Aktualności

Jak sztuczna inteligencja może zmienić branżę owoców morza

Jak sztuczna inteligencja może zmienić branżę owoców morza

Spis treści.

Branża owoców morza jest niezwykle nieprzewidywalna. Pogoda, temperatura morza, poziom zasobów rybnych, wzorce migracji, zmiany klimatyczne - wszystkie te czynniki wpływają na operacje połowowe, powodując nadwyżki i niedobory dostaw. Jakość jest również nieprzewidywalna, często zależna od czynników środowiskowych, metod połowu, sezonowości, obsługi na morzu, łańcucha chłodniczego i innych. Akwakultura również doświadcza naturalnej zmienności. Niekontrolowane warunki środowiskowe - takie jak kwestie jakości wody spowodowane pogodą lub zanieczyszczeniem oraz epidemie chorób - wpływają na produkcję i jakość w gospodarstwach rybnych i krewetkowych. Krótko mówiąc, jest to ryzykowny biznes.

Z tych powodów sztuczna inteligencja (AI) - określana mianem "maszyn prognostycznych" - może sprawić, że branża owoców morza stanie się bardziej przewidywalna, a tym samym bardziej dochodowa.

"Przewidywanie to proces uzupełniania brakujących informacji" - piszą autorzy książki Prediction Machines: The Simple Economics of Artificial Intelligence". "Predykcja bierze informacje, które posiadasz, często nazywane 'danymi', i wykorzystuje je do generowania informacji, których nie posiadasz. Oprócz generowania informacji o przyszłości, predykcja może generować informacje o teraźniejszości i przeszłości. Dzieje się tak, gdy predykcja klasyfikuje transakcje kartą kredytową jako nieuczciwe, guz na obrazie jako złośliwy lub czy osoba trzymająca iPhone'a jest jego właścicielem".1

Autorzy - wszyscy profesorowie biznesu na Uniwersytecie w Toronto - twierdzą, że sztuczna inteligencja pozwala nam szybciej i taniej dokonywać lepszych prognoz. Krótko mówiąc, napędza to zyski i przyjęcie sztucznej inteligencji w różnych branżach: w tym w branży owoców morza.

W tym artykule przedstawiam czytelnikom przegląd różnych rodzajów sztucznej inteligencji, sposób ich działania i zastosowania. Po drugie, analizuję, w jaki sposób sztuczna inteligencja jest obecnie wykorzystywana w łańcuchach dostaw owoców morza, w oparciu o badanie około 365 aplikacji. Po trzecie, zbadam, w jaki sposób sztuczna inteligencja może być wykorzystywana w przetwórstwie owoców morza, sektorze, który jest obecnie niedostatecznie obsługiwany przez sztuczną inteligencję. Podzielę się również najnowocześniejszymi badaniami, które my (ThisFish Inc.) obecnie prowadzimy, aby wprowadzić sztuczną inteligencję do sektora przetwórstwa. Na koniec przedstawię kilka przemyśleń na temat tego, w jaki sposób firmy z branży owoców morza mogą zacząć przygotowywać się na rewolucję AI, aby nie pozostać w tyle.

Czym jest sztuczna inteligencja i jak działa

Sztuczna inteligencja jest często określana mianem czwartej rewolucji przemysłowej. Pierwotna rewolucja była napędzana energią parową i mechanizacją w latach osiemdziesiątych XIX wieku; druga koncentrowała się na elektryfikacji i masowej produkcji w latach siedemdziesiątych XIX wieku; a trzecia rozpoczęła się w 1969 roku od elektroniki komputerowej. Sztuczna inteligencja jest obecnie sercem czwartej rewolucji przemysłowej, często nazywanej Przemysłem 4.0. Wiele nowych technologii, takich jak przetwarzanie w chmurze, Internet rzeczy (IoT), inteligentne czujniki i chipy komputerowe, umożliwia sztuczną inteligencję dzięki postępom w gromadzeniu danych, przechowywaniu danych i mocy obliczeniowej. Sama sztuczna inteligencja umożliwia również rozwój wielu nowych technologii, takich jak autonomiczne roboty, samojezdne samochody, rzeczywistość rozszerzona i obliczenia kognitywne.

