Một hệ thống AI tự giám sát (self-supervised) được thử nghiệm tại một trang trại cá hồi ở Na Uy đã phát hiện các dấu hiệu bệnh trước khi triệu chứng xuất hiện từ ba đến năm ngày, dự báo tình trạng sụt giảm oxy với độ chính xác 94% trước tối đa sáu giờ, và cắt giảm 23% lượng thức ăn lãng phí. Bước đột phá này cho thấy ngành nuôi trồng thủy sản có thể nhận được các cảnh báo sớm mà không cần đến các bộ dữ liệu khổng lồ được dán nhãn thủ công – vốn là rào cản đối với quá trình tự động hóa.

Tại sao nuôi trồng thủy sản cần một phương pháp tiếp cận mới

Các trang trại cá nằm trong môi trường luôn biến động. Thủy triều theo mùa, sự thay đổi nhiệt độ và những biến đổi hóa học đột ngột khiến các luồng dữ liệu từ cảm biến bị nhiễu và không đầy đủ. Bản thân hành vi của cá trải dài từ những đợt bùng phát kéo dài vài phút đến các chu kỳ tăng trưởng kéo dài hàng tháng. Khi dịch bệnh tấn công, nó lây lan nhanh chóng và có thể xóa sổ toàn bộ vụ thu hoạch của một mùa. Việc thu thập đủ các ví dụ đã được dán nhãn cho mọi sự bất thường là điều không khả thi; các đợt bùng phát dịch bệnh thường hiếm gặp, và việc gắn nhãn cho mọi chuyển động của vây cá hay mọi chỉ số nước sẽ tốn kém hơn cả biên lợi nhuận của trang trại.

Giải pháp tự giám sát

Hệ thống mới sử dụng kiến trúc hai giai đoạn cho phép dữ liệu tự học hỏi.

Giai đoạn 1 – Bộ mã hóa thời gian (Temporal encoder)
Một quy trình học tương phản (contrastive learning) tạo ra các cặp "dương tính" từ những quan sát xảy ra gần nhau về mặt thời gian và các cặp "âm tính" từ những quan sát cách xa nhau. Bằng cách kéo các cặp dương tính lại gần nhau trong biểu diễn nội bộ và đẩy các cặp âm tính ra xa, bộ mã hóa sẽ trích xuất được các mô hình lặp lại mà không cần nhãn do con người cung cấp.

Giai đoạn 2 – Tác nhân quyết định hiện thân (Embodied decision agent)
Các mô hình đã học được sẽ cung cấp dữ liệu cho một tác nhân (agent) để quyết định khi nào cần điều chỉnh mức oxy, thay đổi lịch trình cho ăn hoặc đưa ra cảnh báo. Kết quả của mỗi hành động sẽ được phản hồi lại bộ mã hóa, giúp tinh chỉnh thư viện mô hình trong một vòng lặp liên tục.

Vượt qua ba rào cản kỹ thuật

  1. Dữ liệu bị thiếu – Các cảm biến trên lồng bè nổi thường xuyên bị mất kết nối. Kỹ thuật mã hóa thời gian có mặt nạ (masked temporal encoding) dạy mô hình cách bỏ qua các khoảng trống, ngăn chặn mạng lưới bám vào các tín hiệu sai lệch.
  2. Các thang thời gian khác nhau – Một bộ mã hóa đa quy mô (multi-scale encoder) xử lý các khung hình video nhanh chóng cùng với các chỉ số hóa học thay đổi chậm, từ đó nắm bắt được cả các đỉnh biến động ngắn hạn và các xu hướng dài hạn.
  3. Quên kiến thức cũ – Khi các mùa mới mang đến những điều kiện mới, kỹ thuật hợp nhất trọng số đàn hồi (elastic weight consolidation) giúp bảo tồn các mô hình đã học trước đó trong khi vẫn cho phép mô hình thích nghi, tránh hiện tượng quên lãng thảm khốc (catastrophic forgetting).

Ý nghĩa của các con số đối với người nuôi trồng

  • Phát hiện bệnh sớm: Việc phát hiện bệnh trước từ ba đến năm ngày giúp người vận hành có thời gian để cách ly các lồng bị ảnh hưởng, áp dụng các biện pháp điều trị và ngăn chặn sự lây lan.
  • Quản lý oxy: Dự báo sự sụt giảm với độ chính xác 94% cho phép các trang trại chủ động sục khí, tránh tình trạng cá chết do căng thẳng (stress).
  • Hiệu quả thức ăn: Việc học các chu kỳ thèm ăn đã giúp giảm gần một phần tư lượng lãng phí, từ đó hạ thấp chi phí thức ăn và giảm thiểu lượng chất thải ra môi trường.

Kết luận

AI tự giám sát biến các luồng dữ liệu cảm biến nhiễu và không đầy đủ thành những thông tin chuyên sâu có thể hành động được, mang lại các cảnh báo bệnh sớm, dự báo oxy chính xác và tiết kiệm thức ăn đáng kể—tất cả đều không cần đến công sức tốn kém để dán nhãn từng điểm dữ liệu. Đối với một ngành công nghiệp đang phải cân bằng giữa biên lợi nhuận mỏng manh và trách nhiệm quản lý môi trường, khả năng này có thể tái định hình cách thức vận hành của các trang trại nuôi cá.