DATA · CHOVÁNÍ KRAV · AI · ŘÍZENÍ FARMY

Kráva vám změnu často ukáže dřív, než ji uvidíte

Co nám dnes dokážou říct data o chování krav a proč samotný alarm nestačí

Kráva nám neumí říct, že se necítí dobře. Nemůže nám vysvětlit, že ji něco bolí, že se jí změnil komfort ve stáji nebo že se její zdravotní stav začíná zhoršovat.

Může nám to ale ukázat svým chováním.

Méně času vleže. Změna pohybové aktivity. Jiný průběh návštěv robotu. Změna příjmu krmiva nebo přežvykování. Odchylka v produkci mléka. Jednotlivě nemusí jeden údaj znamenat téměř nic. Pokud se ale několik změn objeví současně nebo se postupně odchylují od toho, co je pro konkrétní krávu běžné, začíná být situace zajímavá.

Právě tady se mění význam automatizace. Nejde jen o to, že technologie něco změří. Důležité je, zda dokáže z velkého množství údajů vytáhnout změnu, která stojí za pozornost člověka.

Co nám může říct doba, kterou kráva stráví vleže?

Jedním z ukazatelů, který lze dnes díky automatickému monitoringu sledovat prakticky nepřetržitě, je doba ležení. Nejde přitom jen o jednoduchou otázku, zda kráva leží „dost“ nebo „málo“. Důležitý je vztah mezi dobou ležení, zdravotním stavem, fází laktace a dalšími okolnostmi.

Studie publikovaná v roce 2026 sledovala 499 multiparních holštýnských krav v jednom britském stádě. Doba ležení byla zaznamenávána pomocí automatických pohybových loggerů umístěných na pravé přední končetině, a to od zaprahnutí až do 21. dne po otelení.

Výsledky ukázaly nelineární, U-tvarovaný vztah mezi dobou ležení před otelením a výskytem onemocnění během prvních 30 dnů laktace. V rozmezí 8 až 2 dnů před otelením riziko onemocnění s rostoucí dobou ležení klesalo až k bodu, kdy model odhadl minimum rizika přibližně při 874 minutách denně, tedy zhruba 14 hodinách a 34 minutách.

Model pro výskyt onemocnění byl založen na 449 kravách a dosáhl hodnoty AUC 0,70. To znamená, že informace o době ležení mají určitou predikční hodnotu, ale rozhodně nejde o nástroj, který by sám o sobě dokázal spolehlivě diagnostikovat zdravotní problém.

Studie zároveň ukázala pozitivní souvislost mezi dobou ležení před otelením a produkcí mléka v rané laktaci. Tato souvislost se však neprojevila v celkové produkci za celou laktaci. Doba ležení kolem otelení také nebyla spojena s dobou do zabřeznutí.

Jedno číslo nestačí

Právě to je na práci s daty nejdůležitější. Automatický systém může zaznamenat změnu, ale samotná změna ještě není diagnóza.

Kráva může ležet méně proto, že ji něco bolí. Ale také proto, že se změnilo prostředí, sociální vztahy ve skupině, dostupnost lehacích míst nebo pohyb ve stáji. Podobně pokles produkce mléka může mít řadu příčin, od zdravotního problému přes krmení až po změnu fáze laktace.

Proto je podstatné sledovat nejen absolutní hodnotu, ale také vývoj v čase a vztahy mezi více ukazateli.

A právě tady přichází na řadu umělá inteligence

Množství dat, které moderní mléčná farma vytváří, je pro člověka obtížné vyhodnocovat ručně. Jednotlivé údaje mohou být dostupné v systému, ale skutečnou hodnotu získávají až tehdy, když dokážeme rozpoznat vzorec, odchylku nebo kombinaci změn, které stojí za pozornost.

Výzkum publikovaný v roce 2026 ukázal, kam se může tento vývoj posouvat. Studie zaměřená na vysvětlitelnou umělou inteligenci pracovala s údaji od 798 dojnic a celkem 125 285 měsíčními záznamy po kontrole kvality dat.

Modely pracovaly mimo jiné s obsahem acetonu, tuku, laktózy, bílkovin, močoviny a elektrické vodivosti mléka. Výzkumníci se nezaměřili pouze na to, zda model dokáže vytvořit predikci, ale také na to, zda lze jeho rozhodování interpretovat.

Pro pět sledovaných oblastí – dlouhověkost, mastitidu, subklinickou ketózu, subklinickou acidózu a reprodukci – dosáhly modely na testovacích datech Pearsonových korelací od 0,971 do 0,987 a hodnot R² od 0,934 do 0,966.

Výsledky jsou působivé, ale je důležité správně interpretovat, co znamenají. Studie představuje důkaz konceptu a autoři sami upozorňují na potřebu externí validace před skutečným nasazením v provozu. Model navíc nereprezentuje přímou diagnózu konkrétního onemocnění. Pracuje se standardizovanými skóre rizika a welfare vytvořenými z dostupných dat.

Proč je důležité, aby AI uměla své rozhodnutí vysvětlit?

U zemědělství nestačí říct farmáři, že algoritmus vyhodnotil krávu jako rizikovou. Důležitější je vědět proč.

