Om nutriëntenverspilling tegen te gaan is het essentieel om de nutriënteninname te verminderen zonder de dierprestaties te belemmeren. Om dit te bereiken kan men via de principes van precisievoeding dagelijkse de nutriëntenbehoeften voor elk individu berekenen en de voedersamenstelling aanpassen aan deze behoeften. Hoewel precisievoeding een aanzienlijk potentieel toont om nutriëntenverliezen te verminderen, voorzien we toch dat de impact in de praktijk zal worden belemmerd door het beperkte vermogen om de berekeningen flexibel aan te passen aan de grote variatie in commerciële omstandigheden. Veel van de input- en modelparameters (bijv. maximale eiwitaanzetcapaciteit, verteerbaarheidscoëfficiënten) zijn constanten die de individuele en tijdsafhankelijke variabiliteit in dierresponsen niet vertegenwoordigen. Ten tweede is precisievoeding afhankelijk van voortdurende updates vanuit onderzoek om bij te blijven met de snel evoluerende productieomstandigheden, waarbij het onmogelijk is om alle scenario's die de nutriëntenefficiëntie beïnvloeden te recreëren. 

Dit project zal daarom een machine learning framework ontwikkelen dat sensordata en metadata verwerkt tot een robuuste schatting van de input -en modelparameters die de precisievoedingsberekeningen bij varkens aandrijven. Wanneer er nieuwe bedrijfsdata beschikbaar is zal het framework opnieuw getraind worden om zo van eigen fouten te leren, dit door de voorspelde dierprestaties te vergelijken met de gemeten prestaties. Door meerdere gegevensstromen (klimaatdata, veedichtheid, voedermatrix, etc.) en alternatieve voorstellingen van de data (tijds- en frequentiedomein) te gebruiken, vergroten we het vermogen om de complexiteit van productieomstandigheden te capteren. Dit maakt mogelijk om algoritmes op maat van elk bedrijf te trainen, evenals het identificeren van bedrijfsspecifieke parameters die beter beheerd moeten worden. Zo effenen we de weg voor voortdurende verbeteringen in nutriëntenefficiëntie bij varkens.