Introducción

La ganadería es un factor primordial para garantizar la seguridad alimentaria, por lo que la salud y el bienestar animal se han convertido en elementos claves para el desarrollo sostenible (Programa sectorial “Agricultura Sostenible” (NAREN), 2020Programa sectorial “Agricultura Sostenible” (NAREN). (2020). Ganadería y salud animal. GIZ. www.giz.de/en/worldwide/39650.html). Sin embargo, esta situación supone un reto para los ganaderos. El incremento desproporcionado de la población humana a nivel mundial provoca que la alimentación sea cada vez más difícil.

En los últimos 10 años se ha producido una creciente demanda de los productos de origen animal, lo que se evidencia en el crecimiento exponencial de los rebaños. A su vez, las nuevas generaciones se encuentran cada vez menos interesadas en este sector. Debido a esta situación, los trabajadores del área han decidido incluir técnicas más sofisticadas y menos invasivas para mantener las prácticas ganaderas y facilitar el trabajo, tal es el caso de la Inteligencia Artificial en la reproducción ganadera (Melak et al., 2024Melak, A.; Aseged, T.; y Shitaw, T. (2024). The Influence of Artificial Intelligence Technology on the Management of Livestock Farms. Hindawi, 2024. https://doi.org/10.1155/2024/8929748). Con la aplicación de tecnologías innovadoras e inteligentes es posible alcanzar mayor control de los ganados sin la necesidad de incrementar el personal de la institución.

Actualmente, el sector ganadero está orientado a incrementar la producción de leche y la reproducción mejorada genéticamente, en otras palabras, necesitan bovinos con genes lecheros y cárnicos. De esta situación surge la necesidad de incluir técnicas de Inteligencia Artificial para mejorar la precisión y aumentar la rapidez en los procesos ganaderos (González et al., 2018González, N.; Leyva, M. Y.; Faggoni, K. M.; y Álvarez, P. J. (2018). Estudio comparado de las técnicas de Inteligencia Artificial para el diagnóstico de enfermedades en la ganadería. Sistemas, Cibernética e Informática, 15(2).Consultado el 8 de julio de 2023. °en https://www.iiisci.org/journal/pdv/risci/pdfs/CA178AR18.pdf). Por tanto, se propone como objetivo de la investigación analizar el potencial de la Inteligencia Artificial para mejorar la toma de decisiones informadas en la reproducción bovina.

1. Inteligencia Artificial en la Ganadería

El uso de la Inteligencia Artificial en la ganadería ha permitido optimizar varios procesos tanto productivos como reproductivos como el movimiento del rebaño, la salud animal, la reproducción, la producción de leche y carne, entre otros. La implementación de estas tecnologías incrementa la posibilidad de mejorar la gestión del ganado, de monitorear al animal en tiempo real.

La Inteligencia Artificial brinda numerosos beneficios, los cuales pueden tener un impacto significativo en la gestión de la institución. Algunos de estos beneficios son: optimización de la toma de decisiones, detección temprana de enfermedades, mejora en la crianza y la reproducción ganadera, eficiencia en el uso de los recursos y mejora del bienestar animal (Genética Bovina, 2020Genética Bovina. (2020). Inseminación artificial: puntos a tener en cuenta en nuestras ganaderías. Genética bovina colombiana.°en https://revistageneticabovina.com/biotecnologia/inseminacion-artificial/). La ganadería, aunque se considera un pilar para la alimentación, todavía se encuentra atrasada con respecto a otros sectores por lo que la aplicación técnicas inteligentes marca un avance importante en su desarrollo (Bayona et al., 2024Bayona, J. S.; Serrano, M. K.; Navarro, A. Y.; Sarabia, J. J.; Ramírez, J. D.; y Galvis, J. J. (2024). IA aplicado en la ganadería. https://www.researchgate.net/profile/Margie-Serrano-Carrascal/publication/381227428_IA_APLICADO_EN_GANADERIA/links/666278ffb769e769191d65e2/IA-APLICADO-EN-GANADERIA.pdf).

