Nye teknologiske løsninger gjør det mulig å logge data om fisken i fiskeoppdrettsanlegg automatisk. «Deep Learning», en gren innenfor «Artificial Intelligence», er for eksempel en teknikk der man basert på opplæring av systemet kan hente ut informasjon fra millionvis av bilder av fisk. Robust deteksjon av lakselus, måling av ulike operative velferdsparametere eller å estimere vekten på fisken er nå blitt mulig takket være den rivende teknologiske utviklingen vi har sett de siste årene.
Men hva skal vi egentlig med all denne dataen om fisken? Hva kan vi bruke den til og hvorfor er dataene «gull verdt»?
Data gir kunnskap. Økt kunnskap om fisken og produksjonsprosessen gir økt lønnsomhet, mulighet til å optimere driften, en mer bærekraftig næring og større konkurransekraft. Tenk for eksempel på snittvekts-måling av fisken. Ved å følge veksten over tid og se på denne sammen med for eksempel miljøloggedata og logging av foring kan vi se under hvilke forhold det kan være gunstig å fôre, hvilket fôr som er effektivt og når man sparer ressurser på å redusere fôringen.
Maskinlæring gjør det mulig å automatisere prosessen med å hente ut informasjon fra store datamengder («Big data»). Ved å lære opp algoritmene slik at de tar de rette beslutningene kan verdifull informasjon fra en lokalitet som drives bra overføres til lokaliteter som drives mindre effektivt. Digitalisering vil gi økt konkurransekraft for oppdrettere som satser på digitalisering. Dette betyr at å komme i gang med å logge data er ekstremt viktig fordi en trenger logging av data over tid for å lykkes med denne strategien.
Det finnes i dag flere leverandører som kan levere systemer som automatisk teller lus og detekterer andre parametere på fisken. Felles er at dataene gir mulighet til å effektivisere driften. De fleste løsningene er basert på kamerateknologi. Med maskinlæring på bildene måles størrelse, lus telles og operative velferdsparametere detekteres. Som oftest overføres data til en skyløsning og kan lastes ned gjennom en web portal.
Kontinuerlig automatisk overvåkning av fisken kan også bidra til enda bedre fiskevelferd og en mer bærekraftig næring. Men dette fordrer at oppdrettere bruker sin biologisk kunnskap og kunnskap om produksjonen og iverksetter tiltak hvis overvåkningen avdekker at dette er nødvendig. På sikt bør målet for havbruksnæringen være å få til en maskinlæringsbasert beslutningsstøtte som gir råd om iverksettende tiltak.
Men for å få til dette trenger vi DATA. Masse DATA.
