Latest / O Aviário Podcast · by PPGVET / Dr. Marcos Martinez: Inteligência Artificial na Avicultura | Ep. 55

Transcript

Dr. Marcos Martinez: Inteligência Artificial na Avicultura | Ep. 55 · O Aviário Podcast · by PPGVET

0:00
O animal só é o animal. Não é o que ele é, a galinha é
0:05
galinha, ela vai ter os problemas que são os problemas
0:07
de galinha. Agora, o ser humano é algo mais
0:10
complexo. Né?
0:12
Então, junto com a sua bagagem técnica, traz essa percepção do
0:17
ser humano que eu acho que ela é fundamental para os técnicos e
0:22
aí fora isso, é. Muito mais importante que
0:28
conteúdos, né? Essa inteligência de você saber
0:33
articular a aquisição de novos conhecimentos, como se fosse uma
0:38
criança. Bem-vindos ao podcast, o
0:43
aviário, as mentes mais brilhantes da agricultura no seu
0:47
bolso. O podcast o aviário só é
0:51
possível através do apoio de empresas inovadoras e que apoiam
0:54
a educação continuada navicultura brasileira American
0:58
nutrientes solução é o nosso compromisso.
1:01
Pegas o Science, a solução inteligente e em tempo real para
1:05
a interpretação de microtoxinas. Imagine ter a disposição uma
1:10
solução que combine rapidez e interpretação personalizada para
1:14
gerenciar os riscos das microtoxinas em sua empresa?
1:17
Pegas, o Science é a resposta. Realizamos a quantificação em
1:21
tempo real das principais microtoxinas, promovendo
1:24
decisões mais assertivas, resultando em um gerenciamento
1:28
macroeconómico e sustentável. Olá, pessoal, sejam todos muito
1:37
bem-vindos a mais um episódio do nosso podcast, o aviário.
1:41
E hoje a gente tem o prazer aqui de receber o Marcos Martinez do
1:45
vale, professor da Universidade Federal do Paraná.
1:48
Eu vou chamar ele de Marquinho e eu tenho toda a intimidade com
1:52
ele, de chamar ele de Marquinhos, porque nós, quando
1:54
ele estava fazendo a graduação dele lá em Zootecnia, na Unesp,
1:58
em abboticabal, a gente teve a chance aí de conviver, eu
2:01
fazendo meu mestrado, ele terminando a graduação dele.
2:04
Tivemos aí a chance de fazer uma interação.
2:06
De Lá Pra Cá a gente sempre trocou aí informações sem.
2:09
Nos mantivemos em contato, o que a coisa boa da agricultura,
2:13
gente, é justamente isso que é um mundo, né?
2:15
Uma bolha que a gente tá aí, sempre tendo a oportunidade de
2:18
ver rever nossos amigos. Bom, hoje não vamos falar um
2:21
pouquinho, né? O episódio vai ser em torno aí
2:23
de do assunto bem legal. Vamos falar de inteligência
2:26
artificial? Vamos falar de mineração, de
2:28
dados, vamos falar um pouco de estresse, de calor.
2:31
O Marquinho tem uma experiência boa com essa questão do calor.
2:33
Vamos falar um pouco, né? De ferramentas de tomadas, de
2:36
decisões, enfim, vamos ter uma conversa bem tecnológica aí com
2:40
o Marquinho marquim, as suas primeiras palavras.
2:42
Café, eu vou te chamar de café porque desde sempre eu te
2:46
conheço assim, né? Então é café mesmo.
2:49
É um prazer enorme estar participando aqui.
2:51
Com vocês? Eu já escutei alguns episódios
2:58
de vocês. Eu gosto bastante e gostaria de
3:01
parabenizar vocês pelo trabalho bem legal e muitas vezes você
3:07
está com pouco tempo. Põe o fone de ouvido, fica
3:10
escutando um episódio legal de um de um dos nossos colegas, não
3:14
é? E é uma coisa legal isso que
3:16
você falou porque a gente vive num universo muito pequeno, né?
3:20
E aí a gente leva uma vida profissional inteira se
3:23
encontrando recursivamente, e isso é um prazer muito grande
3:28
poder voltar a falar com os colegas e muito obrigado pela
3:31
oportunidade de conversar com vocês.
3:34
Bom gente, eu vou fazer uma apresentação mais formal do
3:36
Marcos, né? Do professor Marcos Martinez, do
3:38
vale, ele é professor de agricultura na Universidade
3:40
Federal do Paraná, junto ao departamento de Zootecnia.
3:44
Tem experiências nas áreas de ambiência, Zootecnia de precisão
3:47
e nutrição de não ruminantes, atuando principalmente com aves,
3:51
desenvolve trabalhos em biometrologia aplicados à
3:54
medicação de stress por calor, aplicando ferramentas de
3:58
inteligência artificial, como técnicas de mineração de dados e
4:02
modelagem. Fase.
4:04
É graduado em Zootecnia pela Unesp Jaboticabal, mestre em
4:07
ciência animal e passagens pela esalq na USP e doutor em
4:11
engenharia Florestal pela Unicamp.
