DeepLoop csapata · 2026-09-14

A tojó-görbe: A csúcs nem az a szám, ami fizet

Szinte minden tojóállomány közel ugyanarra a csúcsra kúszik - a Lohmann az LSL-Lite-ot 95-97%-ra, a Brown-Classicot 94-96%-ra teszi, mindkettő 140-145 napra éri el az 50%-os tojást. A csúcs a könnyű rész. Ami két állományt elválaszt, az minden, ami utána történik.

A tojó-görbe: A csúcs nem az a szám, ami fizet

A perzisztencia az a szám, ami fizet

A csúcs után a görbe csak egy irányba mehet - lefelé. A perzisztencia az, hogy milyen lassan. Olvassa le egyenesen a Lohmann 18. táblázatából: egy LSL-Lite 38 hétig tart 90%+ napi tojást; egy Brown-Classic 29 hétig. Ugyanaz a csúcs, kilenc plusz hét közel-csúcs termelés - a görbe azon szakaszában, amelyet senki sem célként tűz ki. Nem a csúcs lábjegyzete; ez az a szám, amely eldönti, hogy az állomány fizet-e.

Több tojás nem azonos több tojástömeggel

Egy 95. hétig tartó ciklus alatt az LSL 445 tojást tojik a Brown 430-ával szemben - mégis a Brown tojásai nehezebbek (átlag 65,2 g vs 61,9 g), így a Brown él egy kicsit a teljes tojástömegben, 28,02 kg vs 27,57 kg befogadott tyúkonként. Ahogy a tojástermelés csökken, a tojássúly tovább nő. A kettő ellentétes irányba mozog, így a tojástömeg ott is tartja magát, ahol a tojásszám már csökken - és a termelési százalékból önmagában nem lehet leolvasni az állományt.

Felkapaszkodás a csúcsra és perzisztencia fajtánként - LSL-Lite vs Brown-Classic napi tojás 90% felett tartva, a Lohmann alapján újrarajzolva.

Felkapaszkodás a csúcsra és perzisztencia fajtánként - LSL-Lite vs Brown-Classic napi tojás 90% felett tartva, a Lohmann alapján újrarajzolva.

A csökkenés, amit lát, már napos

Egy ausztrál csapat komolyan vette a görbét olyasmiként, amit előre lehet jelezni: négy kereskedelmi szabad tartású gazdaság, 106 állomány, 35 346 állomány-nap, előrejelzés a Lohmann Brown cél-görbéje ellenében. Egy olyan Random Forest, amelyet egy gazdaság történelmére tanítottak, 0,86-os medián AUC-vel és 2,8-as RMSE-el jelezte előre a tojástermelést - és egy olyan modell, amelyet csak három másik gazdaságra tanítottak, majdnem ugyanolyan jól jelezte előre a célgazdaságot (AUC 0,89). A görbe elég szabályos ahhoz, hogy gazdaságok között átvihető legyen. De minden összevonása nem következetesen segített: a kombinált modell adta a legjobb regressziós hibát (RMSE 2,55) és a leggyengébb csökkenés-érzékelést (AUC 0,82). Több adat nem automatikusan több tudás.

Az előrejelzési tanulmányból - a termelési görbe elég szabályos ahhoz, hogy gazdaságok között átvihető legyen, de egy csökkenés csak a napok átlagában mutatkozik meg utána.

Az előrejelzési tanulmányból - a termelési görbe elég szabályos ahhoz, hogy gazdaságok között átvihető legyen, de egy csökkenés csak a napok átlagában mutatkozik meg utána.

Melyik madarak vannak még a szalagon

Minden szám itt egy állomány-átlag, amelyet naponta egyszer olvasnak le. Az átlag eltakarja azt a kérdést, amely a perzisztenciát eldönti: nem azt, mit csinál az állomány, hanem azt, hogy egyes madarak még tojnak-e, és amelyek csendben kiestek. Egy olyan görbe, amely enyhe hanyatlásnak tűnik, lehet egyre kevesebb, jól tojó tyúk - és az átlag nem mondja meg, melyik.

Merre tart ez

A DeepLoop a görbe azon rétegén dolgozik, amit senki sem rajzol - nem az állomány-átlagot naponta egyszer, hanem hogy mely madarak vannak még a szalagon. A perzisztencia madáronkénti történet, és a korai leolvasás jelenti a különbséget a hanyatlás kezelése és a meglepetés között.