Үй жануарларына арналған жем саласындағы машиналық оқытуды қолдану: қолданбалар, мәселелер және болашақ бағыттарды жан-жақты шолу

Үй жануарларына арналған азық-түлік индустриясы машиналық оқытуды (ML) енгізу арқылы қарқынды дамып келеді. ML ингредиенттерді оңтайлы үйлестіру, сапаны бақылауды күшейту, тамақтануды жекелендіру және тұтынушы талғамын болжау салаларында маңызды рөл атқарады. Тереңдетілген оқыту, нығайтылған оқыту және табиғи тілді өңдеу (NLP) әдістерін қолдану үй жануарлары азығын өндіру процесін жетілдіріп, тиімділікті арттырып, жануарлардың денсаулығын жақсартуға ықпал етеді. Бұл шолу ML-дің үй жануарлары азығы саласындағы негізгі қолданбаларын қарастырып, қазіргі таңдағы қиындықтарды талдайды және болашақ бағыттарды анықтайды. Сондайақ, мақалада үй жануарларына арналған азық саласында қолданылатын әртүрлі ML әдістеріне салыстырмалы талдау жасалады. Машиналық оқыту үй жануарлары азығы саласын ингредиенттерді оңтайландыру, сапаны бақылауды жақсарту және тұтынушы талғамын болжау арқылы түбегейлі өзгертіп келеді. Алайда, AI-ды кең көлемде енгізу үшін деректердің шектеулілігі, реттеуші талаптар, есептеу шығындары және тұтынушылар сенімі сияқты мәселелерді шешу қажет. Үй жануарларына арналған азық өндірісіндегі AI-дың болашағы түсінікті AI, блокчейнмен интеграцияланған жеткізу тізбектері, IoT негізіндегі үй жануарларының денсаулығын бақылау және синтетикалық деректермен жұмыс істейтін ML модельдері сияқты технологияларға байланысты. Технология дамыған сайын AI қауіпсіз, пайдалы және жекелендірілген тамақтануды қамтамасыз етуде маңызды рөл атқарып, үй жануарлары азығы индустриясының болашағын қалыптастырады.

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.