Czym dokładnie jest sztuczna inteligencja? Zasadniczo sztuczna inteligencja polega na symulowaniu ludzkiej inteligencji w maszynach i należy do ogólnej dziedziny nauki o danych. Uczenie maszynowe to podzbiór sztucznej inteligencji, w którym maszyny podejmują decyzje bez programowania. Zasadniczo szkolimy maszyny przy użyciu danych. Ogólnie rzecz biorąc, więcej i lepszej jakości danych sprawia, że sztuczna inteligencja jest mądrzejsza. Możesz "nadzorować" uczenie się sztucznej inteligencji poprzez etykietowanie danych, co oznacza, że dane wejściowe mają odpowiednią etykietę wyjściową. Na przykład, można oznaczyć obraz ryby (dane wejściowe) odpowiednim gatunkiem (dane wyjściowe). Uczenie bez nadzoru obejmuje algorytm, który próbuje odkryć ukryte wzorce w danych, takie jak wykrywanie anomalii lub błędów. Na przykład amerykańska Agencja Żywności i Leków (FDA) wykorzystuje sztuczną inteligencję do wykrywania wzorców w danych dotyczących importu owoców morza w celu zidentyfikowania możliwej nielegalności. Trzecim rodzajem uczenia się jest "wzmocnienie", które występuje, gdy sztuczna inteligencja wchodzi w interakcję ze swoim środowiskiem, otrzymując pozytywne lub negatywne informacje zwrotne. Chatboty do obsługi klienta, które proszą o ocenę odpowiedzi, są powszechnym przykładem wzmocnionego uczenia się.

Podzbiór uczenia maszynowego nazywany jest "głębokim uczeniem", które wykorzystuje sieci neuronowe inspirowane strukturą i funkcją ludzkiego mózgu. Technologia ta jest często wykorzystywana do odkrywania ukrytych wzorców w niezwykle dużych, złożonych lub wielowymiarowych zbiorach danych. Najpopularniejsze technologie obejmują wizję komputerową i przetwarzanie języka naturalnego.

Widzenie komputerowe to dziedzina sztucznej inteligencji, która umożliwia maszynom interpretowanie i podejmowanie decyzji na podstawie danych wizualnych ze świata. Każdy piksel na obrazie otrzymuje numer, a następnie algorytmy znajdują wzorce, które na przykład odróżniają tuńczyka żółtopłetwego od opastuna. Komputery mogą klasyfikować obraz, wykrywać obiekty, segmentować obraz na komponenty i rozpoznawać twarze. Technologie widzenia komputerowego wykorzystują rodzaj sieci neuronowej, aby osiągnąć wysoką dokładność.

Ostatnią technologią jest generatywna sztuczna inteligencja, taka jak niezwykle popularny ChatGPT lub DALL-E do generowania obrazów. Technologia ta wykorzystuje również sieci neuronowe do uczenia się wzorców z dużych zbiorów danych obrazów lub tekstów w celu generowania nowych treści. Duże modele językowe są szkolone na milionach stron tekstu, dzięki czemu brzmią jak ludzkie.

Jak można zastosować całą tę technologię AI w branży owoców morza? Jednym z pomocnych narzędzi jest P.A.C Framework, opracowane przez przedsiębiorcę i eksperta AI Roba Maya. P.A.C. to skrót od Predict, Automatic i Classify, które są podstawowymi funkcjami sztucznej inteligencji. May sugeruje utworzenie prostej tabeli, aby zobaczyć, w jaki sposób sztuczna inteligencja może mieć zastosowanie w Twojej firmie. "Aby utworzyć pierwszą siatkę, utwórz trzy kolumny, jedną dla przewidywania, jedną dla automatyzacji i jedną dla klasyfikacji. Następnie w wierszach wypisz kluczowe obszary swojej działalności. Na przykład możesz wymienić: Klienci, Produkt i Operacje. Następnie w każdym polu możesz dowiedzieć się, w jaki sposób to konkretne podejście sztucznej inteligencji może mieć zastosowanie do tego obszaru Twojej działalności" - pisze May.

Stworzyłem taką siatkę (Tabela 1), patrząc na różne sektory łańcucha wartości owoców morza, w tym rybołówstwo, hodowlę, planowanie, produkcję i kontrolę jakości. Chociaż nie jest to wyczerpująca lista, ma ona służyć jako burza mózgów na temat tego, w jaki sposób sztuczna inteligencja może mieć zastosowanie w Twojej firmie. Jak zobaczymy w następnej sekcji, sztuczna inteligencja jest obecnie szeroko stosowana w sektorze owoców morza.