2. Inteligencia Artificial en la Reproducción Bovina

La integración de la Inteligencia Artificial y la reproducción bovina brinda una nueva perspectiva en la ganadería. Los sistemas informáticos asociados a esta disciplina sirven como herramientas de apoyo al especialista del sector ganadero. Por tanto, la reproducción ganadera se ha visto beneficiada de estas herramientas en diferentes procesos, algunos de estos son:

Existen numerosas aplicaciones en este campo en la reproducción bovina, algunas de estas son:

En general, estos avances brindan enormes beneficios tanto para la entidad como para el animal. Dentro de los beneficios se encuentran:

Actualmente, la Inteligencia Artificial tiene mucho que aportar en la ganadería y a la reproducción bovina. Es un campo que se encuentra aún bajo desarrollo. Las tendencias en esta rama de la informática están transformando la reproducción bovina. Estas se encuentran orientadas al monitoreo en tiempo real, la detección precisa del celo, el análisis genético avanzado, la automatización de los procesos, la predicción de resultados reproductivos y el análisis de los datos para la toma de decisiones (García et al., 2020García, R.; Aguilar, J.; Toro, M.; Pinto, A.; y Rodríguez, P. (2020). A systematic literature review on the use of machine learning in precision livestock farming. ScienceDirect, 179. https://doi.org/10.1016/j.compag.2020.105826; Fuentes et al., 2022Fuentes, S.; Gonzalez, C.; Tongson, E.; y Dunshea, F. R. (2022). The livestock farming digital transformation: implementation of new and emerging technologies using artificial intelligence. Animal Health Research Reviews, 23, 59-71. https://doi.org/10.1017/S1466252321000177; Moreira et al., 2023Moreira, A.; Santos, F. K., dos; Machado, P. B.; Berghahn, L. G.; Campos, G. P., de; Araújo, C. V., de; Araújo, S. I.; y Menezes, F. L. (2023). Uso de Inteligência Artificial na Pecuária: Revisão de literatura. Reseaarch, Society and Development, 12 (4). https://doi.org/10.33448/rsd-v12i4.40777).

3. Técnicas de Inteligencia Artificial utilizadas en la Reproducción Bovina

Para decidir si una técnica es adecuada o no para un determinado objetivo hay que tener en cuenta tres aspectos fundamentales: las características de la organización en la cual se va a aplicar la técnica, el objetivo propuesto y las particularidades del conjunto de datos. Por ejemplo, si el conjunto de datos es limitado, se deben utilizar técnicas sencillas como Máquinas de Soporte Vectorial o Árboles de Decisión que, a diferencia de otras técnicas como Redes Neuronales Artificiales, Aprendizaje Automático y Aprendizaje Profundo, no requieren grandes volúmenes de datos para su entrenamiento. En dependencia del objetivo que se quiere alcanzar, las técnicas de Inteligencia Artificial pueden variar.

Por ejemplo, si el propósito de la investigación es mejorar genéticamente una determinada especie, se pueden emplear técnicas como Aprendizaje Profundo, Aprendizaje Automático y Redes Neuronales Artificiales, debido a que pueden realizar análisis complejos y brindar resultados precisos. Esto mismo ocurre para el monitoreo de la salud reproductiva, la inseminación artificial y el análisis de datos reproductivos. En el caso de la detección del celo, la técnica más adecuada es Aprendizaje Automático por su capacidad para identificar patrones complejos y mejorar la precisión. Otras técnicas que pueden ser utilizadas en la reproducción ganadera son Máquinas de Soporte Vectorial y Árboles de Decisión que, aunque no sean las más adecuadas, se pueden aplicar para lograr el objetivo propuesto ya que son técnicas sencillas que pueden ser empleadas en análisis simples (Berryhill et al., 2020Berryhill, J.; Heang, K. K.; Clogher, R.; y McBride, K. (2020). Hola, mundo: La Inteligencia Artificia y su uso en el sector público. Asociación Mexicana de Internet. https://doi.org/10.1787/726fd39d-en).