Právě proto se ve výzkumu stále více používá pojem explainable AI, tedy vysvětlitelná umělá inteligence. V uvedené studii byly využity například metody SHAP a counterfactual explanations, které pomáhají ukázat, které vstupní proměnné měly na výsledné rozhodnutí modelu největší vliv a jak by se výsledek změnil při jiné kombinaci vstupních hodnot.

To je důležité nejen kvůli důvěře farmáře v systém. Je to také otázka správné reakce. Pokud systém označí krávu jako potenciálně problémovou, člověk potřebuje vědět, jakou informaci má ověřit a jaké další okolnosti při rozhodování zohlednit.

Od senzoru k rozhodnutí je několik kroků

Na moderní farmě proto nevzniká hodnota už samotným měřením. Vzniká až v celém řetězci.

Lely Zeta ukazuje, kam se tento vývoj posouvá

Příkladem současného vývoje je také využití kamer a umělé inteligence přímo ve stáji. Lely Zeta AI je systém zaměřený na monitoring průběhu telení. Kamera a algoritmus sledují průběh porodu a pomáhají farmáři soustředit pozornost na zvířata, která ji mohou potřebovat.

V průběhu testování bylo na nizozemských farmách sledováno přibližně 3 000 porodů během jednoho roku. Systém se následně začal zavádět do běžného provozu v konkrétních oblastech Nizozemska a jeho další testování a validace v Evropě pokračují.

Lely Horizon: když se data propojí

Na robotické farmě nevzniká pouze jeden typ dat. Technologie sledují průběh dojení, pohyb, reprodukci, zdravotní ukazatele, krmení a další aspekty provozu.

Lely Horizon funguje jako centrální místo, kde se individuální data o kravách z Lely technologií propojují a převádějí do informací využitelných při řízení farmy. Lely uvádí například využití pro zdraví, reprodukci, dojení, krmení i každodenní práci se stádem. [Lely Horizon – oficiální informace](https://www.lely.com/solutions/farm-management-software/horizon/?utm_source=chatgpt.com)

Důležitá je přitom individuální úroveň. Například predikce produkce mléka v Horizon nevychází pouze z průměru stáda. Systém nejprve pracuje s průměrnou laktační křivkou a následně ji upravuje podle dat konkrétní krávy z aktuální a předchozí laktace.

To je přesně ten rozdíl mezi prostým sběrem dat a skutečnou podporou rozhodování.

Technologie ale nemůže rozhodovat sama

Čím více dat máme, tím snadněji může vzniknout opačný problém. Místo toho, aby technologie práci zjednodušila, může člověka zahltit informacemi.

Proto je důležité, aby systém dokázal filtrovat relevantní informace a člověk věděl, co s nimi dělat. Lely u Horizon popisuje právě tento princip jako podporu rozhodování – systém pracuje s velkým množstvím údajů a pomáhá zvýraznit situace, které vyžadují pozornost.

Pokud jeden z těchto kroků chybí, samotná technologie nemusí přinést očekávaný efekt.

Od dat k rozhodnutí potřebuje farma člověka

Právě proto má v robotickém chovu velký význam nejen samotná technologie, ale také práce s ní po instalaci.

V AGRO-partneru máme vlastní Podporu řízení farmy, která s farmami pracuje od přípravy projektu přes rekonstrukci nebo stavbu nové stáje, instalaci a spuštění až po běžný provoz.

Nejde o další tabulku nebo kontrolu farmy. Jde o společné hledání odpovědi na otázku, co se v provozu skutečně mění, proč se to mění a zda má smysl podle této změny něco udělat.

Automatizace neznamená méně pozornosti ke kravám

Je to vlastně přesně naopak.

Robotická technologie, senzory, kamery a analytické nástroje mohou člověku poskytnout mnohem více informací o jednotlivých zvířatech, než by dokázal získat pouze vizuální kontrolou stáda.

Neznamená to ale, že člověk přestává být důležitý. Naopak. Čím více technologií dokáže sledovat, tím důležitější je umět jejich informace správně interpretovat.

Čím lépe dokážeme tento řetězec využít, tím větší smysl může automatizace na farmě mít.

Každá kráva má svůj vlastní příběh

Robotická farma není jen o tom, kolik mléka se za den nadojí.

Je také o tom, kolik informací dokáže technologie předat o zvířatech, která každý den obsluhuje.

A právě v tom vidíme smysl práce s daty, Lely Horizon a dlouhodobé Podpory řízení farmy.

AGRO-partner · Podpora řízení farmy

Technologie je začátek. Řízení přichází potom.

Naše Podpora řízení farmy je s vámi od prvního projektu, přes přípravu rekonstrukce nebo stavbu nové stáje, instalaci a spuštění technologie až po její každodenní provoz.

Když budete chtít, přijedeme přímo na farmu a společně se podíváme na nastavení Lely Horizon, kapacitu dojicích robotů a data, která vám mohou pomoci při řízení stáda.

MLÉKO na druhou · 2027

Data, technologie a rozhodování

O tom, jak se mění role člověka na moderní mléčné farmě, jak pracovat s daty a jak z automatizace vytěžit skutečnou hodnotu, chceme dál diskutovat také na konferenci MLÉKO na druhou 2027.

Nejčastější otázky

Data o chování krav v praxi