Tabela 1: Ramy P.A.C. dostosowane do branży owoców morza

Gwałtowny rozwój sztucznej inteligencji w branży owoców morza

Sztuczna inteligencja jest teraz wszędzie w naszym codziennym życiu: w naszych smartfonach, wirtualnych asystentach, samochodach, rekomendacjach muzycznych, dostawach żywności, rozpoznawaniu twarzy i tak dalej. Wzrost ten jest napędzany przez trzy czynniki. Po pierwsze, ilość danych cyfrowych wzrosła w ciągu ostatnich 10 lat około 30-krotnie. Sztuczna inteligencja potrzebuje danych do uczenia się, a zatem rozwój technologii cyfrowych - zwłaszcza przetwarzania w chmurze i smartfonów - generuje dane do szkolenia sztucznej inteligencji. Po drugie, algorytmy sztucznej inteligencji stały się potężniejsze. Na przykład, ImageNet był dużym wyzwaniem w zakresie rozpoznawania wizualnego, które odbywało się raz w roku przez ostatnią dekadę. W 2015 roku najlepszy system sztucznej inteligencji po raz pierwszy pobił ludzkie wyniki. Sztuczna inteligencja może teraz rozpoznawać zdjęcia z większą dokładnością niż ludzie. Po trzecie, chipy komputerowe stają się coraz bardziej wydajne i tańsze. Mają one kluczowe znaczenie dla przetwarzania większych ilości danych za pomocą bardziej złożonych algorytmów.

Jeśli chodzi o owoce morza, zidentyfikowałem "meta-trend", który pomaga wyjaśnić, dlaczego sztuczna inteligencja jest szeroko stosowana w branży. Nazywam to indeksem ryb i chipsów. Od 1990 r. indeks cen ryb FAO wzrósł o 60%, podczas gdy cena półprzewodników lub chipów komputerowych spadła o ponad 50%. Obecnie około jedna trzecia oprogramowania - ponad 120 aplikacji - używanego w branży owoców morza wykorzystuje sztuczną inteligencję.

W rzeczywistości przeanalizowałem ponad 365 aplikacji wykorzystywanych w branży owoców morza i opublikowałem je w katalogu online na stronie internetowej ThisFish2. Nastąpiła eksplozja nowych startupów technologicznych obsługujących sektor owoców morza, która osiągnęła szczyt w latach 2018-2019. Sztuczna inteligencja jest jednak stosowana nierównomiernie w branży owoców morza.

Istnieje około 100 aplikacji wykorzystywanych w rybołówstwie i dodatkowe 100 w akwakulturze. Prawie 70 procent technologii akwakultury wykorzystuje sztuczną inteligencję w porównaniu do zaledwie 20 procent w rybołówstwie. Powód rozbieżności jest dwojaki: zachęty i regulacje. W akwakulturze sztuczna inteligencja obniża dwa z największych kosztów w branży: optymalizację żywienia i zmniejszenie śmiertelności. Rolnicy są zmotywowani do przyjęcia sztucznej inteligencji, ponieważ ma to sens biznesowy. W rybołówstwie większość technologii nie jest napędzana dynamiką rynku, ale zgodnością z przepisami w celu lepszego monitorowania połowów. Rybacy niechętnie przyjmują technologie, które zwiększają nadzór, być może z wyjątkiem poprawy bezpieczeństwa na morzu. Znaczna część sztucznej inteligencji w rybołówstwie koncentruje się na wykorzystaniu wizji komputerowej do automatyzacji przeglądania wideo z elektronicznych systemów monitorowania na pokładzie statków rybackich.

Prawdopodobnie będziemy świadkami pogłębiania się tej luki we wdrażaniu sztucznej inteligencji. Według Crunchbase, firmy zajmujące się technologiami akwakultury zebrały około 632 mln USD inwestycji, w porównaniu do zaledwie 19 mln USD przez firmy zajmujące się technologiami rybołówstwa. W rzeczywistości Crunchbase podał, że tylko w 2022 r. 45 startupów z branży akwakultury zebrało 292 mln USD.