El Aprendizaje Profundo se basa en el uso de Redes Neuronales Artificiales. Estas redes se inspiran en el funcionamiento del cerebro humano y están compuestas por capas de neuronas artificiales conectadas entre sí con múltiples capas. La complejidad de esta estructura permite el aprendizaje de patrones complejos a partir de datos no estructurados. El Aprendizaje Profundo es utilizado principalmente para tareas de reconocimiento y predicción, como la clasificación de imágenes, la detección de objetos o la traducción automática. A pesar de su éxito, el proceso de aprendizaje de estos modelos de sigue siendo complejo y poco transparente (Padial, 2019Padial, J. J. (2019). Técnicas de programación «Deep Learning»: ¿Simulacro o realización artificial de la inteligencia? Naturaleza y Libertad, 12. https://revistas.uma.es/index.php/naturaleza-y-libertad/article/download/6274/5798/20938. ISSN: 2254-9668.).

El Aprendizaje Automático se caracteriza por su capacidad para aprender a partir de datos sin necesidad de una programación explícita. Los algoritmos de Aprendizaje Automático se basan en el reconocimiento de patrones y la toma de decisiones a partir de grandes conjuntos de datos, lo que les permite mejorar su rendimiento con el tiempo. A diferencia del aprendizaje humano, que requiere de la capacidad de reflexión y autoanálisis, esta técnica no necesita de esta facultad y sus modelos son capaces de mejorar su rendimiento con el tiempo a medida que se exponen a nuevos datos (Padial, 2019Padial, J. J. (2019). Técnicas de programación «Deep Learning»: ¿Simulacro o realización artificial de la inteligencia? Naturaleza y Libertad, 12. https://revistas.uma.es/index.php/naturaleza-y-libertad/article/download/6274/5798/20938. ISSN: 2254-9668.).

Por otro lado, las Redes Neuronales Artificiales necesitan ser entrenadas ya que aprenden a partir de grandes conjuntos de datos, sin necesidad de una programación explícita. Además, se componen de neuronas artificiales que procesan información y generan salidas a partir de entradas y pueden aprender patrones complejos a partir de datos no estructurados. Esta técnica puede adaptarse a nuevos datos, aprender patrones y realizar predicciones precisas en escenarios desconocidos (Basogain, 1998Basogain, X. (1998). Redes Neuronales Artificiales y sus aplicaciones. https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del-curso.pdf).

Sin embargo, las Máquinas de Soporte Vectorial se emplean como herramienta para la clasificación de datos en una amplia gama de aplicaciones. Su capacidad para encontrar hiperplanos no lineales, su robustez a la sobreadaptación y su eficiencia computacional las convierten en una opción atractiva para muchos problemas de aprendizaje automático. Las Máquinas de Soporte Vectorial se utilizan ampliamente para clasificar imágenes en diferentes categorías, como rostros, objetos o paisajes. También se pueden utilizar para reconocer patrones en señales de voz y distinguir entre diferentes hablantes o palabras, para clasificar textos en diferentes categorías, como documentos sentimentales o de noticias y analizar datos médicos, así como predecir el riesgo de enfermedades o la respuesta a tratamientos (Lee, 2010Lee, Y. (2010). Support vector machines for classification: a statistical portrait Methods Mol Biol. https://doi.org/10.1007/978-1-60761-580-4_11).

Los Árboles de Decisión, por su parte, están formados por nodos y ramas, cada nodo representa una pregunta o una prueba sobre una característica de los datos, y las ramas que salen de un nodo representan los posibles valores o respuestas a la pregunta. Los Árboles de Decisión se utilizan para clasificar datos en diferentes categorías, poseen flexibilidad y robustez frente a los valores atípicos y a la falta de los datos. La estructura jerárquica permite visualizar claramente las reglas de clasificación y las relaciones entre las características de los datos por lo que son una herramienta poderosa para la clasificación y el análisis de datos. Por lo general, esta técnica de brinda una respuesta rápida, es precisa y no requiere de muchos recursos para su ejecución (Menes et al., 2015Menes, I.; Arcos, G.; Moreno, P.; y Gallegos, K. (2015). Desempeño de algoritmos de minería en indicadores académicos: Árbol de Decisión y Regresión Logística. Revista Cubana de Ciencias Informáticas, 9 (4), 104-117. ISSN: 2227-1899.; Song y Ying, 2015Song, Y. Y.; y Ying, L. (2015). Decision tree methods: applications for classification and prediction. Shanghai Archives of Psychiatry, 27 (2). https://doi.org/10.11919/j.issn.1002-0829.215044).

