Latest / O Aviário Podcast · by PPGVET / Dr. Carlos Tadeu Pippi Salle e Dr. Natanael Leitão: Revolução dos Dados na Avicultura | Ep. 36

Transcript

Dr. Carlos Tadeu Pippi Salle e Dr. Natanael Leitão: Revolução dos Dados na Avicultura | Ep. 36 · O Aviário Podcast · by PPGVET

0:00
É uma tendência natural da avicultura entrar.
0:03
Na decisão, amparada por dados, cedo ou tarde.
0:08
Adepto ou não, você vai ter que entrar nesse tipo de decisão.
0:12
Quanto mais cedo fizer, melhor vai ser para que você no futuro,
0:16
você desempenhe melhor do que os seus outros concorrentes, outras
0:21
granjas ou até mesmo 11 integrado vizinho.
0:26
Bom, bem-vindos ao podcast, o aviário, as mentes mais
0:32
brilhantes da avicultura no seu bolso.
0:36
Bom podcast ou aviário? Só é possível através do apoio
0:41
de empresas inovadoras e que apoiam a educação continuada.
0:44
Nave, cultura Brasileira, American nutrients.
0:47
Solução é o nosso compromisso. Boa tarde, bom dia para você que
0:52
está em casa e hoje nós estamos aqui junto com 2 pessoas muito
0:58
importantes no que se refere à análise de dados na agricultura,
1:02
nós temos hoje aqui como nossos convidados, o professor pippi
1:08
Salle aí, com toda a sua experiência de.
1:11
Anos trabalhando e já chamando a atenção para a questão de
1:15
análise de dados na avicultura e Natanael leitão, que nos últimos
1:20
anos tem trazido aqui de forma inovadora, uma forma de predizer
1:25
a partir de microbioma as coisas que acontecem no campo e também
1:30
não é também nenhum segredo que eu também já faço umas
1:34
brincadeiras com isso aí com a nossa metodologia do ai simcity.
1:38
Então hoje o tema do nosso podcast é sobre.
1:42
Análise de dados na agricultura vamos passar a palavra aqui pro
1:47
professor pipi? Para ele falar um pouquinho da
1:50
sua experiência com isso, né? E um pouco da sua vida e depois
1:56
logo em seguida a gente fala pro Natanael também, dá uma
1:59
perspectiva antes da gente entrar nas nossa discussão
2:02
propriamente dita. Professor pipi, muito obrigada.
2:06
Obrigado a ti, é um prazer estar aqui com vocês.
2:09
Com tigo, natanel para tratar desse assunto que é apaixonante,
2:13
né? Depois que a gente começa a
2:14
entender um pouquinho melhor. A gente vê a importância disso.
2:18
Eu iniciei. É o conhecer análise de dados.
2:25
Porque, por necessidade, na verdade, né?
2:29
É tudo o que eu desenvolvi foi em função do desespero
2:33
profissional, né? Na incapacidade?
2:37
Das minhas falhas, então eu fui tentando.
2:42
Melhorar, né? Melhorar a minha condição
2:44
pessoal. Partindo-se de uma premissa
2:48
básica, nós somos pagos para tomar decisões e decisão se toma
2:52
com critério. E eu não tinha os critérios,
2:56
então a minha decisão virava palpite.
2:58
E palpite, não está certo. Então, em 2001, eu.
3:05
No 9899 perdão, nós fizemos os primeiros modelos que mediam,
3:11
explicava. Através de equações, a resposta
3:14
imunológica. As vacinas ONU, através das
3:19
monitorizações sociológica. E ao mesmo tempo, nós
3:24
desenvolvemos também equações que mediam o impacto.
3:27
De cada ppb de aflatoxina, nos paramos de produção.
3:32
Seguindo. Fomos evoluindo, fomos
3:35
desenvolvendo mais coisas. Chegamos a inteligência
3:38
artificial. Em 2001, então, eu publiquei o
3:42
primeiro artigo. Onde mostrava que era possível
3:45
usar inteligência artificial, redes neurais artificiais.
3:49
Na agricultura eu já tenho quase 25 anos.
3:54
I. Não sei por que cargas dágua as
3:58
pessoas não, não se dão conta disso, não é?
4:02
E continua agindo da mesma forma que sempre agiu.
4:06
Isso aí. Já de alguma maneira, no meu
4:10
entendimento, tem nos prejudicado profissionalmente.
4:13
Basicamente é isso, né? Conjunto de dados.
4:18
Que a gente usa em benefício do profissional no nosso benefício.
4:22
Para fundamentar decisões. E documentá-las, né?
4:26
É eu, eu sempre. Sempre admirei muito esse.
