Оценка рисков внедрения системы обработки большого набора данных в животноводстве

Цель исследования – описать концепцию системы сбора и обработки большого набора данных с каждой животноводческой фермы в региональном дата-центре и возможные риски при ее эксплуатации, спрогнозировать экономический эффект от внедрения системы в отрасль. Концепция представляет собой сбор данных от каждого датчика и машины о здоровье, продуктивности, экстерьере, качестве выполнения всех технологических процессов, их предобработку на сервере животноводческого комплекса и передачу информации в региональный дата-центр для обработки, хранения информации с целью дальнейшего предоставления данных потребителям. Представлена таблица с описанием данных и способов их сбора. Данные включают 88 автоматических параметров (87,1 % от общего объема, таких как pH рубца, температура, активность, с достоверностью >93 %) и 13 ручных параметров (12,9 % – результаты генетических тестов, с ошибкой ввода <8 %), собираемых с использованием датчиков, роботов доения, систем мониторинга и ручного ввода. Описано 4 этапа внедрения системы, где на каждом этапе оценены факторы, влияющие на итоговую достоверность информации, хранящейся на региональном сервере с описанием действий, повышающих достоверность информации. Описаны возможные риски и шанс их возникновения при внедрении и эксплуатации системы с использованием оценки меры неопределенности возможных состояний системы, используя формулу вычисления количества информации в сообщении о неравновероятных событиях Клода Шеннона. Используя метод Монте-Карло для моделирования событий, сопряженных с неопределенной вероятностью, на 10 тыс. возможных сценариев оценено распределение энтропии системы рисков. Представлена модель отношения между детерминантами (факторами) и рисками, выраженная эффектом с оценкой его уровня влияния на успешность реализации системы. Полученные результаты наложены на теоретически построенную кривую роста продуктивности на животноводческой ферме, которая потенциально внедрит системы с четырьмя описанными сценариями развития. По базовому сценарию с учетом рисков прогнозируемый удой через 3 года составит 10000–11000 кг/гол/год, а через 10 лет – 13000–14000 кг/гол/год против исходных 8100 кг/гол/год. Для стада в 1000 коров это соответствует дополнительному производству 1900–2900 т молока в год через 3 года и 4900–5900 т – через 10 лет.

1. Ценч Ю. С. Научно-технический потенциал как главный фактор развития механизации сельского хозяйства. Сельскохозяйственные машины и технологии. 2022;16(2):4–13. DOI: https://doi.org/10.22314/2073-7599-2022-16-2-4-13 EDN: WLFWZG

2. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и технологии. 2021;15(4):6–10. DOI: https://doi.org/10.22314/2073-7599-2021-15-4-6-10 EDN: YFRZDV

3. Subeesh A., Mehta C. R. Automation and digitization of agriculture using artificial intelligence and internet of things. Artificial Intelligence in Agriculture. 2021;5:278–291. DOI: https://doi.org/10.1016/j.aiia.2021.11.004

4. Wolfert S., Ge L., Verdouw C., Bogaardt M. J. Big Data in Smart Farming – A review. Agricultural Systems. 2017;153:69–80. DOI: https://doi.org/10.1016/j.agsy.2017.01.023

5. Kamilaris A., Kartakoullis A., Prenafeta-Boldú F. X. A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture. 2017;143:23–37. DOI: https://doi.org/10.1016/j.compag.2017.09.037

6. Yousfi M., M'Sadak Y. Smart dairy cattle farming: current tools, technologies, and future (Literature review). Al Awamia. 2025;(147):115–127. DOI: https://doi.org/10.34874/IMIST.PRSM/afrimed-i147.541

7. Klingström T., König E. Z., Zwane A. A. Beyond the hype: using AI, big data, wearable devices, and the internet of things for high-throughput livestock phenotyping. Briefings in Functional Genomics. 2025;24:elae032. DOI: https://doi.org/10.1093/bfgp/elae032

8. Косенчук О. В. Цифровые технологии для эффективного ведения молочного и мясного агробизнеса. Продовольственная политика и безопасность. 2024;11(4):997–1018. DOI: https://doi.org/10.18334/ppib.11.4.121606 EDN: KHPBHY

9. Жигалов А. А., Иващук О. А., Бирюкова Т. К., Федоров В. И. Методы нейросетевой детекции сельскохозяйственных животных в плотных динамических группах на изображениях. Искусственный интеллект и принятие решений. 2023;(1):55–66. DOI: https://doi.org/10.14357/20718594230106 EDN: APJNCH

10. Грооступа: https://www.elibrary.ru/item.asp?id=82683380 EDN: UPCFJZ

11. Gavai A. K., Bouzembrak Y., Xhani D., Sedrakyan G., Meuwissen M. P. M., Souza R. G. S. et al. Agricultural data privacy: Emerging platforms & strategies. Food and Humanity. 2025;4:e100542. DOI: https://doi.org/10.1016/j.foohum.2025.100542

12. Brito L. F., Heringstad B., Klaas I. C., Schodl K., Cabrera V. E., Stygar A. et al. Invited review: Using data from sensors and other precision farming technologies to enhance the sustainability of dairy cattle breeding programs. Journal of Dairy Science. 2025;108(10):10447–10474. DOI: https://doi.org/10.3168/jds.2025-26554

