Использование машинного обучения в сфере кормов для домашних животных: всесторонний обзор приложений, проблем и будущих направлений

Глобальная индустрия кормов для домашних животных стремительно развивается благодаря интеграции технологий машинного обучения (ML). ML играет ключевую роль в оптимизации состава ингредиентов, улучшении контроля качества, персонализации питания и прогнозировании предпочтений потребителей. Использование глубокого обучения, обучения с подкреплением и обработки естественного языка (NLP) трансформирует процесс производства кормов для домашних животных, повышая его эффективность и обеспечивая лучшее здоровье питомцев. В данном обзоре рассматриваются основные области применения ML в науке о кормах для домашних животных, обсуждаются текущие проблемы и обозначаются перспективные направления развития. В статье также проводится сравнительный анализ различных методов ML, применяемых в секторе кормов для домашних животных. Машинное обучение меняет индустрию кормов, оптимизируя формулирование ингредиентов, улучшая контроль качества и прогнозируя предпочтения потребителей. Однако широкомасштабное внедрение ИИ сталкивается с такими проблемами, как ограниченность данных, нормативные требования, высокие вычислительные затраты и вопросы доверия со стороны потребителей. Будущее инноваций в области кормов для домашних животных, основанных на ИИ, связано с объяснимым ИИ, интегрированными с блокчейном цепочками поставок, мониторингом здоровья питомцев на основе Интернета вещей (IoT) и моделями машинного обучения, работающими на синтетических данных. По мере развития технологий ИИ будет играть все более важную роль в обеспечении более безопасного, здорового и персонализированного питания для домашних животных, формируя будущее этой индустрии.

1. Brown, T., & Garcia, L. (2023). The role of machine learning in pet food safety. Food Quality and Safety Journal, 9(4), 567-580.

2. Chen, Y., Patel, R., & Wang, Z. (2021). Using support vector machines for pet food chemical composition analysis. Journal of Food Science and Technology, 57(2), 312-325.

3. Garcia, L., Thompson, A., & Smith, R. (2024). Advancements in machine learning for pet health prediction and diet formulation. Artificial Intelligence in Veterinary Science, 8(1), 33-52.

4. Jones, D., & Miller, K. (2022). Predicting pet food consumer preferences using sentiment analysis and NLP techniques. Journal of Consumer Research, 12(3), 145-160.

5. Kim, J., Roberts, D., & Zhao, P. (2023). Leveraging computer vision and convolutional neural networks for pet food quality control. Journal of AI in Food Science, 15(2), 222-239.

6. Kumar R, Goswami M, Pathak V. Innovations in pet nutrition: investigating diverse formulations and varieties of pet food: mini review. MOJ Food Process Technols. 2024;12(1):86‒89. DOI: 10.15406/mojfpt.2024.12.00302

7. Kumar R, Goswami M. Harnessing poultry slaughter waste for sustainable pet nutrition: a catalyst for growth in the pet food industry. J Dairy Vet Anim Res. 2024;13(1):31‒33. DOI: 10.15406/jdvar.2024.13.00344

8. Kumar, R. (2024). Promoting Pet Food Sustainability: Integrating Slaughterhouse By-products and Fibrous Vegetables Waste. Acta Scientific Veterinary Sciences, 6, 07-11. http://dx.doi.org/10.31080/ASVS.2024.06.0871

9. Kumar, R., & Goswami, M. (2024). Exploring Palatability in Pet Food: Assessment Methods and Influential Factors. International Journal of Livestock Research, 14(4).

10. Kumar, R., & Goswami, M. (2024). Feathered nutrition: unlocking the potential of poultry byproducts for healthier pet foods. Acta Scientific Veterinary Sciences. (ISSN: 2582-3183), 6(4).

11. Kumar, R., & Goswami, M. (2024). Optimizing Pet Food Formulations with Alternative Ingredients and Byproducts. Acta Scientific Veterinary Sciences (ISSN: 2582-3183), 6(4).

12. Kumar, R., & Sharma, A. (2024). A Comprehensive Analysis and Evaluation of Various Porcine Byproducts in Canine Diet Formulation. Asian Journal of Research in Animal and Veterinary Sciences, 7(3), 236-246. https://doi.org/10.9734/ajravs/2024/v7i3308

13. Kumar, R., & Sharma, A. (2024). Deciphering new nutritional substrates for precision pet food formulation. International Journal of Veterinary Sciences and Animal Husbandry.https://doi.org/10.22271/veterinary, 202(4), v9.