4:31
Esse seu é realmente essa, sua força de buscar traduzir o que
4:38
acontece Na Na, né? Traduzir em algum número e
4:42
alguma informação para que a gente possa evitar cometer os
4:45
mesmos erros. E nós temos feito isso bastante
4:50
também, utilizando a plataforma is inside, e agora o Natanael.
4:55
Fala um pouquinho para a gente, como é que você entrou nesse
4:58
caminho e como é que você está vendo o uso dessas, desses,
5:03
desses dados, né? Como forma de decisão na
5:06
avicultura, hoje, bom, muito obrigado, Elizabeth.
5:09
É um prazer estar aqui conversando com vocês do lado
5:12
dessa referência, professor, estou bastante contente de de
5:16
poder discutir esse assunto e trazer um pouco da minha
5:19
perspectiva, né? Eu sou um biólogo de formação e
5:23
eu fui como biólogo. Trabalhando por muito tempo com
5:27
biologia molecular associada à microbiologia, então sempre
5:31
trabalhei com esses big Datas, né?
5:34
É proteômica até transcript toma e como microbiologista, eu
5:40
encontrei no segmento veterinário um setor que
5:43
utilizava muitos conceitos, né? Necessitava dessas análises
5:48
microbiológicas para tomar decisões.
5:51
É, é dentro da da, da minha experiência com essas home.
5:55
Case é o estudo de microbioma, né?
5:58
Da microbiota. Não sei como é que veterinário
6:00
ele tem muito potencial, é pelo que o professor mesmo acabou de
6:05
explicar, né? A microbiota, ela tem um
6:07
conjunto de dados muito rico. E esse conjunto de dados, se
6:13
utilizados e analisada de maneira adequada, ele consegue
6:17
gerar, né? Para os produtores, Dire, sons,
6:22
que os ajudem a tornar, né? Otimizar AA produção?
6:27
Então, essa tem sido um pouco da minha história desde 2017,
6:32
quando eu comecei uma startup que trabalha com isso.
6:35
E a gente vem atuando em avicultura, principalmente um
6:39
pouco isso aí na cultura, em bovinocultura, enfim, aprendendo
6:42
aí nos diferentes setores. Então nós estamos falando aqui
6:45
em termos de se a gente for falar em termos de de tempo, né?
6:49
Nós estamos com professor ali desde 2001, com o primeiro
6:52
trabalho, o Natanael, em 2017, começando a trabalhar com isso,
6:58
eu lá por 2010, 2011. Comecei também com essa mesma
7:03
situação e é eu. Ouviu o professor falar antes,
7:10
quando a gente estava discutindo aí dessa questão de que?
7:16
Quando vai um especialista no campo, ele é especialista
7:22
justamente porque ele tem muita e quanto mais é, mais idade,
7:26
digamos, ele tem mais informação.
7:28
Ele criou dentro da do cérebro dele, então ele consegue definir
7:34
e acertar mais do que aquele que tem menos experiência, não
7:38
necessariamente sempre, mas a probabilidade é maior.
7:42
É, mas aí nós estamos nos atendo a uma pessoa que vai lá e que
7:46
tem a sua experiência. E aí tiramos também os jovens de
7:51
perto, porque eles acabam tendo que tomar todo esse tempo para
7:54
chegar a isso. Com a proposta de avalia dados o
7:58
que a gente está dizendo é que nós não estamos.
8:02
É nos baseando em um ser vivo em uma pessoa ou um especialista.
8:07
Nós estamos é nos baseando em informações que são geradas
8:11
diariamente na avicultura e não tem, né, professor?
8:15
Nada mais mais que tenha mais informação.
8:18
Eu acho que a avicultura hoje. E aí é, nós passamos assim usar
8:25
essa informação vai nos dar uma vantagem de chegar ao ao que a
8:32
gente espera mais rápido, sem cometer os erros que foram
8:36
feitos no passado. Eu eu estou fazendo uma
8:39
interpretação certa, diz o professor e Natanael.
8:42
Cias, vocês acham que essa análise de dados ela pode ter
8:46
essa vantagem de a gente não? Não cometer erros e, por isso
8:51
ser sustentável, porque a gente vai.
8:54
Ultrapassar ou concordam ou não com essa situação?
8:59
Uma pessoa me, né? Zica ela tem muita dificuldade.
9:04
Da vida, porque ela não tem passado uma empresa, né?
9:09
Zica ela é reinaugurada todos os dias.
9:13
Não é? Ela é reinaugurada, o que tu
9:17
falasse de experiência? Na verdade, são modelos
9:21
empíricos. Nós formamos o nosso cérebro e o
9:24
nosso cérebro. Roso resolve.
9:27
Empiricamente e nos transmite o resultado através de
9:31
neurotransmissores, quando o nosso modelo é favorável, ele é
9:35
positivo. Nós temos uma sensação de
9:37
bem-estar. Nós dizemos assim, há isso vai
9:41
dar certo, um momento, eu sei que vai dar certo.
