第一有些：猪舍生病预警的关键性与现状

在生病防控方面早期预警和精准治病是少许些药物用量和因生病过世造成的亏本的关键。以一个存栏量为1000头的猪场为例，实施智能养殖后每年可节省数十万元。只是老一套的生病防控手段存在一定局限性，如对生病的识别和预警能力不够，弄得防控措施滞后疫情扩散。

第二有些：人造智能手艺概述及其应用领域

为了解决这一问题， 我们采用了人造智能手艺，特别是机器学模型，对猪场生病进行预警。我们考虑了六种具有不同特征组合的ML模型，以确定概括性最优良和性能最佳的模型。比如 我们在两个系统中都考虑了逻辑回归、支持向量机、决策树、梯度提升和随机森林；在系统B中，我们还考虑了一个神经网络模型来处理分布偏移。

AI助力猪场疾病防控，提前预警

第三有些：猪舍周围数据监测体系构建

在系统B中， 试验率、风向和风速、母猪妊娠饲料、进猪和生物平安数据是关键的预测因素。一边， 在生病防治领域，由于红外线感温和语音系统会提前找到猪群的体温、身体异常，提前进行防病和调整，治病更加及时诊断也会更准准的，这样能节约一巨大堆的看病本钱。

第四有些：机器学在生病识别中的应用

在两个独立的生产系统中用的模型，能够适用于不同的数据粒度情况。系统A数据稀少许，粒度较矮小，用于推断全球感染趋势。系统B的粒度较高大，用于建立PEDV、PRRSV、MHP和IAV感染的探测模型。

第五有些：巨大数据琢磨与生病模式预测

他觉得， 第一步应做优良PRRS、PCV2、PRV、Mhp等关键原发性生病的身子优良管理；可利用先进的生病周围监测手艺及SoundTalks®咳嗽管家智能设备，对猪场进行实时监测，为猪场管理者给数据支持。

第六有些：基于人造智能的猪病早期预警

这项干活从整体上考虑了生产系统，包括两个系统中的母猪场、保育场/育肥场。还有啊， 还对数据可用性水平不同的两个不同的农场生产系统进行了琢磨和比比看，后来啊说明机器学能够预测这两种情况下的阳性样本。

第七有些：模型性能与贡献

模型性能的评判标准是平衡准确性，是衡量模型将病例正确分类为阳性和阴性的程度。利用系统A数据创建的全球生病模型可对随便哪个阳性或阴性病例进行分类，其平衡准确率为85%。利用系统B数据创建的生病特定模型可预测PEDV、 PRRSV、MHP和IAV感染，其平衡准确率在58-74%之间。

这项研究研究的基本上贡献有5点： 1. 成功地将人造智能手艺应用于猪场生病预警， 为猪场管理者给有力支持； 2. 建立了基于机器学的猪场生病预警模型，搞优良了生病的识别和预警能力； 3. 对不同数据粒度的猪场生产系统进行了琢磨和比比看，为不同规模的猪场给了针对性的预警方案； 4. 为猪场管理者给了专业的行动指导，帮其飞迅速、便捷地制定干预方案； 5. 为我国养猪业的身子优良进步给了有力保障。

AI助力猪场疾病防控，提前预警

这场精准防控，让猪场避免了近百万元的潜在亏本，更阻止了疫情向周边牧场扩散。这场赢了的背后离不开人造智能手艺的支持。正如Appleby和Basran所言：“用人造智能的兽医将取代不用人造智能的兽医。”以后人造智能手艺在猪场生病防控领域的应用将更加广泛，为我国养猪业的可持续进步贡献力量。