“Ho tanti dati in allevamento: come li trasformo in decisioni utili? Come faccio a sfruttare meglio i dati che raccolgo in stalla tutti i giorni? “
Su questo tema si è concentrato il webinar "Il potere dei dati e dell'intelligenza artificiale nell'allevamento del bovino da latte", organizzato da Edagricole in collaborazione con Dairy Data Warehouse (DDW), azienda olandese specializzata nell'integrazione e armonizzazione dei dati negli allevamenti bovini da latte. L'incontro — svoltosi il 6 maggio 2026 e moderato dalla veterinaria Sara Nicolini — ha messo a confronto quattro relatori su dati, precisione zootecnica, gemelli digitali e intelligenza artificiale applicata alla gestione della mandria.
Rivedi il webinar
Il dato non è ancora informazione
Ad aprire il webinar è stato il dottor Andrea Galli, direttore scientifico dell'Istituto Spallanzani di Rivolta d'Adda e consulente tecnico dell'Associazione Italiana Allevatori.
Il punto di partenza è una distinzione operativa spesso trascurata: il dato, in quanto tale, non consente di prendere decisioni. «Il dato è una rappresentazione di fatti senza un significato univoco: costa e, da solo, non serve a niente», ha spiegato Galli. L'informazione è invece il risultato di un'elaborazione che trasforma il dato in qualcosa di azionabile. Buoni dati producono buone informazioni e, di conseguenza, decisioni corrette. L'inverso è altrettanto vero, e nessun algoritmo — per sofisticato che sia — può recuperare un dataset mal costruito.
I principali responsabili della cattiva qualità del dato sono tre: i dati mancanti, quelli fuori range e quelli anomali per problemi di trasmissione. Il software gestionale è lo strumento che consente di intercettarli, ma ciò che conta davvero è garantire la correttezza all'origine.
Galli ha percorso l'architettura dei sistemi di gestione del dato: dai database relazionali — ancora colonna portante della gestione operativa quotidiana, grazie alla capacità di collegare tabelle diverse tramite chiavi comuni e al linguaggio SQL (Structured Query Language, il linguaggio standard di interrogazione e gestione dei database) — fino ai big data, strutture flessibili necessarie quando i volumi diventano enormi, i dati arrivano in tempo reale e la varietà include video, immagini e segnali acustici. I modelli statistici e l'intelligenza artificiale completano il quadro: l'IA, in particolare, trasforma l'allevatore da osservatore reattivo a gestore proattivo. Un calo del 15% della resa lattea rispetto alla media storica dei sette giorni precedenti, combinato con una riduzione del tempo di ingestione e un calo della ruminazione, può già essere sufficiente a innescare un alert di probabilità malattia entro 24 ore — un esempio concreto di come database e modelli di machine learning lavorino insieme.
Galli ha illustrato anche gli strumenti messi a disposizione dal Sistema Allevatori — Sialleva, LEO, il protocollo di asciutta selettiva, il progetto Resilient per la previsione produttiva quinquennale e il progetto Stalla 4.0 per la sostenibilità economica, etica e ambientale — come applicazioni reali di questa filosofia gestionale.
Scarica la presentazione di Andrea Galli
Misurare per conoscere: la PLF al lavoro
La dottoressa Daniela Lovarelli, ricercatrice presso il Dipartimento di Scienze e Politiche Ambientali dell'Università degli Studi di Milano, ha affrontato il tema della zootecnia di precisione partendo dalla sua definizione: l'applicazione di tecnologie digitali — sensori, IoT (Internet of Things, internet delle cose), intelligenza artificiale — per monitorare e gestire gli animali in modo automatico, continuo e individuale, 24 ore su 24, sette giorni su sette. Nell'allevamento bovino ciò significa raccogliere dati in continuo su comportamento, produzione, salute e parametri ambientali.
«Misurare vuol dire conoscere, e conoscere ci permette di agire tempestivamente per il singolo contesto produttivo», ha sottolineato Lovarelli. Il punto centrale non è la raccolta dei dati in sé — ogni strumento ha il suo software — ma la capacità di leggerli, interpretarli e tradurli in decisioni.