9:44
Ou então, nós respondemos de outra maneira.
9:48
A esse troço não vai dar certo em uma como é que tu sabe?
9:51
Tinha não sei. Algo me diz que não vai dar
9:53
certo. O cérebro está te respondendo,
9:57
entende? Só que de uma maneira.
9:59
Empírica? O que nós fazemos agora?
10:03
O que nós queremos fazer é copiar este modelo de dentro do
10:08
cérebro. Só que esse modelo está em
10:10
planilhas de Excel. Nas empresas é a história da
10:16
empresa, é a experiência da empresa, porque cada empresa e
10:20
são modelos únicos, ela tem. No seu?
10:25
Coração na sua, no, no seu âmago.
10:29
Um conjunto de variáveis sem controle que determina um modelo
10:33
dela, qualidade de mão de obra, qualidade, insumos, uma série de
10:37
coisa, doenças intercorrentes em controle, doenças, mundo
10:42
depressoras e uma série de outras e fazem parte de um
10:45
modelo e aquele modelo ele é único.
10:48
Ele é único, então cada cada empresa teria o seu modelo, né?
10:54
Obviamente que nós poderemos chegar a um modelo geral.
10:58
Juntando os modelos individuais, então, por definição, um modelo
11:02
geral sempre será inferior a um modelo individual.
11:06
Né? Porque tu tá fazendo Bete?
11:08
Muito falácia, tá no meu entendimento, é correto.
11:12
Nós temos que simplesmente desvendar e utilizar a história
11:19
das nossas empresas, que a história é a memória dela.
11:22
Se não elas virão aminésia. É, eu achei.
11:25
Eu achei fantástico essa história de empresa, né?
11:28
Zika, né? Natanel, como é que você vê
11:30
isso? Não muito, muito bom.
11:33
A perspectiva do professor de sempre trazer o debate, né?
11:39
Ancorado? Na unidade económica da da
11:42
empresa porque a empresa se resume em unidade económica.
11:46
É precisa dar lucro e uma empresa que não olha o seu
11:49
histórico que não toma esses dados para amparar as decisões
11:53
futuras? Ela tem uma chance de sucesso
11:55
muito baixa, porque a chance de cometer um erro, né?
12:00
E que vai gerar um prejuízo econômico.
12:02
Ela é muito, ela é muito grande. Eu eu gosto muito Oo Elizabeth
12:07
quando você fala de a decisão empírica, né, que era baseada
12:12
muito no conhecimento prático do produtor, e aí?
12:15
Decisão baseada em dados como o professor falou, o nosso
12:18
cérebro, ele tem essa capacidade de resumir modelos, mas em
12:22
algumas vezes ele resume muito mal, porque o conjunto de dados
12:26
ele esconde muita informação que muitas vezes.
12:31
Essa informação só aparece com uma análise aprofundada.
12:35
É, é muito legal trabalhar com essas ferramentas de machine
12:39
learning, porque quando ela solta muito resultado e quando
12:44
você senta para olhar, esse resultado é se sentar com calma,
12:48
com um olhar perspicaz, você vai conseguir fazer inferências que
12:52
estavam oculta, então acontecendo, o que gera um
12:55
prejuízo no campo e que são oculta.
12:57
Então a análise de dados. Ela, ela ampara, sim.
13:01
AA tomada de decisão, mas ela não anula.
13:04
Da experiência do pro, do da equipe de campo, ela não anula a
13:07
experiência. Ela é uma ferramenta a mais para
13:11
que esse produtor, né? Ou esse esse técnico de campo,
13:15
especialista, ele toma sua decisão baseada em dados?
13:18
É exatamente isso. Isso é uma coisa que eu sempre
13:20
falo, né? Que a machine learning, na
13:22
verdade ela traz mais assertividade, mais precisão,
13:27
mas ele jamais vai anular o bom profissional é que vai ser
13:30
sempre necessário. A partir do momento que a gente
13:31
sabe qual é o problema, a gente busca o melhor profissional para
13:34
nos trazer. A solução para aquilo mais
13:38
assertivamente, porque a gente não vai estar jogando, né?
13:40
Usando um tiro de 12, como todo mundo diz, pra matar, né?
13:44
Algo que às vezes seja mais específico.
13:47
Mas e por que em 2001? O professor falava disso?
13:52
Eu falei e comecei a falar disso em 2000 e alí, 1011, Natanael
13:57
começa a falar em 2017, por que que a gente tem assim?
14:01
É bastante curiosidade, porque eu vejo assim que quando o
14:05
professor fala, quando natanel fala.
14:08
Quando eu falo, a gente dá alguma palestra sobre isso,
14:11
enche de gente, eles fazem perguntas, mas na prática eles
14:16
ainda tem um certo receio de é conectar isso e vê isso como uma
14:24
ferramenta aplicável no dia a dia.