4:14
Atuou com é no mestrado em nutrição de ares e no doutorado
4:17
em ambiência do tecnologia de precisão aplicada a frango de
4:20
cortes e tem experiência em empresas de nutrição animal em
4:23
instituições de ensino e pesquisa.
4:25
Bom, tem uma longa, né? Folha de serviço prestado
4:28
agricultura, mas quem é bem conhecido, né?
4:31
Uma pessoa que está sempre nos congressos está sempre
4:33
conversando, orientando alunos, enfim, publicando trabalhos.
4:37
É bem ativo. Bom Marcos é.
4:41
Vamos conversar essa inicialmente, fazer uma assim,
4:44
11 assim hoje, né? As empresas têm muito dados e
4:50
têm dificuldade de tomar decisões em cima de dados.
4:54
E você tem trabalhado aí com essas?
4:56
Essas ferramentas de inteligência artificial elas,
5:00
né? Você conhece bem essa questão da
5:02
mineração do dados? Podia falar um pouquinho sobre
5:04
essas tecnologias rede neurais, como que essas coisas funcionam?
5:08
Enfim, vamos começar a nossa conversa com.
5:11
Que você acha que os dados que as empresas têm disponíveis
5:15
muitas vezes estão lá, nos computadores das empresas, podem
5:18
ver virar alguma tomada de decisão para os diferentes
5:22
gerentes das diferentes áreas das empresas.
5:25
Como que você acha que isso começa a ficar mais fácil com a
5:28
entrada dessas novas tecnologias de intendência judicial?
5:31
Enfim, como é que você faz essa relação entre a empresa possuir
5:34
os dados e esses dados, virar uma decisão que seja estratégica
5:37
para a empresa? O café, a gente.
5:41
Você tocou no assunto que é, é a base de tudo isso que a gente vê
5:46
com essas novas tecnologias de inteligência artificial, é de
5:51
como que esses dados estão disponíveis, né?
5:53
A gente é de uma época que a gente IA para o experimento com
5:57
um caderninho. E isso é um problema enorme, né?
6:02
Porque o você tem o lançamento no caderno, aí o caderno você
6:07
tem que transpor para uma planilha de Excel e.
6:11
Esse trabalho de transposição ele é sempre árduo, extenuante.
6:17
EE ele demanda tempo e sempre envolve erro, não é?
6:23
Acho que o grande dilema para a gente hoje é a gente sair desse
6:26
sistema manual e automatizar essas coletas de dados.
6:33
Acho que esse é o grande, é grande impasse, dificuldade, né?
6:37
Quando você fala em automação da coleta de dados, a gente está
6:42
falando isso lá na Granja, que muitas vezes, se você está
6:46
lidando com pessoas que têm uma capacidade muito baixa em
6:51
trabalhar com sistemas mais. Sofisticados.
6:57
E é onde que a gente tem, o nosso maior problema, porque a
7:01
fidelidade do dado que está sendo coletado lá no campo é o
7:07
que vai definir tudo que você pode fazer.
7:10
Então, quando a gente trabalha, por exemplo, com mineração de
7:13
dados, tem alguns jargões, né? Que se você entra com lixo de
7:19
dados, o que você vai tirar? Vai ser um lixo também, então.
7:25
Esse é o nosso primeiro problema, né?
7:28
Como que você adquire os seus próprios dados com grande
7:31
fidelidade? E o outro problema é esse nossos
7:36
dados históricos, né? Porque esses nossos dados
7:40
históricos? A gente pode dizer de uma forma
7:44
figurada, então várias vezes eu uso figurações.
7:49
Uma fruta não cai muito longe do pé.
7:52
Isso quer dizer que os seus dados históricos, o seu
7:55
histórico produtivo do ano anterior, é o que você vai
7:59
esperar para o ano seguinte ou lote anterior você.
8:04
Não vai esperar um desempenho muito diferente para o lote
8:08
seguinte, e isso significa que as coisas acontecem dentro de
8:13
padrões e esses padrões eles podem ser extraídos.
8:20
E você usar esses padrões internos que você tem para você,
8:27
ou. O futuro ou você mitigar
8:30
problemas recorrentes? Isso é muito comum.
8:34
A gente trabalha. Trabalhar com uma determinada
8:39
integração ou Granja e você tem numa determinada região um
8:44
problema de manejo recorrente e isso aparece nos dados e quando
8:50
você tem essa leitura, essa capacidade de leitura, você
8:55
consegue resolver o seu problema.
8:58
Olhando para o seu passado. Então a gente trabalhou um tempo
9:02
na vitagre, a gente trabalhou muito com dados zootécnico
9:06
dentro da vitagem, então o que que a gente fazia era
9:08
constantemente olhando os dados ou técnicos registrados para a
9:13
gente identificar os pontos de oportunidade para poder
9:18
desenvolver soluções futuras. Onde?