Przypadki użycia sztucznej inteligencji w przetwórstwie owoców morza

Sektor przetwórstwa owoców morza pozostaje w tyle zarówno pod względem transformacji cyfrowej, jak i wdrażania sztucznej inteligencji. Prowadzenie dokumentacji papierowej jest dominującą metodą gromadzenia danych, powodującą liczne problemy, takie jak błędy ludzkie, brak analizy w czasie rzeczywistym, powolne raportowanie i słaba identyfikowalność. Istnieje 29 produktów oprogramowania skierowanych do tego sektora, ale tylko cztery z nich posiadają funkcje sztucznej inteligencji. Jeśli chodzi o testowanie i weryfikację jakości, istnieje 13 produktów oprogramowania dla owoców morza. Ponad 50 procent z nich wykorzystuje sztuczną inteligencję, w tym wizję komputerową, testy DNA i chemometrię.

Pomimo niskiego poziomu cyfryzacji i wdrożenia sztucznej inteligencji, przetwórcy owoców morza są kluczowymi węzłami w łańcuchach dostaw, agregując dostawy, utrzymując bezpieczeństwo żywności i umożliwiając globalny handel. Szacuje się, że około 23 000 firm jest zaangażowanych w przetwórstwo owoców morza na całym świecie. Stanowią one wąskie gardło między milionami producentów surowców a miliardami konsumentów.

Pomimo swojego kluczowego znaczenia handlowego, sektor przetwórstwa cierpi z powodu niskiej rentowności. Planet Tracker przeanalizował 89 notowanych na giełdzie spółek zajmujących się przetwórstwem owoców morza, aby ustalić, że ich marża zysku przed odsetkami i opodatkowaniem (EBIT) wynosiła średnio tylko 3,4%.3 Sztuczna inteligencja może potencjalnie poprawić te marże poprzez automatyzację i optymalizację, jednocześnie spełniając cele zrównoważonego rozwoju.

W oparciu o naszą pracę nad cyfryzacją zakładów przetwórstwa owoców morza, ThisFish Inc. szacuje, że przeciętna przetwórnia tuńczyka, przetwarzająca 100 ton metrycznych surowca dziennie, generuje ponad cztery gigabajty danych cyfrowych rocznie, co odpowiada około 2,7 miliona stron tekstu. Przetwórcy świeżo mrożonego tuńczyka i łososia generują około jednego gigabajta danych lub 680 000 stron. Ta ogromna ilość danych może okazać się cenna dla sektora przetwórstwa owoców morza. Dane historyczne można wykorzystać do szkolenia algorytmów uczenia maszynowego w celu przewidywania jakości i wyników produkcji. W następnej sekcji podzielę się niektórymi z innowacyjnych badań nad sztuczną inteligencją, które przeprowadziliśmy na przestrzeni lat.

Uczenie maszynowe

W 2021 r. naukowcy zajmujący się danymi w ThisFish Inc. opracowali dowód słuszności koncepcji przewidywania wydajności w fabryce tuńczyka w Tajlandii. Dane wykorzystane do analizy pochodziły z około 22 miesięcy produkcji tuńczyka bonito, tuńczyka białego i tuńczyka żółtopłetwego. Dane składały się z 8 818 unikalnych punktów danych, dla których obliczono wydajność. Pojedynczą jednostką surowca, dla której obliczono wydajność, była partia produkcyjna. Wydajność obliczono w następujący sposób:

Zmienne dzielimy na dwie kategorie: zmienne surowcowe i zmienne procesowe. Zmienne surowcowe to te, które są nieodłącznymi właściwościami, takimi jak gatunek ryby, rozmiar ryby, metoda odłowu itp. Zmienne procesowe to te, które są gromadzone w ramach procesu puszkowania, takie jak czas przechowywania w chłodni, czas rozmrażania, temperatury rozmrażania, czas gotowania, temperatury gotowania itp. Zbadaliśmy wpływ tych zmiennych i próbowaliśmy określić, w jaki sposób można je dostosować, aby potencjalnie zwiększyć wydajność.

Podsumowując, głównymi zmiennymi, które miały wpływ na wydajność, były rozmiar ryb, gatunek ryb, czas przechowywania w chłodni, temperatura gotowania i czas gotowania. Jednak bardziej interesującym odkryciem był wpływ czasu przechowywania w chłodni na wydajność, który wpływał na odzysk nawet o trzy procent. Około 85% zmienności wydajności zostało wyjaśnione przez zmienne w modelu, a poziom ufności AI wynosił 95%. Ponieważ surowiec jest największym kosztem w produkcji, model przewidywania wydajności może pomóc przetwórni w przewidywaniu marży brutto w produkcji.