14:28
Por que que vocês sentem ou se é que você sentem esse?
14:32
Esse é é um certo receio, digamos assim, na hora que eu
14:38
falo assim, eu preciso ver os seus dados pra poder te predizer
14:42
com mais. É qualidade.
14:46
O que que vai acontecer? E a busca por soluções
14:49
sustentáveis? Olha só, é.
14:53
É Elizabeth, é um grande desafio.
14:55
De fato, você é. É fazer com que Oo produtor, né?
15:01
Ele. Passe a utilizar essas
15:04
tecnologias por por vários motivos.
15:08
Primeiro, é, às vezes essas tecnologias representam uma
15:13
complexidade. É o nosso papel, de certa
15:17
maneira, não é só levantar essas informações, mas traduzi-la de
15:22
maneira que isso se transforma. Em decisão na ponta.
15:26
Então, esse é um critério muito importante.
15:29
É. É não vender uma complexidade,
15:32
mas vender uma solução para o produtor.
15:34
Um segundo aspecto, que é relevante e que isso é uma
15:37
observação muito pessoal que eu tenho, e talvez a percepção do
15:41
professor seja até diferente. Mas a criação animal ela é muito
15:45
sensível a preço. Ela é.
15:48
É uma. É uma atividade econômica de
15:51
imagens muito, muito estreitas. Qualquer a diz.
15:56
São de custo dentro dessas análises pro produtor.
15:59
Num primeiro momento, ele vê isso como uma, é como um custo
16:05
mesmo, e ele tem uma dificuldade de enxergar o resultado que
16:09
essas análises de dados podem gerar no médio e até longo prazo
16:12
para ele. Então é preciso que é ter essa
16:16
compreensão de. De gerar um benefício direto
16:22
econômico para que essa essa adesão tecnológica?
16:25
Ela tenha o mínimo é atrito. Ela tem o mínimo conflito
16:29
possível, então são 2 aspectos que que eu observo assim que.
16:34
É que podem ser que são importantes, mas com certeza não
16:39
é professor, não são os únicos que o senhor tem a acrescentar
16:43
aqui. Eu acho que não são os uns.
16:45
Eu concordo contigo, neta não, mas tem uma outra coisa que eu
16:48
acho que é muito importante. Quando entra com uma coisa desse
16:53
tipo. Que ela é nova no nosso
16:55
segmento. Primeira coisa que acontece é
16:58
gera uma insegurança pelo novo. E segundo, tu abala estrutura de
17:04
poder. Dentro das empresas existe um
17:08
poder hierarquizado dentro das empresas.
17:11
E esse poder está sustentado por um classicismo, ou seja, uma
17:16
coisa é conservadora. Isso vem fazer com que.
17:22
A experiência, veja só, é o que nós estamos falando, a
17:26
experiência seja transmitida. Através de mecanismos
17:31
matemáticos ou de outra ordem. Seja por um.
17:36
Machine learning, inteligência artificial ou fazer que vale?
17:40
Então isso gera uma insegurança na estrutura de poder.
17:45
E tem 2 alternativas, ou tu adere a ela e a entendi a usa
17:49
aí. E as pessoas fantasiam muito.
17:53
O entanto, a rechaça. Porque tem medo?
17:56
Quando a gente fala em uma indústria bem desenvolvida e o
17:59
Natanael também falou em questão financeira, quando nós pensamos
18:03
assim nas instituições financeiras, elas usam isso.
18:07
Elas usam a informação para fazer as decisões aonde vão seus
18:11
investimentos e aonde não vão ser os investimentos, sendo a
18:15
agricultura 11 cadeia que é bastante ligada à questão, né?
18:21
De custo de benefício é, é necessário a gente passar para
18:26
esse nível, né? De de de discernimento.
18:29
E observar esses dados. Assim, em termos de de cenários,
18:36
né, de predições que que nos permitam tomar umas decisões
18:40
mais claras, né? É e.
18:45
Quais seriam os pontos que nós poderíamos levantar?
18:49
Para quem está escutando, a gente está assistindo.
18:52
A gente hoje é de vantagens EE para tirar um pouco esse receio,
18:58
essa insegurança que ele tem de liberar ou de nos nos a nos nos
19:05
favorecer. Uma quantidade de idade
19:07
suficiente que nos permita fazer a auxiliá-los nessa Transmissão
19:12
da experiência. A partir de é informações
19:16
matemáticas de machine learning ou do que quer que seja.
19:19
É comparado a ser aquela informação que uma pessoa só tem
19:24
Por Ela ter vivido ali AA vida dela.
