Traditionelle foderforsøg er begrænsede og er ofte ikke repræsentative for hele populationen, hvilket gør det svært at holde trit med den hurtige genetiske udvikling. Derfor er der et stort potentiale i at anvende avancerede AI-teknologier på et stort antal besætninger til dynamisk foderoptimering, som kan sikre både økonomisk effektivitet og bæredygtighed i griseproduktionen. Projektets mål er at udvikle et avanceret AI-baseret system, der kan udnytte data på tværs af produktionsbesætninger i ét stort dynamisk foderforsøg, og løbende optimere foderstrategier til vækstgrise medhenblik på at øge produktivitet og mindske klimabelastning.
Systemet bygger på IQinAbox’s eksisterende platform (PIGS365 og Danish Crown Data), som integrerer data fra foderleverandører, slagterier og griseproducenter. Realtidsovervågning i PIGS365 opsamler data om grisenes vægt fra sensorbaserede vejesystemer som fx vejekameraer. Ved at koble detaljerede data om aktuel fodring, sygdomsbehandling og dødelighed med realtidsdata om tilvækst, vil AI-modellerne kontinuerligt kunne fastslå optimale fodersammensætninger til vækstgrise af forskellig vægt. Realtidsdataen muliggør ydermere estimering af, hvordan ændringer i fodersammensætningen påvirker CO2-aftrykket.