Inny projekt uczenia maszynowego skupiał się na wadze odsączonej w puszkach z tuńczykiem. Waga po odsączeniu jest deklarowana na puszkach i reprezentuje minimalną ilość mięsa, która pozostaje w puszce po odsączeniu płynnego medium - zazwyczaj oleju, solanki lub wody źródlanej. Trudno jest przewidzieć wagę po odsączeniu, ponieważ tuńczyk w puszce pochłania część płynu, znanego jako "pick-up". Wiele zmiennych może wpływać na ilość "pick-up", w tym gatunek, rodzaj płynu, jakość mięsa, gęstość pakowania, rozmiar puszki, stosunek płatków do kawałków i inne. Większość wytwórni konserw opracowała tabele wagi po odsączeniu, które pomagają kierownikom produkcji określić wagę napełnienia puszek. Tabele te są jednak uproszczone i zawierają tylko kilka zmiennych. Nie uwzględniają one wszystkich istotnych zmiennych i ich wzajemnych interakcji. W rezultacie, producenci puszek są często zaskoczeni wynikami uzyskanymi w laboratorium.

Co więcej, istnieją limity regulacyjne dotyczące tego, ile puszek może być niedopełnionych, co nazywane jest dopuszczalnym błędem ujemnym. Na przykład, próg 102-gramowej wagi po odsączeniu oznacza, że nie można mieć więcej niż 2,5% puszek niedopełnionych o 4,5 grama i nie ma tolerancji dla skrajnego niedopełnienia o więcej niż 9 gramów. Ponieważ proces jest nieprzewidywalny, fabryki konserw celowo przepełniają puszki średnio o 3-6 gramów, aby upewnić się, że nie łamią zasad niedopełniania.

W latach 2023 i 2024 firma ThisFish Inc. współpracowała z dwiema przetwórniami tuńczyka w Manta w Ekwadorze w celu opracowania modelu przewidywania masy odsączonej. Otrzymaliśmy ponad 100 000 próbek masy odsączonej i powiązanych zmiennych od Eurofish S.A. i Tri Marine's SEAFMAN cannery. Przetrenowaliśmy dwa oddzielne modele sztucznej inteligencji, po jednym dla każdej z fabryk, oddzielając dane ze względu na wymogi poufności.

Wstępne wyniki były obiecujące. Ogólnie rzecz biorąc, sztuczna inteligencja zmniejszyła odchylenie standardowe w odsączonych masach, wskazując na silniejszą kontrolę procesu. Wyniki sugerują również, że potencjalnie można zaoszczędzić do trzech gramów na puszkę, w zależności od wzorcowej wydajności przetwórni. Jeden gram szynki jest równy około 500 000 USD kosztów surowca każdego roku dla przetwórni o wydajności 100 ton metrycznych dziennie. Na całym świecie istnieje 150 przetwórni o średniej wydajności 100 ton metrycznych, co oznacza, że sztuczna inteligencja może potencjalnie zaoszczędzić sektorowi od 75 mln USD do 225 mln USD kosztów surowca każdego roku. Po poprawieniu wydajności, model AI mógłby zostać ponownie przeszkolony w oparciu o lepsze dane, mając nadzieję na wyciśnięcie jeszcze większych oszczędności i wzmocnienie kontroli.

Wizja komputerowa

W przemyśle morskim przeprowadza się wiele kontroli wizualnych surowców, półproduktów i gotowych produktów. Ogólnie rzecz biorąc, jeśli ludzie mogą coś zobaczyć, możemy zaprogramować sztuczną inteligencję, aby również to widziała.

W ThisFish Inc. opracowaliśmy kilka algorytmów wizji komputerowej do liczenia i mierzenia filetów rybnych, klasyfikowania filetów z łososia w oparciu o skalę kolorów SalmoFan i wykrywania pięciu różnych rodzajów defektów na filetach z łososia, w tym szczelin, rowków, miękkości, siniaków i blizn po szczepieniu (na rybach hodowlanych). Pracujemy również nad algorytmem szacowania wagi łososia na podstawie obrazu. Przyszłe modele mogą być również trenowane na siei lub krewetkach.