9:22
Onde que a gente está hoje? É sobre a nossa necessidade
9:26
digitalizar tudo isso. Porque a maior parte das
9:31
empresas, elas estão numa condição de utilizar ainda
9:35
planilhas de Excel. Algumas têm os seus data center,
9:41
que já facilita muito, mas ainda a gente tem um problema de da
9:46
rastreabilidade do dado. Em vários pontos da cadeia
9:50
produtiva. Então, se eu consigo rastrear um
9:53
dado, a gente fala muito em rastrear o dado dentro de uma
9:58
integração do ponto de vista do consumidor, né?
10:03
E aí a gente esquece de falar de como que esse rastreamento de
10:06
dados dentro da integração é é importante propriamente para a
10:12
integração, ensina. Na construção de sistemas de
10:16
suporte, a tomada de decisão. A sobre a mineração de dados?
10:23
Ela é uma técnica legal pra gente.
10:25
A gente costuma trabalhar com. Uma técnica específica, que é a
10:30
técnica de classificação. A gente pode trabalhar com
10:34
outras. A classificação é a principal,
10:37
que ela é 11 modalidade de do que a gente vem chamando, de
10:43
aprendizado de máquina. E aí, aprendizado de máquina?
10:47
A gente tem o supervisionado e o não supervisionado.
10:52
A mineração de dados por tarefa de classificação é o que a gente
10:56
chama de supervisionado. Então, o que que é legal dessa
11:00
técnica? Eu olho para o meu passado.
11:03
Eu vejo coisas que eu sei que aconteceram e eu tenho um rótulo
11:08
e o rótulo dentro dessa área é o que a gente costuma é dizer que
11:12
é o é o resultado final daquela coisa.
11:15
Então eu tenho um rótulo a partir desse rótulo, eu consigo.
11:21
Em função do meu banco de dados, é dizer que alguma coisa
11:24
aconteceu sobre isso ou sobre aquilo, então a gente já
11:28
trabalhou dentro dessas técnicas com dados de incubação com dados
11:33
de matrizes com dados de frango de corte submetidos a ondas de
11:37
calor. Então a gente tem mais ou menos
11:41
essas experiências que a gente pode contar.
11:44
É claro que, então, assim, para traduzir isso, né?
11:48
Para os nossos gerentes de produção, aí, sejam em granjas,
11:51
incubatórios, et cetera. Muitas vezes ele tem que
11:55
entender OAA qualidade do dado que ele está colhendo e essas
12:00
ferramentas vão mostrar para eles.
12:01
Às vezes uma coisa como o barman, você falou que ele não
12:03
está enxergando ali naquele momento.
12:05
Cria, por exemplo, tem um determinado padrão de nascimento
12:08
numa determinada janela de nascimento.
12:10
Tá bom aí? Tá enxergando uma coisa?
12:12
Mas às vezes os dados deles não vão dizer aperfeiçoar, talvez
12:16
vão, vão dizer, é, dá uma sintonia mais fina, mas mais
12:21
pura em relação ao que tá acontecendo.
12:23
Seria mais ou menos por aí, Marcos.
12:24
Você tocou num ponto crítico, né?
12:26
Vamos falar, por exemplo. De mortalidade de frango, né?
12:31
A gente pode falar de 0,1% ao dia, dentro da média, dependendo
12:36
do período que você tá e. E na hora que você entenda?
12:44
Entra numa onda de calor, você pode ter vir de uma de um padrão
12:50
de mortalidade que era em torno de 0,05 0,03%.
12:59
Porcentagem de mortalidade diária.
13:03
E pular para 0,2, então é 11 aumento de mortalidade muito
13:09
maior. AA primeira coisa de você
13:12
conseguir pegar essas essas pequenas diferenças.
13:18
Que é 11 diferencial é você conseguir falar o valor
13:22
econômico do problema. Então quando a gente trabalhou
13:28
com ondas de calor junto com a equipe da da feagri Unicamp.
13:35
Uma das coisas que a gente fez foi quantificar, dar um valor
13:38
econômico. E a pergunta é sempre como eu
13:41
posso me dedicar para dar um a uma solução para um problema que
13:46
muitas vezes eu até acho que ele não é muito grande?
13:50
Se eu não tenho o valor econômico desse problema?
13:54
Porque quando você tem essas mensurações, quando você tem
13:58
essa capacidade numérica de entender o valor econômico do
14:02
seu problema, você. É capaz de entender de que
14:08
tamanho é a magnitude da solução que você tem que imprimir, então
14:13
vamos falar sobre, por exemplo. Alta mortalidade por estresse,
14:19
por calor. Então, se você tiver que
14:23
desenvolver uma ação mitigatória, além daqueles
14:26
recursos do teu aviário, ou seja, aquilo que você pode fazer
14:30
emergencialmente. Seja modificando uma dieta para
14:35
um período de 3 dias ou uma semana ou AA utilizando sais via
14:41
água. Quanto que custa isso?
14:46
Então você se motiva para fazer essa estratégia de medicação.
14:51
Quando você sabe sua perda produtiva.
14:54
Então hoje a gente tem uma dedicação também de mensurar um
14:57
pouco, de que tamanho que são essas perdas produtivas e quando
15:02
você sabe um valor econômico de uma perda, você sabe o quanto
15:06
você pode investir em estratégia de mitigação.
