnologia,
54:26
se você sabe algum pouco, ajuda você maximizar o benefício
54:32
daquela tecnologia, né? Não pode ir cego, né?
54:36
E usar e que às vezes não reconhece um problema que está
54:39
tendo, né, então? Eu acho que tem que estudar um
54:45
pouco de de de pelo menos de lógica de programação, né?
54:48
Porque a linguagem muda, você aprende uma.
54:50
Hoje, amanhã tem outra melhor, mas essa parte da lógica e
54:55
matemática, né? É muito importante.
54:57
Pegando esse gancho, professor de de chat beach, é o professor.
55:02
É, eu sei que o professor é pai também e é aluno, é aluno, não é
55:06
professora vário. A alguns anos, o que que o
55:09
professor acha que hoje, na sua opinião, difere um aluno normal
55:13
de um aluno de sucesso? É essa a vontade de aprender,
55:17
né? E de buscar isso.
55:18
E você começou dizendo isso No No, no começo aqui de.
55:23
De que fica muito mais no indivíduo agora, né?
55:26
Porque realmente a gente vai numa sala de aula, tem lá 111
55:31
aula, todo mundo assiste aquilo é, mas o que vai diferenciar é
55:36
quanto é o quanto que você vai atrás.
55:39
E não é só estudar. Então aquilo que o que o
55:41
professor te passou, porque o professor pode ter uma opinião
55:44
ou pode achar que é uma parte, é mais importante.
55:46
Tipo, exponha aquilo. Mas tem outra outra coisa que o
55:52
professor não explorou tão bem, porque talvez não não acha
55:55
importante ou não tem ideia. Então a gente tem que buscar.
56:03
É, eu falei de tão fácil, não pega na internet, eu estou no
56:06
carro, eu ligo um podcast que escuto é tá no chuveiro lá.
56:10
Ponho pra escutar alguma coisa, então o abre o YouTube.
56:15
Tô almoçando aqui nos Estados Unidos, você sabe, a gente
56:17
almoça na frente do computador velho, traz a comida.
56:20
Os Americanos trazem 11 iogurte, uma fruta e um sanduíche às
56:23
vezes, né? Na nossa turma lá, os
56:25
brasileiros trazem uma comida esquenta, né?
56:27
Mas eu, como na frente do computador e ali eu estou vendo,
56:31
eu estou lendo notícia do Brasil, por exemplo, ou estou
56:35
assistindo no YouTube uma aula, então eu sou aluno ainda, todas
56:38
ninguém para, né? Então eu abro lá uma aula de
56:41
qualquer. Escutei um tópico interessante.
56:43
Eu não sei o que aquilo. Assista uma aulinha, então.
56:48
Tá tudo ali que nem aquele cantor Falcão fala, só não morre
56:53
quem não quiser. Então você quer estudar?
56:56
Tem material, é os livros, né? Que são caros, em especialmente
57:01
em em real. Você comprar um livro
57:03
estrangeiro, mas a maioria deles está o PDF, disponível na
57:07
internet e os artigos eles tá tua tua escola não tem acesso a
57:13
11 revista peça para um amigo que está numa outra universidade
57:19
ou tá no exterior te manda, né? Então, é, é isso, é só correr
57:23
atrás, não é? Outra pergunta que sempre me
57:25
fazem fazem esse os eu prefiro um aluno que vem da Zootecnia e
57:29
está interessado em na parte de análise de dados.
57:32
O senhor pega um cara mais da da de estatística e computação que
57:35
está interessado em aplicar. Eu não.
57:38
A princípio, eu não tenho preferência, é?
57:43
Eu. Eu vejo, é isso.
57:44
É o interesse do indivíduo. Se eu percebo que o indivíduo
57:47
quer chegar mais longe, né? Só dá oportunidade para esse
57:51
indivíduo. Por último, como é que o pessoal
57:54
entra em contato com o professor?
57:55
Como é que o pessoal pode achar você ou grupo de pesquisa, a aí
57:59
do do professor e também se tem alguma mensagem final aqui pra
58:02
audiência? Uma mensagem final, eu vou
58:04
começar depois eu falo e me como me encontra.
58:07
É isso? Uma coisa é pra pra mim, vir pro
58:11
exterior abriu muitas portas, é eu ter feito.
58:13
A graduação e o mestrado na mesma universidade é me deu uma
58:19
vontade de sair porque eu percebi que você é muito,
58:23
acrescenta muito mais. Se você muda de instituição que
58:26
pelo mesmo motivo que eu falei, professores tem os viés ou a
58:30
cisper diferentes esperteza deles, você muda de ambiente,
58:34
vai ter contato com outro grupo de pessoas, outros professores,
58:38
e aprendi muito. Então, quando eu saí para
58:41
Piracicaba e durante meus. Meu.
58:44
Meu doutorado está na no Piracicaba, vim para cá assim eu
58:47
aprendi demais, foi muito bom e além de aprender, você faz
58:51
contatos que depois abrem portas no futuro também.