W branży tuńczyka japońska firma technologiczna opracowała Tuna Scope, aby wykorzystać wizję komputerową do oceny jakości świeżego tuńczyka. ThisFish Inc. eksperymentowała również z wykorzystaniem wizji komputerowej do oszacowania poziomu zasolenia mrożonego tuńczyka bonito. Inne zastosowania obejmują wizualną kontrolę szwów puszek lub wykrywanie wgnieceń i innych defektów na puszkach. Większość przetwórców owoców morza przeprowadza również kontrolę etykiet gotowych produktów, a zadanie to może zostać zautomatyzowane przez inteligentną kamerę.

Wizja komputerowa może potencjalnie sprawić, że kontrola jakości będzie tańsza i lepsza. Obecnie większość kontroli jakości wymaga od inspektorów pobierania losowych próbek w celu sprawdzenia jakości. Wizja komputerowa pozwala zautomatyzować proces, zmniejszając koszty pracy, a inspekcja odbywa się w sposób ciągły zamiast losowego pobierania próbek. Firmy produkujące owoce morza generowałyby ogromne ilości danych z inspekcji, które mogłyby być wykorzystywane do podejmowania lepszych decyzji i ograniczania niepoważnych roszczeń, ponieważ zakłady przetwórcze miałyby ogromne ilości danych, aby udowodnić, że spełniają wymagania klientów.

Wnioski

W przeszłości wiele firm z branży owoców morza wierzyło, że można uzyskać przewagę konkurencyjną poprzez ukrywanie danych i brak przejrzystości w zakresie procesu produkcji lub łańcucha dostaw. Wraz z rosnącymi wymaganiami rynku w zakresie przejrzystości i odpowiedzialnego pozyskiwania, takie podejście z każdym dniem staje się coraz bardziej anachroniczne. W erze informacji trwałą przewagę konkurencyjną uzyskają te firmy, które dzięki sztucznej inteligencji odkryją ukryte spostrzeżenia i wzorce w swoich danych.

Moja rada dla firm, które chcą rozpocząć swoją przygodę ze sztuczną inteligencją, jest prosta: digitalizuj, ustalaj priorytety i ucz się. Po pierwsze, zdigitalizuj swoje dane. Bez danych nie będzie sztucznej inteligencji. Po drugie, ustal priorytety, koncentrując się na wczesnych zwycięstwach i redukcji kosztów poprzez automatyzację i optymalizację. Po trzecie, ucz się na bieżąco. Przyjmuj etapowe podejście do wprowadzania nowych technologii cyfrowych.

Chociaż sztuczna inteligencja może zwiększyć rentowność branży, może również okazać się cenna dla zrównoważonego rozwoju, szczególnie pomagając w wykrywaniu i eliminowaniu oszustw związanych z owocami morza w łańcuchach dostaw. Ponieważ sztuczna inteligencja wymaga czystych, kompleksowych i kompletnych danych do dokładnych prognoz, będą rosły zachęty handlowe do gromadzenia wysokiej jakości danych dotyczących pochodzenia i identyfikowalności.

Andrew Ng, profesor Stanford i ekspert w dziedzinie sztucznej inteligencji, stwierdził: "To nie ten, kto ma najlepszy algorytm, wygrywa. Wygrywa ten, kto ma najwięcej danych". Można również powiedzieć, że wygrają ci, którzy mają najlepsze dane.

UWAGA: Ten artykuł został po raz pierwszy opublikowany w internetowym magazynie InfoFish. Kliknij tutaj, aby przeczytać artykuł.

PRZYPISY

1 Ajay Agrawal, Avi Goldfarb i Joshua Gans Prediction Machines: Prosta ekonomia sztucznej inteligencji. Harvard Business Review Press, Boston, 2028, s. 29-30

2 https://this.fish/software-directory

3 François Mosnier, John Willis, Matt McLuckie. Traceable Returns. Planet Tracker. Październik 2020 r.

Logo

Śledź nasze badania i filmy wideo oraz najnowsze wiadomości technologiczne i spostrzeżenia dotyczące branży.

Wysyłamy Catch-Up przynajmniej raz na kwartał. kwartał. 🐟

*