A illustrare questo principio ha contribuito uno studio quinquennale condotto su una mandria di 1.600 bovini dotati di collare e robot di mungitura: un dataset che ha permesso di analizzare comportamento e produzione in funzione del Temperature-Humidity Index (THI, indice temperatura-umidità). I risultati mostrano che l'attivazione del sistema di ventilazione a THI superiore a 72 produce un'immediata risposta dell'animale, con calo dell'attività e recupero del tempo di riposo. Più rilevante ancora, il calo del tempo di riposo risulta apprezzabile già nelle classi di THI attorno a 60-63 — ben al di sotto delle soglie tradizionalmente considerate critiche. Le pluripare mostrano una sofferenza allo stress da caldo più marcata rispetto alle primipare, con una riduzione del riposo più drastica nelle fasi centrali della lattazione. Dai medesimi dati emerge anche un effetto della temperatura fredda sulla curva produttiva: la resa lattea ottimale si colloca in condizioni di THI neutro, né troppo basso né troppo elevato.
Un secondo studio ha confrontato due modalità di alimentazione dei vitelli fino allo svezzamento in due aziende di dimensioni e performance produttive simili: una dotata di braccio robotizzato, che consente una maggiore frequenza di somministrazione e un controllo più preciso sulla quantità e qualità del latte erogato al singolo vitello, e una con distribuzione tradizionale al secchio, eseguita due volte al giorno dall'operatore. Lo studio ha evidenziato un incremento ponderale giornaliero significativamente superiore nell'azienda con il braccio robotizzato (0,84 ± 0,09 kg/giorno contro 0,70 ± 0,19 kg/giorno), con un peso allo svezzamento di 120,7 kg rispetto a 100,5 kg. La maggiore frequenza di distribuzione e il controllo sulla qualità dell'alimento somministrato sembrano essere i fattori determinanti.
Lovarelli ha mostrato come la raccolta continua di dati permetta anche di calcolare l'impronta carbonica dell'allevamento su base giornaliera — un approccio sperimentato in un'azienda ad alto livello di automazione, in cui allevatore e consulente hanno imparato nel tempo a riconoscere quali azioni influenzano maggiormente la propria sostenibilità ambientale. In pianura padana, le aziende da latte intensive registrano valori medi compresi tra 0,3 e 1,5 kg di CO₂ equivalente per kg di latte corretto per il grasso e le proteine.
Scarica la presentazione di Daniela Lovarelli
Il gemello digitale della stalla
Il contributo del professor Francesco Maria Tangorra, dell'Università degli Studi di Milano, ha spostato la prospettiva verso il futuro prossimo: i gemelli digitali (in inglese digital twin, DT), applicati alla zootecnia.
L'idea è costruire un corrispettivo virtuale di ogni processo fisico — un concetto già applicato dalla NASA dagli anni Sessanta e reso celebre dalla missione Apollo 13 — oggi diffuso nel settore manifatturiero, dove Boeing, Airbus, Tesla e Caterpillar li utilizzano per prevedere guasti, ottimizzare la manutenzione e ridurre i costi. Tangorra ha tenuto a precisare una distinzione tecnica rilevante tra tre livelli di rappresentazione digitale: il modello digitale, in cui non c'è scambio automatico di dati tra mondo fisico e virtuale; l'ombra digitale (digital shadow), in cui il flusso è automatico ma unidirezionale; e il vero gemello digitale (DT), caratterizzato da un flusso bidirezionale e automatizzato che permette al mondo virtuale di retroagire su quello fisico.
In zootecnia, l'oggetto fisico non è il solo animale ma l'intera struttura: stalla, animali, macchinari, attrezzature. I sensori raccolgono i dati e li trasmettono alla controparte virtuale, dove algoritmi di machine learning e intelligenza artificiale elaborano previsioni e generano suggerimenti che ritornano all'allevamento sotto forma di alert, aggiustamenti della razione o priorità di intervento. L'architettura si articola in tre livelli — percezione (sensori), rete (trasmissione e archiviazione in cloud) e applicativo (simulazione, analisi, supporto alle decisioni) — con i compiti di preelaborazione delegati a microcontrollori locali e le simulazioni più complesse affidate al cloud.
Tangorra ha presentato tre esempi dal proprio gruppo di ricerca: un DT a quattro livelli operativi per la nutrizione di precisione delle bovine da latte; MungiLUX, un gemello digitale per ottimizzare l'illuminazione in sala di mungitura, sviluppato nell'ambito di un progetto finanziato da Regione Lombardia; e un DT per il monitoraggio integrato di stato sanitario e produzione della bovina da latte, che integra dati di identificazione, lattazione, qualità del latte, comportamento alimentare e stato del quarto mammario per generare output sanitari, predittivi e operativi in tempo reale.