19:27
Quais serão as? Os pontos que a gente poderia
19:30
dar de vantagens e que diminuísse essa esse medo deles
19:35
de trabalhar com essa, com esse tipo de informação.
19:39
Já te desse a resposta no início bet meu entendimento.
19:43
Essas empresas estão acostumadas a utilizar esses modelos, essas
19:47
coisas. Na parte contábil, na parte
19:51
toda, toda a análise do dado financeiro.
19:55
Eles usam tudo isso. Então, se existe uma cultura de
20:01
modernidade dentro das empresas, então o que que está
20:04
acontecendo? No meu entendimento, esta
20:08
informação que nós estamos tratando, ela não chega nos
20:11
diretores, não chega na direção das empresas.
20:16
Talvez porque ela não tenha sido entendido num escalão
20:19
imediatamente inferior, então ela não é levada.
20:23
Eu não sei qual a razão que ela não é levada.
20:26
Mas eu posso supor muitas coisas, só sei dizer que ela não
20:29
é levada. Porque se ela fosse levada?
20:34
Nós não estaremos discutindo isso.
20:36
Exato. Então uma das uma das questões,
20:39
talvez para quem está escutando, a gente é assim, tentar aprender
20:43
isso e levar realmente para os escalões superiores para mostrar
20:47
a importância de se basear nesses resultados.
20:51
Natanael que que você pode contribuir aí com os a sua visão
20:56
disso é, é muito legal dentro desse aspecto, né?
21:00
De cultura organizacional, realmente o agronegócio, ele é
21:04
muito verticalizado. E talvez haja pouca troca de
21:08
informação. É de baixo para cima, é.
21:13
As decisões são muito de cima para baixo.
21:16
E isso, de fato, pode dificultar em chegar na num decisor de
21:21
compreender, por exemplo, o aspecto técnico da utilização de
21:24
uma tecnologia. Se você tem um decisor que ele
21:27
é, é um administrador, um economista.
21:30
Ele talvez não consiga enxergar um valor é de uma solução
21:34
dessas, explicado pela equipe, né?
21:37
De de campo. Então existe toda, concorda?
21:40
Essa questão de é de fluxos de informação dentro da cadeia é
21:45
muito importante. Acho que da parte é também é
21:48
fazendo um MEA culpa. É, é a questão de sigilo e
21:53
confidencialidade de dados. É evidente que a gente, como
21:57
pesquisador ou como empresa, tem critérios éticos e a gente segue
22:02
vários princípios de não tornar os dados desse desse produtor
22:07
público. Porque, veja só, eu tive até um
22:09
exemplo recente em que a gente ofereceu uma das soluções para
22:14
um produtor, mas ele ficou com receio de que a gente entendesse
22:18
algum padrão de salmonelose, algum desafio sanitário que ele
22:22
fica. E que a gente pudesse
22:24
identificar isso é então fazendo um MEA culpa, né?
22:28
A gente tem que falar mais sobre Oo aspecto de sigilo e
22:32
confidencialidade dos dados para que esse produtor também se
22:35
sinta confortável em compartilhar, porque como você
22:38
falou, Elizabeth é as decisões, as análises que a gente faz é em
22:42
benefício deles, né? É evidente que quanto mais dados
22:47
eles fornecem, professor, mais a gente vai conseguir é tomar ou.
22:54
É 11 decisão acertada lá no final, porque a nossa curva é
22:58
muito boa de predição, então existe é a questão do próprio
23:03
produtor, mas também um pouco da do lado aqui da né, do da dor e
23:08
da é, mas ao mesmo tempo também. A gente sabe que hoje há também
23:13
nesse mesmo aspecto tem muito, tem muito como você é, é
23:19
proteger esses dados sem que eles saiam, né?
23:22
De uma forma, é fora do contexto que se busca que é nesse caso,
23:27
aprender. E eu acho que tem um outro
23:29
ponto, as pessoas. Elas pensam que tudo eu vejo
23:34
assim, eu vou falar sobre mim e vocês, por favor, é?
23:38
Eu vejo que quando você vai apresentar um trabalho de
23:42
análise de dados, se entende que já está com a resposta pronta e
23:47
uma coisa que a gente tem que entender, que, como o próprio
23:50
nome diz, machine learning ou a gente tá aprendendo.
23:55
A medida que esses dados vão sendo é integrados, seja com
24:00
redes neurais, seja com qualquer que seja.
24:03
Do sistema que a gente está utilizando para avaliar esses
24:06
dados, então as respostas, elas não estão prontas ainda.
24:11
E como o professor disse, é inclusive no seu trabalho, né
24:14
professor? No final, a conclusão é de que
24:16
isso não pode ser aplicado de maneira.
24:19
É igual para todas as empresas e isso é o único da da análise de
24:24
dados. Você não tem uma resposta única
24:26
para todos que seja, é igual. Então acho que a gente poderia
24:31
falar também um pouquinho pra eles sobre essa questão assim.