14. Kumar, R., & Sharma, A. (2024). Prebioticdriven Gut Microbiota Dynamics: Enhancing Canine Health via Pet Food Formulation. International Journal of Bio-resource and Stress Management, 15(Jun, 6), 01- 15. https://doi.org/10.23910/1.2024.5359

15. Kumar, R., & Sharma, A. (2024). Review of Pet Food Packaging in the US Market: Future Direction Towards Innovation and Sustainability. Annual Research & Review in Biology, 39(6), 16-30. https://doi.org/10.9734/arrb/2024/v39i62085

16. Kumar, R., Goswami, M. and Pathak, V. (2023). Enhancing Microbiota Analysis, Shelf-life, and Palatability Profile in Affordable Poultry Byproduct Pet Food Enriched with Diverse Fibers and Binders. J. Anim. Res., 13(05): 815-831. DOI: 10.30954/2277-940X.05.2023.24

17. Kumar, R., Goswami, M., & Pathak, V. (2024). Gas Chromatography Based Analysis of fatty acid profiles in poultry byproduct-based pet foods: Implications for Nutritional Quality and Health Optimization. Asian Journal of Research in Biochemistry, 14(4), 1-17. https://doi.org/10.9734/ajrb/2024/v14i4289

18. Kumar, R., Goswami, M., Pathak, V., & Singh, A. (2024). Effect of binder inclusion on poultry slaughterhouse byproducts incorporated pet food characteristics and palatability. Animal Nutrition and Feed Technology, 24(1), 177-191. DOI: 10.5958/0974-181X.2024.00013.1

19. Kumar, R., Goswami, M., Pathak, V., Bharti, S.K., Verma, A.K., Rajkumar, V. and Patel, P. 2023. Utilization of poultry slaughter byproducts to develop cost effective dried pet food. Anim. Nutr. Technol., 23: 165-174. DOI: 10.5958/0974-181X.2023.00015.X

20. Kumar, R., Goswami, M., Pathak, V., Verma, A.K. and Rajkumar, V. 2023. Quality improvement of poultry slaughterhouse byproducts-based pet food with incorporation of fiber-rich vegetable powder. Explor. Anim. Med. Res., 13(1): 54-61. DOI: 10.52635/eamr/13.1.54-61

21. Kumar, R., Thakur, A., & Sharma, A. (2023). Comparative prevalence assessment of subclinical mastitis in two crossbred dairy cow herds using the California mastitis test. J Dairy Vet Anim Res, 12(2), 98- 102 http://dx.doi.org/10.15406/jdvar.2023.12.00331

22. Liu, P., & Zhang, H. (2023). AI-based anomaly detection for supply chain risk mitigation in the pet food industry. International Journal of Food Safety and AI, 6(1), 99-114.

23. Miller, K., & Zhao, P. (2023). AI-driven recommendation systems for pet food products: A collaborative filtering approach. Journal of Retail and Consumer Services, 18(5), 275-289.

24. Patel, R., & Thompson, A. (2022). Real-time contaminant detection in pet food using convolutional neural networks. Food Technology and AI, 11(4), 178-193.

25. Roberts, D., & Wang, X. (2023). Natural language processing in veterinary research: Applications for personalized pet nutrition. Veterinary Nutrition Journal, 15(3), 89-105.

26. Sharma, R. K. (2024). Advances in Artificial Intelligence (AI) Systems Technology – Image Analysis (IA) for Comprehensive Quality Assessment of Pet Food. Bulletin of Almaty Technological University, 144 (2), 103-111. https://doi.org/10.48184/2304-568X2024-2-103-111

27. Smith, J., & Brown, T. (2023). Machine learning in food science: Trends and applications for pet nutrition. Journal of Food Engineering, 330, 111275.

28. Thompson, A., & Garcia, L. (2024). The future of AI in pet food: Blockchain, IoT, and personalized nutrition. Journal of Emerging Technologies in Food Science, 10(1), 55-73.

29. Wang, X., & Li, Y. (2022). AI in pet food formulation: A new frontier in animal nutrition. Animal Science Review, 45(3), 198-210.

30. Zhao, P., & Roberts, D. (2024). The impact of predictive analytics on pet food safety and quality assurance. Food Safety and AI, 9(2), 122-138.