Le sfide da superare restano significative: complessità di implementazione, connettività limitata nelle aree rurali, integrazione con sistemi preesistenti, carenza di competenze analitiche, sicurezza e privacy del dato. Le potenzialità, però, sono concrete: monitoraggio in tempo reale, decisioni più tempestive, miglioramento del benessere animale e della sostenibilità ambientale.
Scarica la presentazione di Francesco Maria Tangorra
Dati affidabili lungo la filiera
A chiudere il webinar è stato Fernando Mazeris, managing director di Dairy Data Warehouse, con un intervento centrato sull'esperienza operativa dell'azienda su scala globale.
DDW nasce con un obiettivo preciso: accelerare la trasformazione digitale della filiera lattiero-casearia garantendo dati affidabili, armonizzati e comparabili. In tredici anni di attività, la piattaforma ha esteso la propria presenza a 53 paesi e processa ogni settimana oltre 35 milioni dati relativi a capi bovini. La sfida alla base è quella di superare la frammentazione: gli allevatori utilizzano software di gestione diversi, ciascuno con proprie logiche di calcolo e criteri di inclusione ed esclusione. Anche un indicatore apparentemente semplice — come un tasso di concepimento — può essere calcolato in modo significativamente diverso da un programma all'altro, rendendo di fatto impossibile il confronto tra aziende.
DDW risolve il problema attraverso un processo di trasformazione quotidiana che converte i dati di ciascun allevamento in un formato unico e uniforme, archiviato in un database centrale. Il consenso esplicito dell'allevatore regola chi può accedere a quale informazione, nel pieno rispetto del GDPR. Su questa base si costruisce la soluzione OptiHerd, che include una libreria di 125 indicatori di performance (KPI, Key Performance Indicators) calcolati in modo uniforme e pronti per essere utilizzati da consulenti, veterinari, nutrizionisti e fornitori di attrezzature.
L'altro pilastro è Predicta Guardian, il modello di intelligenza artificiale basato su apprendimento profondo (deep learning) dedicato alla gestione preventiva della salute. Il sistema elabora ogni tre ore dati provenienti dal robot di mungitura, dai sensori animali e dal software gestionale — circa 400 variabili di ingresso per capo — e genera una stima del rischio individuale di mastite, chetosi e altre patologie nelle successive 24-36 ore. Le notifiche raggiungono l'allevatore sullo smartphone o tramite il software della macchina di mungitura, e la soglia di sensibilità è configurabile in funzione della capacità di gestione dell'allevamento. Oggi il sistema supporta oltre 5.000 allevatori nel mondo. Mazeris ha ricordato anche l'impatto ambientale della patologia: rispetto a una bovina sana, un caso di chetosi subclinica aumenta le emissioni per unità di latte del 2,3%, un caso di mastite clinica del 6,2%, un caso di lesioni agli arti dell'1,5%.
Scarica la presentazione di Fernando Mazeris
Il dato come infrastruttura
Il filo conduttore del webinar è emerso con chiarezza: il problema non è mai la quantità di dati — gli allevamenti da latte ne producono già una quantità senza precedenti — ma la loro qualità, integrazione e interpretazione. La zootecnia di precisione fornisce il flusso, i database ne garantiscono la struttura, l'intelligenza artificiale ne estrae il valore predittivo, e i gemelli digitali promettono di chiudere il cerchio con un feedback continuo tra stalla reale e stalla virtuale. La sfida oggi è portare questi strumenti nelle mani di chi lavora ogni giorno con gli animali, costruendo le competenze necessarie per farne un uso realmente operativo.
Il tempo a disposizione non ha permesso di rispondere a tutte le domande del pubblico. Riportiamo di seguito le risposte dei relatori alle domande rimaste in sospeso.
Domanda per il dott. Galli
Può approfondire il funzionamento delle reti neurali e il ruolo dei big data nell'intelligenza artificiale?