24:35
Da? Da de como que funciona esse
24:38
aprendizado que talvez ele vai demorar pra pra tomar uma
24:43
decisão que seja mais precisa, mas que a medida que a gente
24:47
confie que esses dados estão chegando é as equações vão sendo
24:52
mais. É a justa das né?
24:55
Então acho que a gente pode explicar um pouquinho pra eles
24:57
aqui sobre como que funciona essa essa resposta final, que às
25:02
vezes eles têm uma decepção, né Natanael, eles fazem ali um
25:06
trabalho contigo. E no final a resposta ali, mas
25:09
você não tem assim todas as respostas que eles esperam num
25:12
primeiro momento, talvez a gente tenha que também tirar um pouco
25:15
essa frustração que permita para eles dar mais tempo para machine
25:20
learning que a gente está promovendo aí.
25:24
Primeiro, eu vou dizer uma coisa aqui que a minha experiência
25:26
pessoal eu tenho. 50, né? 50 anos.
25:33
De experiência nessa área de pesquisa e diagnóstico.
25:39
Nunca houve um vazamento de dados.
25:42
Então isso é uma das coisas que eu não entendo.
25:44
Eu já ouvi muitas vezes esse argumento é.
25:47
Mas ele nunca me apresentaram um fato.
25:51
Uma situação que tenha havido um vazamento para que a gente
25:55
pudesse analisá-la. Então, se nunca houve no meu
25:59
universo, daqueles que me cercam que o consultou sobre isso,
26:03
porque é estranho. É estranho que a gente tenha
26:06
tanta dificuldade em em ajudar. Tem horas que eu.
26:10
Eu já disse isso para aqueles que eu tenho mais intimidade.
26:16
A universidade não cria galinha. Quem cria galinhas são vocês.
26:22
Se der uma crise amanhã. Vai dar um problema para muita
26:26
gente. Nós vamos continuar com o mesmo
26:28
contracheque, então a gente está tentando ajudar.
26:32
Agora deixe-nos ajudar, entendi. Tem outro detalhe também
26:36
importante. A nossa indústria, muito
26:39
Moderna. Mas tem muito pouca patente.
26:44
É incrível, nós temos as maiores companhias alimentícias do mundo
26:48
e não tem, e elas não desenvolvem tecnologia própria.
26:52
Não. Então, são paradoxos que nos
26:55
ajudam a entender porque da dificuldade, porque não há uma
26:58
cultura de desenvolvimento e em pesquisa em desenvolvimento
27:03
tecnológico, não há em geral, os segredos têm que ser protegidos.
27:09
Não são os segredos de desenvolvimento são de os erros
27:12
cometidos. Entendi.
27:15
Então isso tem que ser protegido, mas não estou
27:17
interessado, nem erro, nem segredo nenhum.
27:21
Nós queremos simplesmente fazer algo que venha provar as nossas
27:26
concepções. É só isso.
27:28
E com isso, AA gente ajuda. A nossa produção.
27:34
Não é porque. Hoje em dia?
27:39
Eu acho inadmissível. Que nós não tenhamos como média
27:44
e como rotina. A predição de resultados com
27:50
probabilidade conhecidas e na pra dizer resultado no dedo.
27:55
Isso aqui tem uma curva em tem o bato o dedo ali.
27:58
Antigamente o que que mudou nos últimos anos?
28:01
Antigamente se fazia essas projeções, essas interpretações,
28:05
tudo em papel milimetrado. Canetas de cores diferentes hoje
28:10
em dias com informática que ela evoluiu muito, os gráficos são
28:14
muito mais elaborados, mas na sua essência, a mesma coisa é o
28:18
dedo que interpreta, entende? E não pode ser assim, não pode.
28:24
Natanael, o que que você tem para nos falar aí nisso, não é?
28:29
É fantástico, é é conectar aqui o que o professor acabou de
28:34
falar, né? É evidente que AA
28:37
confidencialidade dos dados é muito seguro.
28:39
Não existe, de fato, é. É mais algum receio individual
28:43
de alguns produtores, e o segundo ponto, professor, é que
28:46
as ferramentas hoje mudaram de fato e para hoje a questão de
28:51
análise Elizabeth OE aí o conector já com o que você
28:54
falou. De dados, ela leva um tempo de
28:57
amadurecimento porque você necessita ter 11 repetição de
29:02
algum fenômeno, de algum equívoco para que você consiga a
29:06
máquina consiga interpretar ele, não fale que isso foi 11.
29:11
Um evento anormal e ele descarte dentro do do mecanismo de
29:15
análise. Então, a medida que existe uma
29:17
repetição e que é, existe algum evento correlacionado, a máquina
29:22
já consegue apontar que houve esse problema, então existe uma
29:26
necessidade de amadurecer a tecnologia, mesmo pensando em
29:31
que o dado, quanto mais individualizado, melhor.