15:10
Acho que esse é um ponto fundamental de você ter a
15:13
fidelidade de teus dados para você poder fazer uma conta que
15:17
te permita tomar a decisão. Ô, Marcos, muito legal.
15:21
Isso realmente é bem, é bem interessante, né?
15:24
Você só pode avaliar o problema que você tem quando você tem o
15:28
dado na mão e ver quanto que ele custa.
15:30
E aí a gente tem toda razão, né? Aí você pode propor uma solução
15:33
que vai ser compensatória sobre o ponto de vista financeiro, mas
15:37
pensando agora, em inteligência artificial em learn machine, aí
15:40
que você falou isso, como é que você acha que essas essas
15:44
ferramentas vão entrar nas empresas?
15:47
Quer dizer, você acredita que, claro, isso está se
15:50
popularizando com a velocidade? Impressionante, né?
15:53
A gente tem visto isso, né? Em aplicações práticas, aí no
15:56
dia a dia aí da da, da, da da, né, da da nossa vida.
16:00
Mas dentro da agricultura, você acha que essa assim, essas
16:03
tomadas de decisões, a própria máquina vai dar conta de pelo
16:06
menos é fazer tal, talvez não tomar uma decisão mais complexa,
16:10
mas pelo menos avisar ou prever alguma coisa.
16:14
Para o gerente de informa que ele vai ter.
16:16
Isso com muito mais precisão e com muito mais celeridade.
16:21
Ó café, a gente tem que entender assim, a gente tem um pouco
16:24
assim de como é que eu vou dizer um pouco, uma visão, um pouco
16:29
fantasiosa do que que a inteligência artificial pode
16:31
fazer. A gente tem a super
16:34
inteligências, que é uma modalidade de inteligência
16:37
artificial. Que elas fazem muito mais do que
16:43
AA mente humana, é capaz. Então essa superinteligência são
16:51
raríssimas empresas, são pouquíssimas que trabalham com
16:56
super inteligência, elas exigem supercomputadores e dificilmente
17:02
ela vai estar disponível no campo.
17:05
A gente tem as médias que as que reproduzem a inteligência humana
17:11
reproduzem como o ser humano pensa.
17:14
Como ele aprende. E tem as.
17:18
A as inteligências a medianas, então essas inteligências
17:25
medianas são a. Programas computacionais que
17:30
eles utilizam algoritmos que é AA alma de um de um sistema
17:36
inteligente e que simula um campo da inteligência humana ou
17:41
de um problema técnico ou de engenharia.
17:45
Então, essas baixas inteligências artificiais é OA
17:49
modalidade de inteligência artificial que vem entrando
17:53
dentro da casa da gente. Dentro do carro é e que está
17:57
entrando dentro das granjas também.
18:00
Então esse tipo de inteligência artificial, ela depende muito da
18:05
história, então você depende de ter dados para você.
18:10
É apresentar uma solução. Então, assim, do ponto de vista
18:15
dos produtos que essas empresas podem trazer, a gente tem um
18:21
grupo que são os grandes grupos que têm a capacidade de grandes
18:26
armazenamentos de dados que conseguem trabalhar com
18:30
equipamentos IoT. Então você precisa que a Granja
18:34
modifica para esse tipo de equipamento.
18:39
Então essas têm capacidade de. Uma solução mais?
18:45
Abrangente para uma integração contra.
18:50
A contrapartida a gente tenha outras inteligências
18:53
artificiais, que, principalmente, são os sistemas
18:57
de suporte à decisão e hoje, se a gente entra numa Granja,
19:02
depois de tudo o que a gente já viu de evolução, de agricultura.
19:10
É difícil você entrar numa Granja e ter um problema bem
19:13
simplesinho. Porque sempre você tem uma
19:18
complexidade do sistema que você tem que entender.
19:22
Você tem universos diferentes de conhecimento que você tem que
19:26
abranger para uma solução, e aí então esses sistemas de suporte
19:31
à decisão que a gente vem trabalhando, por exemplo,
19:33
modelagem, fase, é o que permite trabalhar.
19:39
Com conhecimento de especialistas e o conhecimento
19:43
de padrões que já aconteceram, você pode extrair de bancos de
19:47
dados com mineração de dados. E desenvolver algoritmos de
19:52
machine learning learning. E aí, então, com essa estrutura,
19:56
você desenvolveu um algoritmo específico para resolver um
20:01
problema específico de uma integração ou de um conjunto de
20:05
granjas. É, então, a gente tem esses
20:08
modalidades aí que a gente pode é encontrar dentro das granjas.
20:13
É legal, né? Marcos?
20:14
E são ferramentas que a gente tá começando, né?
20:16
A utilizar EE vai bem além do igual.
20:19
O que você falou? Você tinha referido no começo da
20:21
nossa conversa. Bem além, né, do caderninho?
20:24
Ali, sendo anotado alguma coisa e é isso aí é.
20:27
É o exatamente a nossa nova realidade, né?
20:30
Nós temos que lembrar que em muitos casos, né?
20:32
Os nossos granjeiros é, né? Não tem assim uma facilidade com
20:37
essas tecnologias. Tudo isso está sendo.