58:55
É no Brasil, me dá a impressão que muitos alunos acham que é
59:00
inatingível isso, né? Então?
59:04
Eu diria assim, que tentem fazer estágio no exterior, ou se
59:09
começarem um mestrado ou doutorado, tentem fazer o
59:13
sanduíche. Existem bolsas para isso.
59:16
Que você tem que aplicar, tem fases melhores e piores.
59:19
No Brasil, agora existem oportunidades nos estados, nos
59:23
nos no exterior também, né? Eu falo, eu falo dos Estados
59:26
Unidos, mas pode ser Europa, pode ser na Austrália, pode ser
59:29
na Ásia. É, e os alunos têm que
59:32
contactar. É.
59:34
Se você encontrou, é um pay per que você leu.
59:38
Gostou muito do no trabalho ou assistir uma aula no YouTube?
59:41
Gostou? Contacta o indivíduo.
59:43
Pergunta, aí tem alguma oportunidade?
59:45
É, eu gostaria de fazer um estágio.
59:47
Gostaria de fazer isso. Se tiver, eu não tiver bolsa,
59:51
né? Aí conversa de repente, tem é
59:54
bolsa, eu tenho é agora, por exemplo, 2 pós doutorados
59:59
brasileiros e uma doutorada do Brasil, os 3 com financiamento
1:00:04
meu. E tem uma doutorado sanduíche
1:00:07
agora, e que está com financiamento do Brasil.
1:00:10
Então as 2 coisas podem acontecer agora.
1:00:12
Saiba que para conseguir uma bolsa no Brasil, você tem que
1:00:16
ser diferenciado e para conseguir uma bolsa no exterior
1:00:19
para alguém que não te conhece, que você está contactando, você
1:00:22
tem que ser top, top, top. Então a minha recomendação é
1:00:26
isso, saiba que existe oportunidades, não se acanhem,
1:00:30
escrevam entre em contato, mas antes disso, faça a lição de
1:00:34
casa, não chegue com. Um e-mail, às vezes eu recebo
1:00:38
e-mail dia, Doctor a, gostei, eu vou falar em português, né?
1:00:42
O é que este má do senhor, o senhor do professor, não foi nem
1:00:46
meu nome. Estou muito interessado na sua
1:00:48
pesquisa tal aí eu já nem leio, eu percebo que saiu alguém que
1:00:52
tá fez um e-mail padrão e tá mandando pra um Monte de gente,
1:00:56
então não tem nada a ver agora, então tem que você tem que né,
1:00:59
você ler um trabalho você está sabendo que o cara tá fazendo,
1:01:02
você fala com ele, valeu, gostei muito disso, eu estou fazendo
1:01:05
algo semelhante, seria Inter. Já é mudo.
1:01:08
Nilda conversa, né? E se você tiver um cv onde se
1:01:12
mostra que você fez estágio, quem sabe?
1:01:14
Já participou de Congresso? Apresentou um trabalho.
1:01:17
Quanto mais coisa melhor, né? É, aumenta a tua chance de
1:01:20
conseguir financiamento no Brasil e muito mais.
1:01:24
É a presença é No No exterior, mas as oportunidades existem,
1:01:28
tá? É pra me achar e eu não é?
1:01:31
Eu não sei se eu falar o meu. O meu e-mail é grosa g de
1:01:35
Guilherme rosa, né grosa tudo junto, arroba whisky, que são as
1:01:39
4 primeiras letras de wisconsinwisc.edu de educação,
1:01:44
mas se você fizer um Google aí de Guilherme rosa, Wisconsin,
1:01:48
você vai me achar e aí tem minha, o IPI já sabe coisas que
1:01:52
eu faço ali e tal, e né? Entre em contato se tiverem
1:01:57
interesse em estar. Caju, um doutorado, sanduíche,
1:02:02
coisa esse tipo EEE. Muitas vezes a gente tem bolsa,
1:02:05
né, de mestrado, doutorado. Estamos recrutando, nesse caso,
1:02:08
a gente é, em geral, faz AO anúncio e aí recebe o cvs.
1:02:14
Entrevista, escolhe uma pessoa, né?
1:02:17
Isso aí. Muito bom, professor.
1:02:18
Muito obrigado pelo teu tempo aqui.
1:02:19
Mais uma vez, deixou aí até um alguns estepes aí alguns passos
1:02:24
para o pessoal que quer e tem interesse, e também, quem quiser
1:02:27
tirar alguma dúvida, eu acho o interagir sobre os papéis aí que
1:02:30
vocês estão publicando. Também é bem bem, é interessante
1:02:34
aí que o professor deixou os contatos isso, professor
1:02:37
Guilherme, muito obrigado pelo teu tempo e até o próximo
1:02:39
episódio, até mais. Um abraço, Bruno.
1:02:41
Obrigado, até mais.