Por tanto, la selección correcta de la técnica depende del dominio del escenario donde se quiere trabajar. Desde el punto de vista de la reproducción ganadera, las Redes Neuronales Artificiales, y sus ramas, obtienen un papel protagónico puesto que se pueden aplicar a la mayoría de las actividades que se desarrollan en el área. Actualmente, muchas personas o investigadores están integrando algunas técnicas con otras para complementarlas entre sí o mejorar algoritmos existentes con el fin de incrementar su eficiencia y precisión.

4. Impacto de la aplicación de la Inteligencia Artificial asociado a la toma de decisiones en la Reproducción Bovina

Las técnicas y herramientas planteadas poseen influencia sobre las decisiones que se toman en cada uno de los procesos ganaderos. Por consecuencia, se puede decir que la Inteligencia Artificial está transformando, de forma positiva, la toma de decisiones en las diferentes áreas de la reproducción bovina. La aplicación de técnicas informáticas en esta rama de la ganadería permite el análisis de grandes volúmenes de datos con mayor precisión y rapidez que los métodos tradicionales, lo que garantiza a los ganaderos la toma de decisiones informadas sobre la inseminación artificial, la selección genética y la detección temprana de problemas reproductivos (Kerton, 2012Kerton, L. (2012). Sistema para el análisis y toma de decisiones sobre datos parametrizados. [Tesis de Grado, Universidad de Ciencias Informáticas]. La Habana, Cuba. https://repositorio.uci.cu/jspui/bitstream/ident/TD_05601_12/2/TD_05601_12.pdf). También puede adaptar las estrategias reproductivas a las características individuales de cada animal, lo que favorece la mejora de la eficiencia reproductiva del individuo y la reducción de los costos asociados a la reproducción bovina, como los costos de inseminación artificial fallida y de tratamiento de problemas reproductivos y, por ende, el aumento de la rentabilidad de las operaciones ganaderas. Además, brinda facilidades para ayudar a seleccionar animales con características deseables para la reproducción, como una mayor fertilidad o resistencia a enfermedades (Garro y Tallarico, 2022Garro, R.; y Tallarico, G. (2022). Ganadería de precisión: innovaciones tecnológicas que agregan valor a la ganadería. IDIA21, 2 (1), 21-27. https://repositorio.inta.gob.ar/xmlui/bitstream/handle/20.500.12123/12167/pubidia22_ano2_n1mayo_v4_p.21-27.pdf?sequence=1&isAllowed=y).

Al integrar grandes volúmenes de datos y algoritmos avanzados, la Inteligencia Artificial facilita la toma decisiones informadas y la optimización de la gestión de la información, lo que a su vez contribuye al aumento de la rentabilidad y la reducción del impacto ambiental de la producción ganadera. En general, esta disciplina tiene el potencial de transformar la ganadería bovina haciéndola más eficiente, sostenible y rentable. La aplicación de técnicas inteligentes en el sector es un paso significativo hacia un futuro sostenible para la seguridad alimentaria.

Conclusiones

Se analizaron cinco técnicas de Inteligencia Artificial, de ellas las más empleadas para la toma de decisiones en las diferentes áreas de la reproducción bovina son: Redes Neuronales Artificiales, Aprendizaje Automático y Aprendizaje Profundo. Con el apoyo de estas tecnologías se han logrado resultados en menor tiempo y con mayor precisión.

Introduction

Livestock farming is a primary factor in guaranteeing food security, which is why animal health and well-being have become key elements for sustainable development (Sustainable Agriculture Sector Program (NAREN), 2020Programa sectorial “Agricultura Sostenible” (NAREN). (2020). Ganadería y salud animal. GIZ. www.giz.de/en/worldwide/39650.html). However, this situation represents a challenge for livestock farmers. The disproportionate increase in the human population worldwide makes food increasingly difficult.