20:39
Repensado, reconstruído como você falou às vezes, quem vai
20:42
colher AO dado ali é uma própria máquina, um robô que vai buscar
20:47
aquele dado. Ninguém vai anotar aí nenhum
20:49
papel e isso vai constituindo de acordo com o que você me falou.
20:52
Aí isso ficou muito bem. Os modelos de cada empresa, de
20:55
acordo com com os objetivos, vamos dizer, né?
20:58
De cada empresa. Enfim, é.
21:00
É, é uma, é um Novo Mundo que tá se abrindo pra gente.
21:02
Acho que a gente tem que tá muito aberto pra isso, soluções
21:05
novas virão com muita rapidez em pouco tempo, né?
21:08
Então eu acho que é. É, é, é o que eu acho que pra,
21:12
né? O recado que a gente tem que
21:13
passar é exatamente, a gente tá com a mente aberta pra entender
21:17
que são tecnologias, que que vão vir com muita rapidez, né?
21:21
Você falou certo, vários níveis, né?
21:23
Inteligência máxima média é mais, mais coisas mais simples,
21:27
mas todas elas pra ajudar, né? A tomada decisão pra ajudar a
21:30
melhorar os processos produtivos, né?
21:32
Eu acho que no fim é é bem por aí, né?
21:35
É, e a gente tem que entender assim é, é que muitos sistemas
21:43
de. Soluções para outros países
21:46
então, são grandes empresas que os desenvolvem.
21:52
Quando chegar, chegam no Brasil. Eles têm que se adaptar à
21:56
realidade brasileira. Na então você precisa de muitos
22:00
técnicos para o desenvolvimento. Os nossos alunos.
22:04
Hoje eles estão precisando conversar mais.
22:07
É com essas linguagens de ciência, de computação e de
22:11
ciência de dados. Então hoje eu falo para um aluno
22:16
que ele quer começar, ele tem que ter um pai tão básico aí.
22:23
E além do Excel, né? E, além do Excel, está ali
22:27
dentro trabalhar com r com o Python é e o um dos uma das
22:34
questões que eu acho que quando a gente começou a conversa, a
22:38
gente falou sobre dados, né? Sobre anotar dados, ter bancos
22:42
de dados. E desde sempre, a aquisição de
22:45
dados foi uma questão muito difícil, né?
22:49
Então, se você faz um trabalho com uma empresa, uma das coisas
22:52
que a gente faz é ter que assinar um contrato de sigilo de
22:56
dados, então a gente não pode falar qualquer coisa, não pode.
23:02
Trabalhar com essa divulgação de dados, porque ela tem 11 cunho
23:07
estratégico para a empresa e essa questão acho que é uma
23:11
questão que dificulta um pouco a entrada de novas tecnologias
23:16
aqui no Brasil. Porque todo mundo sabe que você
23:19
tem que desenvolver o sistema e adaptar para a nossa realidade.
23:24
E aí você tem a discussão dos 2 lados, né?
23:27
A empresa entrega entrega integradora, questionando, OPA,
23:32
mas eu vou te dar o meu ouro de mina para você desenvolver a
23:35
tecnologia, aí depois você vende para os outros.
23:39
E as empresas têm a intenção de desenvolver suas próprias
23:43
inteligências e então a gente tem esse dilema hoje entre a
23:48
gente, né? Não muito legal, muito legal
23:51
esse, essa, essa ideia, realmente EE mesmo, como você
23:55
falou, a solução mesmo dentro do Brasil, a solução de uma empresa
23:58
às vezes não serve pra outra. Então isso falou certo, as
24:01
empresas vão ter que ter os seus próprios departamentos de
24:04
desenvolver essas tecnologias próprias, né?
24:07
Conforme você falou, importar isso do vizinho é.
24:10
Certeza que não vai dar certo. Algumas coisas vão ser
24:13
funcionários já são mais ou menos universais, mas outras.
24:16
Agora você falou, às vezes ele tem um, tem um banco de dados
24:19
riquíssimos que é dele. Não dá pra compartilhar muito
24:23
legal essa, essa, essa, esse ponto que você colocou.
24:27
Marquinho, agora eu queria falar um pouquinho também para
24:29
aproveitar a tua experiência aí nessa questão.
24:32
Nós estamos vivendo isso, né? No dia a dia nosso aí né, das
24:36
famosas aí, né? Ondas de calor, né?
24:39
É o calor, sempre esteve presente na agricultura desde
24:42
sempre. A gente conhece muito bem, tá
24:43
muito meio mapeado os prejuízos que o calor né, acarretam tanto
24:49
no frango de corte quanto na poideira, quanto na matriz, né?
24:53
Então a gente conhece bem essa questão, só que como essas ondas
24:56
hoje estão cada mês mais intensificadas, mais frequentes
25:00
e com valores até que a gente. Nunca experimentou, eu queria
25:04
que é claro, de uma maneira geral.
25:06
É claro que tem tecnologia específica.
25:08
Eu não quero entrar em detalhes, né?
25:09
Mas eu gostaria assim, pegar sua experiência.