13. Terence S., Immaculate J., Raj A., Nadarajan J. Systematic Review on Internet of Things in Smart Livestock Management Systems. Sustainability. 2024;16(10):4073. DOI: https://doi.org/10.3390/su16104073

14. Tangorra F. M., Buoio E., Calcante A., Bassi A., Costa A. Internet of Things (IoT): Sensors Application in Dairy Cattle Farming. Animals. 2024;14(21):3071. DOI: https://doi.org/10.3390/ani14213071

15. Kassab M., Arbex W., Vicente Graciano Neto V., Gomes J., Braga R., Maria David J., Oliveira R. Livestock IoT: Precision Livestock Management in Agribusiness. In Proceedings of the ACM/IEEE 6th International Workshop on Software Engineering Research & Practices for the Internet of Things (SERP4IoT '24). Association for Computing Machinery. New York, NY, USA, 2024. pp. 52–56. DOI: https://doi.org/10.1145/3643794.3648279

16. Юрочка С. С., Рузин С. С., Владимиров Ф. Е., Хакимов А. Р., Базаев С. О., Тарасов В. Р. Систематизация методов идентификации коров. Электротехнологии и электрооборудование в АПК. 2025;72(1(58)):106–116. DOI: https://doi.org/10.22314/2658-4859-2025-72-1-106-116 EDN: QZAGSK

17. Кравченко В. Н., Зимогорский В. К. Перспективы цифровизации молочного животноводства. Техника и технологии в животноводстве. 2020;(4(40)):4–13. Режим доступа: https://www.elibrary.ru/item.asp?id=44352737 EDN: CDUXGM

18. Дорохов А. С., Павкин Д. Ю., Юрочка С. С. Технология цифровых двойников в сельском хозяйстве: перспективы применения. Агроинженерия. 2023;25(4):14–25. DOI: https://doi.org/10.26897/2687-1149-2023-4-14-25 EDN: ZUPSSL

19. Haug A., Zachariassen F., van Liempd D. The costs of poor data quality. Journal of Industrial Engineering and Management. 2011;4(2):168–193. DOI: https://doi.org/10.3926/jiem.v4n2.p168-193

20. Wijaya R., Pudjoatmodjo B. An overview and implementation of extraction-transformation-loading (ETL) process in data warehouse (Case study: Department of agriculture). 2015 3rd International Conference on Information and Communication Technology (ICoICT). Nusa Dua, Bali, Indonesia, 2015. pp. 70–74. DOI: https://doi.org/10.1109/ICoICT.2015.7231399

21. Yudhistira A., Sitanggang I., Adrianto H. Development ETL (Extract, Transform and Load) Module in Indonesian Agricultural Commodities OLAP System. ILKOM Jurnal Ilmiah. 2023;15(2):335–343. DOI: https://doi.org/10.33096/ilkom.v15i2.1758.335-343

22. You J., Ellis J., Adams S., Sahar M., Jacobs M., Tulpan D. Comparison of imputation methods for missing production data of dairy cattle. Animal. 2023;17(5):100921. DOI: https://doi.org/10.1016/j.animal.2023.100921

23. Stekhoven D. J., Bühlmann P. MissForest—non-parametric missing value imputation for mixed-type data. Bioinformatics. 2012;28(1):112–118. DOI: https://doi.org/10.1093/bioinformatics/btr597

24. Thendral M. S., Abinaya S., Devi M. K. K. Enhanced prediction of agricultural CO2 emission using ensemble machine learning-based imputation approach. Neural Computing and Applications. 2024;36:22867–22887. DOI: https://doi.org/10.1007/s00521-024-10444-3

25. Cui H., Guo P., Li M., Guo S., Zhang F. A multi-risk assessment framework for agricultural land use optimization. Stochastic Environmental Research and Risk Assessment. 2019;33:563–579. DOI: https://doi.org/10.1007/s00477-018-1610-5

26. Abtahi M., Mohammadi Z. Selecting the Optimal Portfolio in Agricultural Research and Development Projects with Grey Multiple-Criteria Decision-Making Approach. Journal of Agricultural Economics and Develop-ment. 2021;29(1):177–207. DOI: https://doi.org/10.30490/AEAD.2021.352112.1273

27. Liu Z., Huang Y. Sustainability enhancement under uncertainty: a Monte Carlo-based simulation and system optimization method. Clean Technologies and Environmental Policy. 2015;17:1757–1768. DOI: https://doi.org/10.1007/s10098-015-0916-y

28. Godfrey S. S., Nordblom T., Ip R. H. L., Robertson S., Hutchings T., Behrendt K. Drought Shocks and Gear-ing Impacts on the Profitability of Sheep Farming. Agriculture. 2021;11(4):366. DOI: https://doi.org/10.3390/agriculture11040366

29. Михальский А. И., Новосельцева Ж. А. Применение методов машинного обучения в задачах продуктивного животноводства. Проблемы биологии продуктивных животных. 2018;(4):98–109. DOI: https://doi.org/10.25687/1996-6733.prodanimbiol.2018.3.98-109 EDN: YPHTMD

30. Fuentes S., Gonzalez Viejo C., Tongson E., Dunshea F. R. The livestock farming digital transformation: implementation of new and emerging technologies using artificial intelligence. Animal Health Research Reviews. 2022;23(1):59–71. DOI: https://doi.org/10.1017/S1466252321000177