Sebuah sistem AI self-supervised yang diuji di tambak salmon Norwegia mendeteksi tanda-tanda penyakit tiga hingga lima hari sebelum gejala muncul, memprediksi penurunan oksigen dengan akurasi 94% hingga enam jam sebelumnya, dan mengurangi limbah pakan sebesar 23%. Terobosan ini menunjukkan bahwa akuakultur dapat memperoleh peringatan dini tanpa memerlukan kumpulan data berlabel manual yang masif, yang selama ini menghambat otomatisasi.

Mengapa akuakultur membutuhkan pendekatan baru

Tambak ikan berada di lingkungan yang terus berubah. Pasang surut musiman, fluktuasi suhu, dan perubahan kimia yang tiba-tiba membuat aliran data sensor menjadi berisik (noisy) dan tidak lengkap. Perilaku ikan sendiri berkisar dari lonjakan singkat berdurasi menit hingga siklus pertumbuhan berdurasi bulan. Ketika penyakit menyerang, ia menyebar dengan cepat dan dapat memusnahkan hasil panen satu musim. Mengumpulkan contoh berlabel yang cukup untuk setiap kelainan adalah hal yang tidak praktis; wabah jarang terjadi, dan menandai setiap gerakan sirip atau pembacaan air akan memakan biaya lebih besar daripada margin keuntungan tambak.

Solusi self-supervised

Sistem baru ini menggunakan arsitektur dua tahap yang memungkinkan data untuk belajar sendiri.

Tahap 1 – Temporal encoder
Rutinitas contrastive learning membentuk pasangan "positif" dari observasi yang terjadi berdekatan dalam waktu dan pasangan "negatif" dari observasi yang berjauhan. Dengan menarik data positif agar berdekatan dalam representasi internalnya sambil mendorong data negatif agar menjauh, encoder tersebut mengekstrak pola yang berulang tanpa label yang disediakan manusia.

Tahap 2 – Embodied decision agent
Pola yang telah dipelajari memberi masukan kepada agen yang memutuskan kapan harus menyesuaikan kadar oksigen, mengubah jadwal pemberian pakan, atau memberikan peringatan. Hasil dari setiap tindakan akan masuk kembali ke dalam encoder, menyempurnakan pustaka pola dalam sebuah siklus yang berkelanjutan.

Mengatasi tiga hambatan teknis

  1. Data yang hilang – Sensor pada keramba apung sering kali kehilangan kontak. Teknik masked temporal encoding mengajarkan model untuk mengabaikan celah data, mencegah jaringan terpaku pada sinyal palsu.
  2. Skala waktu yang bervariasi – Multi-scale encoder memproses bingkai video yang cepat bersamaan dengan pembacaan kimia yang berubah lambat, menangkap lonjakan jangka pendek dan tren jangka panjang.
  3. Melupakan pengetahuan lama – Seiring musim baru membawa kondisi baru, elastic weight consolidation menjaga pola yang telah dipelajari sebelumnya sambil memungkinkan model untuk beradaptasi, guna menghindari catastrophic forgetting.

Makna angka-angka tersebut bagi petambak

  • Deteksi penyakit dini: Mendeteksi penyakit tiga hingga lima hari sebelumnya memberi operator kesempatan untuk mengisolasi keramba yang terdampak, memberikan pengobatan, dan menghentikan penyebaran.
  • Manajemen oksigen: Memprediksi penipisan oksigen dengan akurasi 94% memungkinkan tambak melakukan aerasi air secara preventif, menghindari kematian akibat stres.
  • Efisiensi pakan: Mempelajari siklus nafsu makan mengurangi limbah hampir seperempatnya, menurunkan biaya pakan dan mengurangi limpasan lingkungan.

Kesimpulan

AI self-supervised mengubah aliran sensor yang berisik dan tidak lengkap menjadi wawasan yang dapat ditindaklanjuti, memberikan peringatan dini penyakit, prakiraan oksigen yang presisi, dan penghematan pakan yang signifikan—semuanya tanpa biaya tenaga kerja yang mahal untuk melabeli setiap titik data. Bagi industri yang menyeimbangkan margin keuntungan yang tipis dengan pengelolaan lingkungan, kemampuan tersebut dapat mengubah cara tambak ikan beroperasi.