In the last 10 years there has been a growing demand for products of animal origin, which is evident in the exponential growth of herds. At the same time, new generations are less and less interested in this sector. Due to this situation, workers in the area have decided to include more sophisticated and less invasive techniques to maintain livestock practices and facilitate work, such is the case of Artificial Intelligence in livestock reproduction (Melak et al., 2024Melak, A.; Aseged, T.; y Shitaw, T. (2024). The Influence of Artificial Intelligence Technology on the Management of Livestock Farms. Hindawi, 2024. https://doi.org/10.1155/2024/8929748). With the application of innovative and intelligent technologies it is possible to achieve greater control of livestock without the need to increase the institution's staff.

Currently, the livestock sector is aimed at increasing milk production and genetically improved reproduction, in other words, they need cattle with dairy and meat genes. From this situation arises the need to include Artificial Intelligence techniques to improve precision and increase speed in livestock processes (González et al., 2018González, N.; Leyva, M. Y.; Faggoni, K. M.; y Álvarez, P. J. (2018). Estudio comparado de las técnicas de Inteligencia Artificial para el diagnóstico de enfermedades en la ganadería. Sistemas, Cibernética e Informática, 15(2).Consultado el 8 de julio de 2023. °en https://www.iiisci.org/journal/pdv/risci/pdfs/CA178AR18.pdf). Therefore, the research objective is proposed to analyze the potential of Artificial Intelligence to improve informed decision making in bovine reproduction.

1. Artificial Intelligence in Livestock Farming

The use of Artificial Intelligence in livestock farming has made it possible to optimize various processes, both productive and reproductive, such as herd movement, animal health, reproduction, milk and meat production, among others. The implementation of these technologies increases the possibility of improving livestock management, of monitoring the animal in real time.

Artificial Intelligence provides numerous benefits, which can have a significant impact on the management of the institution. Some of these benefits are: optimization of decision making, early detection of diseases, improvement in livestock breeding and reproduction, efficiency in the use of resources and improvement of animal well-being (Bovine Genetics, 2020Genética Bovina. (2020). Inseminación artificial: puntos a tener en cuenta en nuestras ganaderías. Genética bovina colombiana.°en https://revistageneticabovina.com/biotecnologia/inseminacion-artificial/). Livestock farming, although it is considered a pillar for food, is still behind other sectors, so the application of intelligent techniques marks an important advance in its development (Bayona et al., 2024Bayona, J. S.; Serrano, M. K.; Navarro, A. Y.; Sarabia, J. J.; Ramírez, J. D.; y Galvis, J. J. (2024). IA aplicado en la ganadería. https://www.researchgate.net/profile/Margie-Serrano-Carrascal/publication/381227428_IA_APLICADO_EN_GANADERIA/links/666278ffb769e769191d65e2/IA-APLICADO-EN-GANADERIA.pdf).

2. Artificial Intelligence in Bovine Reproduction

The integration of Artificial Intelligence and bovine reproduction provides a new perspective in livestock farming. The computer systems associated with this discipline serve as support tools for the livestock sector specialist. Therefore, livestock reproduction has benefited from these tools in different processes, some of these are:

There are numerous applications in this field in bovine reproduction, some of these are:

Overall, these advances provide enormous benefits for both the entity and the animal. Among the benefits are:

Currently, Artificial Intelligence has a lot to contribute to livestock farming and bovine reproduction. It is a field that is still under development. Trends in this branch of computing are transforming bovine reproduction. These are aimed at real-time monitoring, accurate detection of heat, advanced genetic analysis, automation of processes, prediction of reproductive results and analysis of data for decision making (García et al., 2020García, R.; Aguilar, J.; Toro, M.; Pinto, A.; y Rodríguez, P. (2020). A systematic literature review on the use of machine learning in precision livestock farming. ScienceDirect, 179. https://doi.org/10.1016/j.compag.2020.105826 ; Fuentes et al., 2022Fuentes, S.; Gonzalez, C.; Tongson, E.; y Dunshea, F. R. (2022). The livestock farming digital transformation: implementation of new and emerging technologies using artificial intelligence. Animal Health Research Reviews, 23, 59-71. https://doi.org/10.1017/S1466252321000177; Moreira et al., 2023Moreira, A.; Santos, F. K., dos; Machado, P. B.; Berghahn, L. G.; Campos, G. P., de; Araújo, C. V., de; Araújo, S. I.; y Menezes, F. L. (2023). Uso de Inteligência Artificial na Pecuária: Revisão de literatura. Reseaarch, Society and Development, 12 (4). https://doi.org/10.33448/rsd-v12i4.40777).

3. Artificial Intelligence Techniques used in Bovine Reproduction

To decide whether a technique is appropriate or not for a given objective, three fundamental aspects must be taken into account: the characteristics of the organization in which the technique is going to be applied, the proposed objective and the particularities of the data set. For example, if the data set is limited, simple techniques such as Support Vector Machines or Decision Trees should be used which, unlike other techniques such as Artificial Neural Networks, Machine Learning and Deep Learning, do not require large volumes of data to your training. Depending on the objective to be achieved, Artificial Intelligence techniques may vary.

For example, if the purpose of the research is to genetically improve a certain species, techniques such as Deep Learning, Machine Learning and Artificial Neural Networks can be used, because they can perform complex analyzes and provide accurate results. The same occurs for reproductive health monitoring, artificial insemination and reproductive data analysis. In the case of heat detection, the most suitable technique is Machine Learning due to its ability to identify complex patterns and improve accuracy. Other techniques that can be used in livestock reproduction are Support Vector Machines and Decision Trees that, although not the most appropriate, can be applied to achieve the proposed objective since they are simple techniques that can be used in simple analyzes (Berryhill et al., 2020Berryhill, J.; Heang, K. K.; Clogher, R.; y McBride, K. (2020). Hola, mundo: La Inteligencia Artificia y su uso en el sector público. Asociación Mexicana de Internet. https://doi.org/10.1787/726fd39d-en).

Deep Learning is based on the use of Artificial Neural Networks. These networks are inspired by the functioning of the human brain and are composed of layers of artificial neurons connected to each other with multiple layers. The complexity of this structure allows the learning of complex patterns from unstructured data. Deep Learning is mainly used for recognition and prediction tasks, such as image classification, object detection or machine translation. Despite their success, the learning process of these models remains complex and not very transparent (Padial, 2019Padial, J. J. (2019). Técnicas de programación «Deep Learning»: ¿Simulacro o realización artificial de la inteligencia? Naturaleza y Libertad, 12. https://revistas.uma.es/index.php/naturaleza-y-libertad/article/download/6274/5798/20938. ISSN: 2254-9668.).

Machine Learning is characterized by its ability to learn from data without the need for explicit programming. Machine Learning algorithms are based on pattern recognition and decision making from large data sets, allowing them to improve their performance over time. Unlike human learning, which requires the capacity for reflection and self-analysis, this technique does not require this faculty and its models are capable of improving their performance over time as they are exposed to new data (Padial, 2019Padial, J. J. (2019). Técnicas de programación «Deep Learning»: ¿Simulacro o realización artificial de la inteligencia? Naturaleza y Libertad, 12. https://revistas.uma.es/index.php/naturaleza-y-libertad/article/download/6274/5798/20938. ISSN: 2254-9668.).

On the other hand, Artificial Neural Networks need to be trained since they learn from large data sets, without the need for explicit programming. Furthermore, they are made up of artificial neurons that process information and generate outputs from inputs and can learn complex patterns from unstructured data. This technique can adapt to new data, learn patterns, and make accurate predictions in unknown scenarios (Basogain, 1998Basogain, X. (1998). Redes Neuronales Artificiales y sus aplicaciones. https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del-curso.pdf).