25:11
Uma pessoa que trabalhou muito com ambiência conhece essa
25:13
questão dos dados versus ambiência.
25:17
EE é uma coisa absolutamente do momento, né?
25:20
Como é que você tá enxergando Marquinho?
25:22
Essa questão que que as empresas podem fazer além do que a gente
25:25
já faz em relação a qualquer tipo de, vamos dizer de atitude
25:30
ou de ações que a gente pode fazer pra diminuir os impactos
25:33
desse calor na produção de. Frango, volto a dizer, eu acho
25:36
que talvez nós da agricultura por já termos lá atrás, feito a
25:41
solução de de casa, de investir em climatização, muitas empresas
25:45
hoje já têm aviários climatizados, uma climatização
25:48
bem dentro da questão, né? Comportada em relação à questão
25:52
financeira, são modelos que funcionam, que tem viabilidade
25:56
financeira, mas mesmo assim, né? A gente ainda sofre com um pouco
26:00
como isso, como é que você que você enxerga essa questão do
26:03
calor na agricultura? O calor é, é.
26:06
É quase que um atropelamento, né?
26:09
A gente tem que enfrentar ele a uma iminência e.
26:16
A gente começou a trabalhar com essas coisas de onda de calor em
26:20
2005, com o pessoal da engenharia agrícola lá da
26:24
Unicamp. A Irene usa a Daniela Moura,
26:28
então foi. Orientado da Daniela no meu
26:32
doutorado e lá a gente começou um trabalho de.
26:36
A medir essas condições de estresse interna e externamente
26:41
nos aviários e comparar com estações meteorológicas, né?
26:46
Então essas comparações pra gente.
26:49
Desde lá a gente tinha em foco de 1 hora a gente chegar numa
26:54
capacitação da gente, poder olhar para os dados de uma
26:57
previsão meteorológica e entender o que acontece lá
27:01
dentro do aviário. E quando você tem esse
27:06
entendimento de eu? De novo, eu volto naquela
27:10
questão das perdas produtivas, você tem 2 caminhos, você tem,
27:15
não vou fazer nada, vou usar só o que eu tenho dentro da Granja
27:20
e deixo Oo pau comer ou eu vou fazer alguma coisa.
27:26
E é isso que eu vou fazer alguma coisa.
27:27
Eu tenho que pegar uma. Uma ação que represente algo de
27:34
valor económico, né? Então, para algumas integrações,
27:38
a gente chegou a fazer umas contas para uma integração de
27:42
umas. 450000 aves abatidos no dia que não é algo muito grande.
27:52
E você tendo ali uns 60% de aviários convencionais ser.
27:59
Vai chegar numa perda produtiva equivalente a um apartamento
28:04
popular por dia de onda de calor.
28:07
Então você já tem um valor econômico.
28:09
Se você tem um valor econômico, você sabe que você pode investir
28:13
pelo menos uma parte desse apartamento que você perde em
28:17
aves que morrem por dia e sempre são as aves de melhor peso, de
28:22
melhor condição para para o abate.
28:27
Você pode investir sim em formas de mitigação, e aí você tem
28:31
várias formas de mitigação. Uma delas é você mudar o Balanço
28:35
eletrolítico da dieta. Quando você tem um Horizonte que
28:39
te permite essa mudança de formulação.
28:42
E aí, então você depende da logística, da integração que é.
28:47
Só que essa mudança, por exemplo, você fazer um Balanço
28:50
eletrolítico de uma dieta de frango, você vai aumentar esse
28:54
custo dessa dieta muitas vezes aumenta bem.
28:57
E por isso que as pessoas não gostam de usar Balanço
29:00
eletrolítico constante, porque você muda o custo da dieta e aí,
29:07
na contrapartida, você pode usar outras estratégias, como adição
29:11
de saise via a água. A gente acredita muito nessas
29:14
estratégias pontuais como ferramenta de Zootecnia de
29:18
precisão. Então você usar dosadores e
29:21
aplicadores para você ter. Soluções, vitamínicas e
29:27
eletrolicas. Para você adicionar pontualmente
29:31
na água, esse tipo de solução é uma solução que você consegue
29:35
implantar numa determinada região, num Horizonte de dias.
29:40
E as previsões meteorológicas, elas podem te dar um Horizonte
29:44
maior. A gente tem um dos nossos
29:47
trabalhos que a gente precisava medir aviário.
29:53
E a gente tinha uma condição muito específica, a gente tinha
29:55
que chegar num aviário, está uma onda de calor, então eu
29:59
precisava estar com temperatura acima de 30°.
30:02
E além de estar com temperatura acima de 30°, eu precisava ter
30:06
frangos com no mínimo 28 Dias de idade.
30:10
Então para esse desafio foi quando a gente começou a
30:13
exercitar as previsões meteorológicas, porque eu tinha
30:17
uma equipe que tinha que sair. Na época, a gente estava baseado
30:21
em Santa Maria e eu não tinha aviário.
30:23
Logo ali do lado, então eu tinha que andar a uma distância
30:27
razoável, tinha que ter diária para os alunos, para poder
30:31
instalar os equipamentos, ficar lá.
