Cría para la Resiliencia: Interpretar el Comportamiento Animal con el Aprendizaje Automático

Los Indicadores Indirectos de Bienestar, Sanidad y Rendimiento del Ganado Derivados de la IA Pueden Superar las Limitaciones Características del Fenotipado Tradicional

En las explotaciones pequeñas, el ganado está expuesto a diversas presiones que repercuten en su sanidad y bienestar y, por consiguiente, en su capacidad de crecimiento y productividad. Debido al aumento de los riesgos relacionados con el clima, se prevé que las explotaciones pequeñas y su ganado enfrenten factores ambientales cada vez más complejos, como la necesidad de que el ganado tenga un rendimiento satisfactorio en condiciones de creciente estrés térmico.

La productividad se ha estimado tradicionalmente midiendo de forma intensiva parámetros aislados, como la producción lechera o la tasa de crecimiento. Si bien estos datos se utilizan, a su vez, para planificar programas de cría que garanticen la productividad en el futuro, este método resulta engorroso y costoso; asimismo, considera los rasgos característicos de forma aislada en lugar de comprender el estado general de sanidad y bienestar del animal, que refleja su verdadera adaptación y resiliencia. Por ejemplo, la producción lechera es un rasgo característico clave para la cría de ganado lechero más productivo, y la correlación entre el aumento del índice de temperatura-humedad (ITH) ambiental y la reducción de la producción lechera [1] ha sido demostrada en varios estudios. Sin embargo, aunque el fenotipo de la producción lechera proporciona una base importante, no es fácil de medir ni de adaptar.

A través de la medición intensiva de dichos parámetros, se ha mejorado la cría en el Norte Global gracias a la utilización de sistemas de producción a gran escala en entornos altamente homogéneos y razas bien definidas, y a la posibilidad de medir rasgos característicos de interés en el marco de las relaciones comerciales de los ganaderos. En cambio, las pequeñas explotaciones tropicales son mucho más diversas, tienen menos cabezas de ganado por hogar y utilizan métodos principalmente manuales e informales para manipular los productos animales. Como resultado, los programas de perfeccionamiento de la raza que pretenden beneficiar a las explotaciones pequeñas pocas veces se llevan a cabo en entornos reales de pequeños agricultores, generando un perfeccionamiento ínfimo o inexistente de su rentabilidad [2]. Esta brecha incluso ha aumentado a medida que las innovaciones genéticas, como la selección genómica, han acelerado la tasa de ganancia genética en la agricultura intensiva, aunque no han logrado beneficiar a los pequeños productores debido a la ausencia de fenotipos de referencia [3]. Además, estos programas han ignorado factores variados e interrelacionados relativos al estrés térmico, incluidos los comportamentales, sanitarios, genéticos y ambientales.

La Búsqueda de Indicadores Indirectos de Adaptación y Aptitud Física

Debido a la necesidad de medidas a gran escala del rendimiento real generalizado, se han buscado indicadores indirectos de adaptación o aptitud física que puedan aplicarse a gran escala y a un costo reducido por animal, liberando a los programas de cría de la dictadura del fenotipado convencional, que representa una carga constante de recursos y ofrece una visión limitada de determinados aspectos específicos de la adaptación. El objetivo es identificar un conjunto de parámetros fáciles de medir que reflejen las interacciones entre sanidad, genética y medio ambiente, y que puedan aplicarse a la cría teniendo en consideración rasgos característicos como la tolerancia al estrés térmico. Cabe destacar que este enfoque también proporcionaría información sobre el bienestar animal; asimismo, es posible que la cría de animales que simplemente muestran menos signos de estrés permita seleccionar animales más tolerantes a los factores de estrés ambientales, mejorando así su adaptabilidad y productividad.

Aprovechar la IA y los Gemelos Digitales para el Bienestar Holístico de los Animales

La aparición del aprendizaje automático, junto con sensores sencillos y económicos o el análisis de imágenes, abre una interesante vía para lograr una visión más holística de las zonas de confort de los animales en un entorno determinado. Además, ofrece la posibilidad de integrar flujos de datos tan diversos como la carga térmica, las señales de estrés/satisfacción, la retroalimentación de los ganaderos y otras partes interesadas, para crear representaciones in silico significativas de los animales en su entorno real. Los llamados «gemelos digitales» podrían proporcionar mediciones del rendimiento real para impulsar el perfeccionamiento genético, así como información prácticamente en tiempo real para facilitar el cuidado y la gestión de los animales.

Para elaborar y mantener gemelos digitales que representen ganado individual o grupos, ya sea a nivel doméstico, regional o nacional, se requieren datos prácticamente en tiempo real de los animales, integrados con datos localizados sobre factores como el clima, la disponibilidad de los alimentos, la atención veterinaria y las condiciones del mercado. A medida que el Sur Global se integra cada vez más en los sistemas de datos digitales, estos flujos de datos están cada vez más disponibles, con la excepción de los procedentes de los propios animales.

Hacen falta flujos de datos que representen el comportamiento animal, a partir de los cuales las herramientas de inteligencia artificial (IA) puedan extraer señales asociadas con el comportamiento para proporcionar un indicador indirecto del fenotipado convencional. Estos fenotipos luego se integran con medidas medioambientales. Las representaciones in silico resultantes podrían ayudar a los cuidadores de animales, alertándolos sobre problemas de sanidad y manejo, y permitiéndoles modelizar las consecuencias de los cambios en sus prácticas agrícolas o cambios ambientales previstos. A más largo plazo, estos datos podrían impulsar un programa de cría distribuido, utilizando información sobre el rendimiento real para calibrar los modelos de selección genómica; asimismo, y por primera vez, podrían promover la creación de programas de cría destinados a producir animales adaptados a las condiciones ambientales a las que se enfrentarán realmente.