However, Support Vector Machines are used as a tool for data classification in a wide range of applications. Their ability to find nonlinear hyperplanes, their robustness to overfitting, and their computational efficiency make them an attractive option for many machine learning problems. Support Vector Machines are widely used to classify images into different categories, such as faces, objects or landscapes. They can also be used to recognize patterns in voice signals and distinguish between different speakers or words, to classify texts into different categories, such as sentimental or news documents, and to analyze medical data, as well as predict the risk of diseases or response to treatments (Lee, 2010Lee, Y. (2010). Support vector machines for classification: a statistical portrait Methods Mol Biol. https://doi.org/10.1007/978-1-60761-580-4_11).

Decision Trees, for their part, are made up of nodes and branches, each node represents a question or a test about a characteristic of the data, and the branches that leave a node represent the possible values ​​or answers to the question. Decision Trees are used to classify data into different categories, they have flexibility and robustness against outliers and missing data. The hierarchical structure allows you to clearly visualize classification rules and relationships between data characteristics, making them a powerful tool for data classification and analysis. Generally, this technique provides a quick response, is precise and does not require many resources to execute (Menes et al., 2015Menes, I.; Arcos, G.; Moreno, P.; y Gallegos, K. (2015). Desempeño de algoritmos de minería en indicadores académicos: Árbol de Decisión y Regresión Logística. Revista Cubana de Ciencias Informáticas, 9 (4), 104-117. ISSN: 2227-1899.; Song and Ying, 2015Song, Y. Y.; y Ying, L. (2015). Decision tree methods: applications for classification and prediction. Shanghai Archives of Psychiatry, 27 (2). https://doi.org/10.11919/j.issn.1002-0829.215044).

Therefore, the correct selection of the technique depends on the domain of the scenario where you want to work. From the point of view of livestock reproduction, Artificial Neural Networks, and their branches, play a leading role since they can be applied to most of the activities carried out in the area. Currently, many people or researchers are integrating some techniques with others to complement each other or improve existing algorithms in order to increase their efficiency and precision.

4. Impact of the application of Artificial Intelligence associated with decision making in Bovine Reproduction

The techniques and tools proposed have influence on the decisions made in each of the livestock processes. Consequently, it can be said that Artificial Intelligence is positively transforming decision-making in the different areas of bovine reproduction. The application of computer techniques in this branch of livestock farming allows the analysis of large volumes of data with greater precision and speed than traditional methods, which guarantees livestock farmers making informed decisions about artificial insemination, genetic selection and early detection of reproductive problems (Kerton, 2012Kerton, L. (2012). Sistema para el análisis y toma de decisiones sobre datos parametrizados. [Tesis de Grado, Universidad de Ciencias Informáticas]. La Habana, Cuba. https://repositorio.uci.cu/jspui/bitstream/ident/TD_05601_12/2/TD_05601_12.pdf). It can also adapt reproductive strategies to the individual characteristics of each animal, which favors the improvement of the reproductive efficiency of the individual and the reduction of costs associated with bovine reproduction, such as the costs of failed artificial insemination and treatment of reproductive problems. and, therefore, the increase in the profitability of livestock operations. In addition, it provides facilities to help select animals with desirable characteristics for reproduction, such as greater fertility or resistance to diseases (Garro and Tallarico, 2022Garro, R.; y Tallarico, G. (2022). Ganadería de precisión: innovaciones tecnológicas que agregan valor a la ganadería. IDIA21, 2 (1), 21-27. https://repositorio.inta.gob.ar/xmlui/bitstream/handle/20.500.12123/12167/pubidia22_ano2_n1mayo_v4_p.21-27.pdf?sequence=1&isAllowed=y).

By integrating large volumes of data and advanced algorithms, Artificial Intelligence facilitates informed decision-making and the optimization of information management, which in turn contributes to increasing the profitability and reducing the environmental impact of livestock production. In general, this discipline has the potential to transform cattle farming, making it more efficient, sustainable and profitable. The application of smart techniques in the sector is a significant step towards a sustainable future for food security.

Conclusions

Five Artificial Intelligence techniques were analyzed, of which the most used for decision making in the different areas of bovine reproduction are: Artificial Neural Networks, Machine Learning and Deep Learning. With the support of these technologies, results have been achieved in less time and with greater precision.