30:32
Então tinha que ter certeza. São então, por intermédio dessas
30:38
previsões meteorológicas que a gente fazia com 30 dias de
30:42
antecedência. A gente está muito acostumado a
30:45
criticar o erro do dia, que vai chover e a gente avalia muito
30:50
pouco. A previsão meteorológica sobre a
30:53
temperatura máxima de um determinado dia.
30:56
Que ela é muito mais eficiente, então, e esse é o nosso
31:00
problema? Na essas temperaturas máximas,
31:02
no dia, então a gente conseguiu ter essas previsões
31:06
meteorológicas chegar. No aviário, pegar.
31:09
Realmente a condição mínima que a gente tinha necessidade que
31:13
tivesse fazendo nossas medições, então a gente mediu o aviário de
31:17
várias tipologias diferentes, né?
31:21
E uma das coisas que a gente consegue dizer é que o sistema
31:26
de resfriamento evaporativo. Ele tem limite e ele não
31:31
consegue mitigar 100% do calor. Então isso quer dizer que mesmo
31:36
nos melhores aviários, né? Você ainda vai ter um impacto
31:41
quando você tiver os extremos climáticos.
31:44
Então essas perdas produtivas a gente pode esperar.
31:48
E aí, com base nesse período desse trabalho que a gente foi
31:52
desenvolver um outro trabalho que aí envolve a modelagem fase.
31:57
Que é um sistema especialista de inteligência artificial, ou
32:03
seja, eu posso trabalhar com literatura, posso trabalhar com
32:06
conhecimento de pessoas que sabem muito de um problema e
32:10
desenvolver um algoritmo. De suporte à tomada de decisão.
32:16
A questão desses sistemas de suporte à tomada de decisão, por
32:22
exemplo. Por exemplo, é você envolver a
32:24
questão econômica, questão de ambiência que.
32:29
De manejo, questão de tipologia de aviário e é, é pouco provável
32:35
que você tenha um multi especialista no campo, e aí,
32:39
então esses algoritmos de sistemas de suporte à decisão,
32:46
eles servem? Para você ajudar essas pessoas a
32:50
tomar a decisão na hora que você tem um problema mais complexo, e
32:56
então, o que, aparentemente parecia ser um problema pequeno
33:01
quando você olha uma Granja só, mas na hora que você põe o
33:05
montante, joga na integração e joga na escala.
33:08
Aí você vê que é um probleminha que aparentemente era pequeno, é
33:12
do tamanho de um apartamento que você perde por dia.
33:15
É isso aí, é. É o que é legal, é exatamente
33:17
isso. Quando você casa essas 2
33:19
tecnologias, né? Você como ser muito bem,
33:21
mostrou. Mostra muito bem para a empresa
33:24
o tamanho do problema que ela tem e o que ela pode fazer pra
33:28
medicar, certo aquele problema. American Lutz entregando
33:33
soluções tecnológicas para o bem-estar e segurança humana e
33:36
animal desde 2007, alicerçados ao conceito one health dos
33:40
produtos e a inovação da American nutriens, contribuem
33:43
para a saúde humana. O bem-estar animal e a
33:46
preservação do meio ambiente. O Marquinho já caminhamos aqui
33:52
pro final aqui do nosso episódio, né?
33:54
A gente normalmente termina nosso episódio com 3 perguntas,
33:58
é um não de uma tradição aqui do do nosso, do nosso podcast, né?
34:03
É a primeira seria em relação a uma referência de livro na área
34:09
técnica que você trabalha. Você tem algum livro aí que você
34:11
gostaria de fazer alguma referência?
34:14
Enfim, eu sei que perguntar sobre livro atualmente é
34:16
difícil, né? Foi o tempo que o livro tinha
34:19
aquela força que teve no passado.
34:21
Hoje a gente é convívio com publicações, né?
34:24
Muitas delas aí garimpando aí na internet, mas você tem algum
34:28
livro aí que você gostaria de fazer alguma algumas referências
34:31
nessa área técnica que você trabalha?
34:34
Na área técnica, a gente tem um pouco de dificuldade.
34:40
Principalmente que a gente trabalha com muita coisa nova.
34:45
Nova, então se eu tivesse que recomendar um livro, eu
34:49
recomendaria uma biblioteca. Ele é um negócio que a gente não
34:53
pode parar de ler e muitas vezes a gente tem que ler coisas
34:57
desconfortáveis. E aí você.
35:01
Você começa ali, tem 11 livro de mineração de dados que é da.
35:10
Equipe de da universidade, o aicota da Nova Zelândia.
35:15
Então eu acho legal. Esse material que é o.
35:23
O título é data Mining mesmo e é do it, do Frank e do Young.
35:30
Então, periodicamente eles têm essa.
35:34
Essa, essa reedição desse, desse material.
35:39
Então, se eu fosse recomendar, recomendaria esses, porque esse
35:44
é um. É 11 porta de entrada para
35:46
várias coisas, várias soluções. Já é um bom começo, né
35:50
Marquinho, em relação agora, esquece, era técnica, né?