29:34
Se o dado é da unidade, a unidade vai, você vai gerando,
29:37
vai utilizando a ferramenta vai gerando mais informações a
29:41
respeito. Dado uma janela de de, vou
29:45
colocar aqui um período de 6 meses ou um ano e que esses
29:48
dados estão sendo tomados. A tendência é que você seja cada
29:51
vez mais assertivo, né? É muito interessante se você
29:56
existe 11. Um conceito que é chamado de
30:00
gêmeo digital e o gêmeo digital é você pega todos os dados de
30:04
produção e você cria uma Granja dentro do computador e, à medida
30:10
em que você vai inserindo variáveis que é muito semelhante
30:13
até o trabalho recentemente publicado pelo professor, você
30:16
vai inserindo variáveis ou você vai conseguindo entender o
30:19
comportamento no final do ciclo? Então é preciso ter um pouco de
30:22
paciência. E aposta mesmo porque.
30:27
Essas análises de dados de fato tem potencial para transformar a
30:31
produção avícola, a produção pecuária, assim como ela faz no
30:36
mercado financeiro. Então acho que é é uma questão
30:39
de insistir na aposta. É, eu acho que seguindo nessa
30:42
linha aí porque a gente já tá no final.
30:44
Infelizmente o pessoal acho que a gente vai ter que marcar um
30:46
outro, um outro bate-papo, aí o pessoal que está em casa, se
30:50
eles, se vocês tiverem interesse, depois manda umas
30:53
perguntas aqui pra mim, a gente vai fazendo de é voltando com
30:57
alguns convidados aqui pra retornar no que vocês tiveram
31:00
curiosidade. Mas eu acho que o ponto é
31:03
justamente isso, é. O professor pipi começou lá em
31:07
2001 + 1 vez e assim e toda essa linha de tempo.
31:11
E quanto mais demora tem na né? Ao menos a gente vai tendo essas
31:16
predições mais claras. E outro ponto também que eu
31:21
gostei de colocar assim, 2 gerações ou até 3, né?
31:25
Me incluindo aqui no processo gerações diferentes abordando o
31:30
que não é uma questão de competição, né, professor?
31:34
Natanael, na verdade, assim, se a gente conseguir.
31:37
Juntar redes neurais com que o Natanael está fazendo
31:41
correlacionar com as análises do ice com que o pessoal já tem no
31:45
campo a tendência. A gente é crescer muito mais
31:50
rápido do que se cada um tiver fazendo em separado.
31:53
Então, por isso também foi a ideia de colocar todo mundo
31:56
junto aqui, pra não parecer que a gente está menosprezando ou
31:59
super é. É mostrar que todo mundo tá
32:02
falando a mesma coisa, então com isso é voltado para essa essa.
32:08
Essa situação que eu descrevi aí, da da questão de você juntar
32:13
mais dados, de começar o mais rápido, eu vou deixar vocês aí
32:17
com uns minutinhos pra deixar mensagem final de vocês pra
32:21
gente continuar essa conversa num outro momento, mas que é a
32:26
gente consiga realmente fazer com que você que está em casa
32:29
entenda a importância de começar cedo com esses, com essas
32:34
análises de dados que a gente tem tanto, né?
32:36
Vamos começar com o professor, então, com a sua mensagem final.
32:41
E o que que e qual que é o seu conselho aí de muitos anos para
32:45
que a gente consiga estimular o pessoal que está de casa e
32:48
começar rápido isso, se a gente não perdeu mais tempo do que a
32:51
gente já perdeu em em colocar toda essa informação em
32:54
conjunto. Bom, é é em 2018.
32:58
Eu publiquei um trabalho numa revista Americana chamado cujo
33:02
título é o seguinte. Os veterinários são pagos para
33:05
tomar a decisão e hoje eu sei que não sou eu, não sou um sol
33:09
veterinário. Bem, a primeira frase, Ela Foi
33:14
uma frase dura, eu sei que fui e repercutiu lá.
33:18
Decisão sem critério não é decisão, é palpite que fique
33:23
claro isto toda vez que a coisa começa aqui, eu já vi.
33:26
Eu já sei 11, pois é cuidado. Sujeito não tem um critério
33:31
definido, ele está fazendo aquilo o melhor que pode estar
33:34
fazendo um palpite, uma empresa que não tem história.
33:37
Ela é me, né? Zica ela é reinaugurada, o bispo
33:40
cortando fita todos os dias. Todos os dias, ela não.
33:44
Ela não usa o que tem os modelos empíricos, que nós chamamos de
33:49
experiência profissional estão presentes na nossa mente
33:52
permanentemente. Nós temos que traduzi Los e
33:55
utilizá-los de uma outra maneira.