Le reti neurali rappresentano il cuore della moderna intelligenza artificiale. Senza di esse, l'IA sarebbe confinata all'utilizzo di regole scritte dal programmatore — come accadeva con i cosiddetti Sistemi Esperti di decenni fa, basati su istruzioni del tipo "SE condizione ALLORA comando". Le reti neurali sono invece il motore che permette alle macchine di imparare dai dati, ed è su di esse che si fonda il machine learning e, in particolare, il deep learning.
Il principio di funzionamento si ispira al sistema nervoso biologico. Una rete neurale è composta da strati di "neuroni" artificiali, chiamati nodi, che elaborano le informazioni in modo gerarchico: uno strato di input riceve i dati grezzi, uno o più strati nascosti identificano pattern complessi, e uno strato di output fornisce il risultato finale. Più strati nascosti sono presenti, più la rete è "profonda" — da qui il termine deep learning. L'apprendimento avviene attraverso la regolazione dei pesi interni alla rete, grazie a un algoritmo chiamato backpropagation (retropropagazione dell'errore), che utilizza enormi quantità di esempi per affinare progressivamente le previsioni.
Le reti neurali esistono dagli anni Cinquanta, ma sono diventate determinanti solo ora, grazie alla disponibilità di grandi quantità di dati e all'aumento della potenza di calcolo. Oggi sono presenti in ogni ambito della nostra vita quotidiana: dalle ricerche su Google ai navigatori, dalla lettura automatica delle targhe autostradali ai modelli linguistici come ChatGPT. In zootecnia di precisione trovano applicazione, tra l'altro, nei sistemi di mungitura automatica, dove reti neurali convoluzionali — specializzate nell'elaborazione delle immagini — guidano il riconoscimento dei capezzoli tramite telecamere tridimensionali.
I big data sono strettamente legati alle reti neurali, perché queste ultime hanno bisogno di enormi quantità di esempi per essere addestrate in modo affidabile: più esempi vengono forniti nella fase di apprendimento, più la rete si dimostra precisa nell'utilizzo. I big data nascono dall'evoluzione dei database classici, nei quali i dati erano omogenei e strutturabili in tabelle gestite tramite SQL. Nella zootecnia di precisione si acquisiscono oggi dati eterogenei in tempo reale da ogni animale — file video, registrazioni acustiche, immagini, misure di vario tipo — che non possono essere contenuti in semplici tabelle relazionali. I big data richiedono architetture specifiche per la gestione di dati non strutturati, spesso basate su sistemi cloud che consentono condivisione e accesso tramite internet.
Domande per il dott. Mazeris
Come funziona l'accesso ai dati aziendali tramite il sistema HerdNet?
Per accedere ai dati di un allevamento, ogni cliente DDW deve disporre di un account sulla piattaforma DDW e registrare l'azienda sotto quel profilo. La registrazione avviene tramite un invito inviato dall'account DDW al produttore. L'allevatore deve approvare i termini di condivisione dei dati con DDW e fornire un consenso esplicito alla condivisione con lo specifico account che ha generato l'invito.
Quale ruolo ha il consenso dell'allevatore?
Il consenso dell'allevatore è imprescindibile: nessuna azienda può essere connessa al sistema senza di esso. Nel caso in cui l'azienda sia già collegata tramite un altro cliente DDW, l'allevatore deve fornire nuovamente il proprio consenso se un soggetto giuridico diverso richiede l'accesso ai medesimi dati.
DDW vende i propri servizi direttamente agli allevatori?
No. Le soluzioni DDW sono destinate principalmente a consulenti del settore lattiero-caseario oppure vengono proposte agli allevatori attraverso la rete di distributori DDW.
DDW offre supporto post-vendita in italiano?
Sì, il supporto è disponibile in italiano, oltre che in inglese, olandese, spagnolo e portoghese.
I settori con cui collaborate come utilizzano i dati?
Le aziende dei diversi settori utilizzano i dati in modi differenti. Le aziende di genetica li impiegano per le soluzioni di accoppiamento e genomica. Le aziende di nutrizione li usano per il software di bilanciamento delle razioni o per correlare i dati di mungitura con l'alimentazione per gruppo. Le aziende di monitoraggio degli animali, le attrezzature per la mungitura e le organizzazioni di servizio li integrano nelle proprie applicazioni in relazione ai dati specifici che già raccolgono. La KPI Library viene invece utilizzata trasversalmente da tutti questi settori per alimentare report destinati agli allevatori e ai loro consulenti.