35:53
A gente sempre pergunta sobre um livro, mesmo que aí que enfim,
35:57
que nasce a trajetória lá no começo ou que você tem lido
36:00
ultimamente um livro que te marcou.
36:02
Aí eu sei que também a gente IA ver tanta coisa, tanta coisa a
36:06
cada hora a gente se encanta com alguma coisa, mas o que vem na
36:09
sua cabeça aí? 11 livro que te marcou?
36:12
Posso falar 2 claro lá? Um que está lá na foi antes de
36:18
eu entrar em Jaboticabal, que é o.
36:23
Um autor que putz, eu gosto muito desse cara, né?
36:27
Que é o Herman reis. E o primeiro livro que eu li
36:31
dele foi o sidarta. Então esse abriu uma porta para.
36:39
Assim, para explorar um pouquinho o eu, né?
36:45
Então tem uma coisa que eu costumo falar para os alunos,
36:48
não é que galinha não é problema.
36:52
Problema é gente dentro das das granjas, né?
36:56
Então, quando AA gente entende o ser humano, a gente gosta de de
37:02
a. De a atender o ser humano nos
37:05
outros e em você mesmo. A gente tem soluções mais, mais.
37:13
Mais importantes, né? E o outro que eu estou lendo
37:17
recentemente, que é um problema para mim, né?
37:20
Que é o caibalium. É um livrinho de 60 páginas na,
37:26
mas cada página que eu leio desse livro tem que parar uns 2
37:30
dias para pensar sobre a página e voltar para ler de novo.
37:34
Tem página que eu já voltei umas 45 vezes para ler, então.
37:41
Há um livro que para mim é tem sido bem marcante, legal.
37:45
Legal e para terminar, Marquinho, a nossa pergunta
37:49
final aqui é, como você enxerga? Um profissional de sucesso que.
37:54
Que que que você acha que aí pode até ser um recado é para
37:58
os, para os nossos alunos aí dos meninos que estão começando, que
38:01
que tem que ter um profissional de sucesso.
38:05
Em primeiro lugar, eu acho que o uma pessoa tem que entender o do
38:09
humano. Porque a gente tem um Monte de
38:12
aluno que vira pra gente dentro da aula.
38:15
Ah, professor, eu vim fazer esse curso porque eu não gosto de
38:20
gente, eu gosto de bicho. E aí a gente volta naquela
38:24
história das galinhas no serem o problema, o animal não é o
38:27
problema do sistema produção. O animal só é o animal.
38:33
Não é o que ele é, é galinha, é galinha.
38:35
Ela vai ter os problemas, que são os problemas de galinha.
38:39
Agora, o ser humano é algo mais complexo, né?
38:42
Então, junto com a sua bagagem técnica, traz essa percepção do
38:47
ser humano que eu acho que ela é fundamental para os técnicos e
38:52
aí fora isso, é. Muito mais importante que
38:58
conteúdos, né? Essa inteligência de você saber
39:04
articular a aquisição de novos conhecimentos, como se fosse uma
39:08
criança. Que é uma criança, aparece um
39:13
novo conhecimento, ela vai lá e se desenvolve.
39:17
Acho que isso é importante para os novos profissionais, saber se
39:21
relacionar humanamente e saber aprender tudo de novo, porque as
39:26
nossas coisas vão várias técnicas, vão cair e vão ser
39:32
reeditadas, não é? Está ótimo, Marquinho,
39:34
muitíssimo obrigado. Muito legal ter essa conversa
39:37
com você, né? Trouxe aí um pouco da do seu
39:40
conhecimento. A gente agradece muito aí essa
39:44
dedicação aí ao nosso podcast. Bom demais te rever aqui, te
39:48
reencontrar. Bom também seguir um pouco aí do
39:52
né, ver esse essa, essa sua conhecimento técnico aí já tão
39:57
cristalizado, fala com muita tranquilidade sobre tudo isso e
40:01
é o que é bom, né? O que é a idade?
40:02
Traz pra gente, né? Marquinhos é exatamente essa
40:05
essa um pouco dessa tranquilidade, um pouco dessa
40:08
paz, então muitíssimo obrigado, certo?
40:10
E já aí convidamos os nossos, as pessoas que estão nos
40:13
acompanhando pra. Acompanhar, né?
40:17
Os diferentes episódios que a cada semana a gente está aí
40:21
colocando no ar e também podem sugerir a vontade de pessoas e
40:25
temas para que a gente possa continuar trazendo informação,
40:29
levando informação de uma forma bem leve e bem gostosa.
40:31
Aqui. Para finalizar, eu gostaria que
40:34
as palavras fossem as suas. Obrigado.
40:36
Eu agradeço o. Trabalho de vocês, porque é um
40:40
trabalho que nos ajuda a divulgar.
40:44
Parte das coisas que a gente vem fazendo, né?
40:47
EE é um prazer grande estar falando aqui com um amigo.
40:51
Está diferente de novo do. Do nosso colega?
40:56
E espero vocês em breve. Muito obrigado.
41:01
Tchau, tchau, pessoal. A gente se vê nos novos
41:04
episódios do aviário do podcast. O aviário.
41:07
Tchau, tchau.