Modelli Predittivi di Mortalità e Rilevamento Anomalie

I modelli predittivi di mortalità utilizzano dati storici sulla qualità dell'acqua, sull'alimentazione e sulla mortalità per segnalare lotti o sistemi a rischio elevato di mortalità a breve termine prima che inizi una moria visibile, tipicamente imparando quali combinazioni di condizioni, una specifica traiettoria di ossigeno disciolto, un calo del tasso di alimentazione, un'oscillazione della temperatura, hanno storicamente preceduto i picchi di mortalità nei dati passati di quella stessa azienda agricola, piuttosto che affidarsi a una singola soglia fissa che ignora come le condizioni stanno evolvendo o interagendo. Il rilevamento delle anomalie è una tecnica correlata ma distinta: anziché prevedere uno specifico schema di rischio noto, segnala quando le letture attuali deviano in modo insolito dal normale intervallo stabilito di un sistema, cogliendo problemi che un sistema basato su soglie non era mai stato esplicitamente configurato per cercare, come un insolito schema di risposta della telecamera di alimentazione che precede un'epidemia giorni prima che la mortalità stessa aumenti. La qualità del modello dipende interamente dalla disponibilità di dati storici di mortalità e di cause radice sufficientemente puliti e ben etichettati da cui apprendere, motivo per cui la registrazione coerente degli eventi di mortalità e la disciplina di etichettatura nelle fasi iniziali della pipeline di dati di un'azienda agricola determinano direttamente se le funzionalità predittive costruite successivamente funzionano effettivamente o producono avvisi inaffidabili e a bassa confidenza che il personale impara a ignorare. Implementati in modo responsabile, questi modelli sono concepiti come un ausilio decisionale di allerta precoce per il personale esperto da investigare, non una diagnosi autonoma, poiché sia i falsi positivi che i falsi negativi comportano un costo operativo reale se il livello di confidenza del modello non viene comunicato onestamente insieme al suo avviso.