Empoderar a las Explotaciones Pequeñas con Herramientas de Fenotipado Asequibles

Desde hace muchos años, los científicos del Instituto Internacional de Investigaciones Pecuarias (ILRI) han comprendido la necesidad de medir la productividad real del ganado de los pequeños agricultores y han elaborado una serie de programas de «investigación-acción» que proporcionan apoyo diario a la gestión y recopilan datos para identificar el material de reproducción más adecuado. Sin embargo, los costos y la dificultad de medir el rendimiento de animales dispersos en pequeños rebaños repartidos en grandes zonas constituyen un obstáculo. Por su parte, el Colegio Rural de Escocia (SRUC) ha sido pionero en el concepto de gemelos digitales en los sistemas lecheros para permitir la promoción de la agricultura neutra en carbono en Escocia. Al combinar la experiencia del ILRI en el perfeccionamiento de las razas de explotaciones pequeñas y las innovaciones del SRUC en gemelos digitales para la producción lechera, ha surgido un concepto de investigación único que incorpora la experiencia en sensores basados en IA de los colaboradores comerciales de Bodit y los conocimientos sobre bienestar animal del equipo de especialistas del SRUC. El resultado es un programa de investigación que implementa una serie de sensores, junto con análisis de imágenes, para entrenar un modelo de IA que detecte eventos significativos en el ganado, como tos, alimentación o cambios en los patrones de desplazamiento que reflejan una fisiología subyacente.

Al trabajar con las razas de ganado más utilizadas por los pequeños productores de África Oriental, el programa puede detectar y supervisar mediante un dispositivo portátil sencillo y económico, cuyos datos se cotejan con comportamientos (grabados por cámaras de video) y cambios fisiológicos (registrados por un bolo colocado en el rumen de cada animal). Si se combinan estos flujos de datos con el conocimiento, por ejemplo, de la carga térmica a la que está expuesto cada animal minuto a minuto (determinada no solo por la temperatura, sino también por la humedad, el viento y el sol), el equipo puede entrenar óptimamente su IA. Por consiguiente, la IA podrá convertir flujos de datos sencillos y económicos en medidas útiles de los niveles generales de sanidad y bienestar, así como detectar parámetros clave como el celo, el estrés térmico, las enfermedades o las lesiones. Si funciona, el objetivo es identificar un requisito mínimo de sensor, que podría basarse en el movimiento o la visión, y posteriormente desarrollar dispositivos de muy bajo costo que, a su vez, podrían ser probados por colaboradores en las comunidades agrícolas de África Oriental.

Estas tendencias surgen en un momento en que los modelos de IA se imponen cada vez más y son más fáciles de implementar en sistemas muy pequeños y seguros, puesto que el costo y los requisitos energéticos de los sensores están disminuyendo, mientras que sus capacidades integradas aumentan exponencialmente. Se espera que sea posible disponer de dispositivos portátiles suficientemente inteligentes para cumplir su función y capaces de cubrir la brecha del fenotipado, liberando el potencial de herramientas como la selección genómica.

Este programa del Acelerador de Transformación Digital del CGIAR representa un avance importante en la tecnología de fenotipado ganadero [4]. En muchos aspectos, es el equivalente fenotípico de la selección genómica, que permite una estimación del mérito genético a partir de una huella genómica general. El enfoque de fenotipado basado en IA aquí descrito permite obtener un parámetro de «aptitud» general que no se basa directamente en un rasgo único y simple, sino que representa la idoneidad de un animal para un entorno determinado. Con este tipo de herramienta, se acelerará el proceso de adaptación, reduciendo el impacto ambiental y facilitando la toma de decisiones para agricultores y responsables políticos.

Traducido del original en inglés.

Imagen principal: ©ChatGPT

Referencias

[1] Ekine-Dzivenu CC, Mrode R, Oyieng E, Komwihangilo D, Lyatuu E, Msuta G, et al. Evaluating the impact of heat stress as measured by temperature-humidity index (THI) on test-day milk yield of smallholder dairy cattle in a sub-Sahara African climate. Livest. Sci. 2020;242:104314. https://doi.org/10.1016/j.livsci.2020.104314

[2] Marshall K, Gibson JP, Mwai O, Mwacharo JM, Haile A, Getachew T, et al. Livestock genomics for developing countries – African examples in practice. Front. Genet. 2019;10:413439. https://doi.org/10.3389/fgene.2019.00297

[3] Mrode R, Ojango J, Ekine-Dzivenu C, Aliloo H, Gibson J, Okeyo MA. Genomic prediction of crossbred dairy cattle in Tanzania: A route to productivity gains in smallholder dairy systems. J. Dairy Sci. 2021;104:11779-11789. https://doi.org/10.3168/jds.2020-20052

[4] CGIAR. Program/Accelerator: Digital Transformation. CGIAR; 2025. Disponible en: https://www.cgiar.org/cgiar-research-porfolio-2025-2030/digital-transformation/ (consultado el 9 de julio de 2025).