Combinação de aprendizado de máquina e análise de caminho para identificar mecanismos adaptativos em animais de fazenda

• Processo: 23/16733-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 20 de maio de 2024
• Data de Término da vigência: 19 de agosto de 2024
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola - Construções Rurais e Ambiência
• Pesquisador responsável: Iran José Oliveira da Silva
• Beneficiário: Robson Mateus Freitas Silveira
• Supervisor: Jerome Jose Jean-Paul Georges Bindelle
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Instituição Anfitriã: Université De Liège, Campus De Gembloux Agro-Bio Tech, Bélgica
• Vinculado à bolsa: 22/14250-8 - Inteligência de máquina aplicada à bioclimatologia animal: Modelos preditivos entre o ambiente térmico e as respostas adaptativas e produtivas para animais de produção, BP.DR
• Assunto(s): Bioclimatologia
• Palavra(s)-Chave do Pesquisador: k-mean algorithm | systematic analysis | Thermoregulation | unsupervised | Bioclimatologia

Resumo

O aprendizado de máquina é um campo da inteligência artificial que vem ganhando destaque, principalmente para resolver problemas multifatoriais como a adaptação animal, que envolve respostas termorregulatórias, morfológicas, hematológicas, imunológicas e produtivas. Pela primeira vez, propõe traçar o perfil adaptativo, identificar biomarcadores de adaptação animal e investigar os efeitos potenciais subjacentes às complexas relações da adaptação animal com variáveis climáticas, morfológicas, termorreguladoras, hematológicas, imunológicas e produtivas na modelagem animal usando aprendizado de máquina preditivo como método auxiliar. O banco de dados contém 7.608 informações. Todas as variáveis foram medidas simultaneamente em cada animal. Foram utilizadas técnicas de aprendizado de máquina e análise de caminhos. O objetivo desta proposta é proporcionar o desenvolvimento de habilidades estatísticas, especificamente metodologias sistemáticas utilizando diferentes técnicas de aprendizado de máquina supervisionado e não supervisionado para análise de big data relativos à adaptação e produção animal, além de discutir estruturação, planejamento e análise de dados utilizando inteligência artificial com Professor Jérôme Bindelle (índice h=29), que treinará durante cinco meses o doutorando da FAPESP Robson Silveira para desenvolver essas habilidades. Por fim, destaco que este estudo faz parte de um projeto regular apoiado pela FAPESP na área de ambiência animal e aprendizado de máquina associado ao desenvolvimento de produtos, serviços e inovação, viabilizados por tecnologias voltadas à agricultura 4.0. Espera-se que a proposta contribua para a expansão das fronteiras científicas no sentido de revelar processos complexos que ajudem a compreender as respostas adaptativas da pecuária às mudanças climáticas, além de identificar marcadores fenotípicos que possam ser utilizados para quantificar as respostas ao estresse térmico.