ШІ-агенти із замкнутим циклом для прогнозу епідемій у тваринництві: що вже працює, а що ні
Огляд у Frontiers in Veterinary Science розбирає, як ШІ-агенти можуть перейти від пасивного прогнозу до замкнутого циклу «сприйняття–рішення–зворотний зв'язок» у тваринництві. Мікро-сенсори й комп'ютерний зір дають дані, але повністю автономних систем у полі ще немає — бракує валідації та нагляду.
Африканська чума свиней, високопатогенний грип птиці, ящур і PRRS залишаються головними загрозами для тваринництва, продовольчої безпеки та громадського здоров'я. За 2021–2023 роки АЧС зареєстрували в 50 країнах, загинуло понад 1,5 млн свиней. З 2005 по 2024 рік через високопатогенний грип птиці у світі загинуло або було вибракувано понад 633 млн голів птиці.
Класична діагностика — молекулярна, імунологічна, патоген-орієнтована — залишається незамінною, але працює реактивно. При АЧС, коли вже видно смертність чи геморагічні ознаки, інфекція встигає поширитися в межах господарства або між ними. При бруцельозі серологія на ранній стадії може давати хибнонегативні результати, бо антитіла ще не досягли порогу виявлення. До того ж бракує інфраструктури, транспорту й підготовлених кадрів.
Автори пропонують концепцію ветеринарного ШІ-агента — замкнутої системи, яка сприймає дані різних масштабів, міркує про траєкторію епідемії, пропонує дії з урахуванням ресурсів (точковий відбір проб, ізоляція) і оновлює рішення за спостережуваними результатами.
На мікрорівні це автоматизована молекулярна діагностика та біосенсори. Приклади: поєднання ПЛР із портативним нанопоровим секвенуванням для швидкої ідентифікації ASFV, CSFV і FMDV у ресурсообмежених умовах; флуоресцентні мікросферні імунохроматографічні тести для SADS-CoV, що добре узгоджуються з qPCR; квантово-точкові двоканальні імунохроматографічні сенсори для АЧС і псевдосказу з результатом за ~20 хвилин; химерні білки A/G у латеральному потоці для скринінгу бруцельозу в різних видів худоби.
На макрорівні — фенотипування на основі комп'ютерного зору. Разом ці джерела дають безперервні потоки даних, які можна агрегувати зі стандартизованими метаданими (час, місце, ID тварини, тип проби, реагент/платформа) і подавати в моделі машинного навчання.
Ключове обмеження: більшість ветеринарних досліджень підтверджують лише окремі компоненти цієї рамки, а не розгортання повністю автономних, ітеративно еволюціонуючих агентів у реальних польових умовах. Щоб перетворити замкнутий ШІ з концепції на надійний інструмент підтримки рішень, потрібні подальші кроки у валідації, стандартизації, управлінні та людському нагляді.
Для практики: багато з описаних сенсорів і тестів уже доступні або близькі до впровадження, і їх можна використовувати як джерела структурованих даних для моніторингу стада вже зараз — навіть без повної автономії агента.