33:58
Da mesma forma que nós fazemos isso todos os dias, há uma forma
34:04
de utilizar a memória da empresa que se através do que Natanael
34:09
está fazendo, através do que a Beth está fazendo, através do
34:11
que eu faço. Nós estamos utilizando a
34:14
memória, cada um conta uma história.
34:17
E a história a história da empresa.
34:20
Para quê? Para que nós possamos tomar
34:22
decisões em cima de critérios objetivos fundamentados e
34:25
documentados. É isso que eu queria que
34:30
entendesse. Não tenham medo.
34:32
Não vai abalar, isso não substitui o conhecimento, pelo
34:36
contrário, ele só ajuda a escoa lo.
34:39
Porque oferece uma canalização, desconhecimento.
34:42
O difícil é ficarmos sem critério, onde o conhecimento
34:45
congela e dá uma frustração enorme.
34:48
É isso, vamos pensar sobre isso. Muito obrigada, professor, não
34:52
só obrigada pelo que falou hoje, mas obrigada por todos os seus
34:56
anos de contribuição para avicultura nacional.
34:58
Muito obrigada Natanael com você agora um espaço, né?
35:04
Para o empirismo já não existe mais, é avicultura, é uma.
35:10
É uma atividade que. Ela caminha para o seu ápice de
35:15
produção, no sentido de que o animal tem um potencial
35:18
genético. E são as atividades de manejo.
35:24
Baseada na necessidade dos animais que vão aproximar a
35:28
produção mais alto possível, mais próximo possível desse
35:32
potencial genético. O que eu quero dizer é que
35:36
decisões erradas é tem preta, tem um prejuízo econômico.
35:42
Decisões erradas não fazem um animal é desempenhar o melhor
35:46
que ele pode. Decisões erradas aumentam os
35:49
custos de produção e você vai usar mais aditivo ou algum
35:52
medicamento ou algum erro de dieta.
35:55
Então é pra mim é uma. É uma tendência natural da
36:00
avicultura entrar. Na decisão, amparada por dados,
36:05
cedo ou tarde. Adepto ou não, você vai ter que
36:10
entrar nesse tipo de decisão. Quanto mais cedo fizer, melhor
36:14
vai ser para que você no futuro, você desempenhe melhor do que os
36:18
seus outros concorrentes ou outras grandes ou até mesmo 11
36:23
integrado vizinho, então é a minha mensagem, é a.
36:27
As ferramentas estão maduras, tem muitas soluções disponíveis.
36:31
Você pode procurar o que te atende melhor, é o que não pode
36:35
é ficar alheio. A importância dos dados para
36:38
você fazer a tomada de decisão. Então, muito.
36:43
É. É provocadora essa reunião que
36:46
você fez, Elizabeth, então muito contente aqui em falar um pouco
36:51
da da nossa perspectiva aqui sobre os dados biológicos e um
36:55
pouco junto contigo e com o professor.
36:56
Obrigado, viu? American nutrients, entregando
37:01
soluções tecnológicas para o bem-estar e segurança humana e
37:04
animal desde 2007, alicerçados ao conceito one health e os
37:08
produtos e a inovação, da American nutrients, contribuem
37:11
para a saúde humana. O bem-estar animal e a
37:14
preservação do meio ambiente. Muito obrigado, Natanael.
37:20
Muito obrigada. Assim como eu falei.
37:21
Muito obrigado ao professor pelos vários anos aí que se
37:24
obrigada, vai ser por trazer essa força nova aí pra ve
37:28
cultura e eu espero que a gente consiga realmente começar mais
37:33
cedo do que tarde nessa análise, dado numa.
37:36
Numa avicultura mais preditiva, a partir daquilo que já existe,
37:41
que as nossas empresas não sejam amnésicas a cada dia que começa,
37:45
aí sim possa trazer, porque eu não acredito e sustentabilidade
37:50
se a gente não avaliar os dados, porque a única forma de.
37:53
Fazer com que nós não tenhamos perdas é realmente avaliar aonde
37:57
que essas perdas estão e nada melhor do que dados precisos
38:01
para nos informar isso. Eu agradeço muito a participação
38:04
de vocês, né? O primeiro, meu primeiro
38:09
episódio aí eu já tocar, nao vai esperando a gente aqui porque a
38:12
gente vai falar sobre salmonela? Na sequência, um grande abraço
38:16
pra vocês. Muito obrigada, bom dia e eu
38:18
espero poder encontrar com vocês mais aqui nesse nosso podcast
38:23
para falar mais especificamente sobre o que cada um de vocês
38:26
fazem nas suas tecnologias. Muito obrigada.
38:29
E mais uma vez obrigada para vocês que estão em casa também
38:33
nos acompanhando.