Hold øje med dit kvæg ved hjælp af AI-teknologi | Amazon Web Services

At Amazon Web Services (AWS), ikke kun brænder vi for at give kunderne en række omfattende tekniske løsninger, men vi er også opsatte på at forstå vores kunders forretningsprocesser. Vi anvender et tredjepartsperspektiv og objektiv bedømmelse for at hjælpe kunder med at sortere deres værdiforslag, indsamle smertepunkter, foreslå passende løsninger og skabe de mest omkostningseffektive og anvendelige prototyper for at hjælpe dem med systematisk at nå deres forretningsmål.

Denne metode kaldes arbejder baglæns hos AWS. Det betyder at lægge teknologi og løsninger til side, begyndende fra kundernes forventede resultater, bekræfte deres værdi og derefter udlede, hvad der skal gøres i omvendt rækkefølge, før en løsning endelig implementeres. I implementeringsfasen følger vi også konceptet med mindst levedygtigt produkt og stræber efter hurtigt at danne en prototype, der kan skabe værdi inden for et par uger, og derefter gentage den.

Lad os i dag gennemgå et casestudie, hvor AWS og New Hope Dairy samarbejdede om at bygge en smart farm på skyen. Fra dette blogindlæg kan du få en dyb forståelse af, hvad AWS kan give til at bygge en smart farm, og hvordan man bygger smart farm-applikationer i skyen med AWS-eksperter.

Projektbaggrund

Mælk er en nærende drik. Af hensyn til national sundhed har Kina aktivt fremmet udviklingen af ​​mejeriindustrien. Ifølge data fra Euromonitor International nåede salget af mejeriprodukter i Kina op på 638.5 milliarder RMB i 2020 og forventes at nå op på 810 milliarder RMB i 2025. Derudover har den sammensatte årlige vækstrate i de seneste 14 år også nået 10 pct. viser en rivende udvikling.

På den anden side, fra 2022, kommer størstedelen af ​​omsætningen i den kinesiske mejeriindustri stadig fra flydende mælk. Tres procent af den rå mælk bruges til flydende mælk og yoghurt, og yderligere 20 procent er mælkepulver - et derivat af flydende mælk. Kun en meget lille mængde bruges til højt forarbejdede produkter som ost og fløde.

Flydende mælk er et let forarbejdet produkt, og dets produktion, kvalitet og omkostninger er tæt forbundet med rå mælk. Det betyder, at hvis mejeriindustrien vil frigøre kapacitet til at fokusere på at producere højt forarbejdede produkter, skabe nye produkter og udføre mere innovativ bioteknologisk forskning, skal den først forbedre og stabilisere produktionen og kvaliteten af ​​rå mælk.

Som førende mejeriindustri har New Hope Dairy tænkt på, hvordan man kan forbedre effektiviteten af ​​sin ranchdrift og øge produktionen og kvaliteten af ​​rå mælk. New Hope Dairy håber at bruge AWS' tredjepartsperspektiv og teknologiske ekspertise til at lette innovation i mejeriindustrien. Med støtte og promovering fra Liutong Hu, VP og CIO for New Hope Dairy, begyndte AWS-kundeteamet at organisere operationer og potentielle innovationspunkter for mælkebedrifterne.

Udfordringer på mejeribrug

AWS er ​​ekspert inden for cloud-teknologi, men for at implementere innovation i mejeriindustrien er professionel rådgivning fra mejerifaglige eksperter nødvendig. Derfor gennemførte vi flere dybdegående interviews med Liangrong Song, vicedirektøren for produktionsteknologicentret i New Hope Dairy, ranchens ledelsesteam og ernæringseksperter for at forstå nogle af de problemer og udfordringer, som gården står over for.

Først tager vi opgørelse over reservekøer

Malkekøerne på ranchen er opdelt i to typer: mælkekøer , reservekøer. Malkekøer er modne og producerer løbende mælk, mens reservekøer er køer, der endnu ikke har nået mælkealderen. Store og mellemstore bedrifter giver normalt reservekøer et større åbent aktivitetsområde for at skabe et mere behageligt vækstmiljø.

Men både malkekøer og reservekøer er aktiver for bedriften og skal opgøres månedligt. Malkekøer malkes hver dag, og fordi de er relativt stille under malkningen, er lagersporing let. Reservekøer står dog i et åbent rum og går frit omkring, hvilket gør det besværligt at inventarisere dem. Hver gang der tages opgørelse, tæller flere arbejdere reservekøerne gentagne gange fra forskellige områder, og til sidst kontrolleres tallene. Denne proces tager en til to dage for flere arbejdere, og ofte er der problemer med at afstemme tællingerne eller usikkerhed om, hvorvidt hver ko er blevet talt.

Der kan spares betydelig tid, hvis vi har en måde at inventere reservekøer på hurtigt og præcist.

Det andet er at identificere halt kvæg

I øjeblikket bruger de fleste mejerivirksomheder en race med navn Holstein at producere mælk. Holsteiner er de sorte og hvide køer, de fleste af os kender. På trods af at de fleste mejerivirksomheder bruger den samme race, er der stadig forskelle i mælkeproduktionsmængde og -kvalitet blandt forskellige virksomheder og rancher. Det skyldes, at malkekøernes sundhed direkte påvirker mælkeproduktionen.

Køer kan dog ikke udtrykke ubehag på egen hånd, som mennesker kan, og det er ikke praktisk for dyrlæger at give tusindvis af køer fysiske undersøgelser regelmæssigt. Derfor er vi nødt til at bruge eksterne indikatorer til hurtigt at bedømme køernes sundhedstilstand.

De eksterne indikatorer for en ko sundhed omfatter kropstilstandsscore , halthedsgrad. Body condition score er i høj grad relateret til koens kropsfedtprocent og er en langsigtet indikator, mens halthed er en kortvarig indikator forårsaget af benproblemer eller fodinfektioner og andre problemer, der påvirker koens humør, helbred og mælkeproduktion. Derudover kan voksne Holstein-køer veje over 500 kg, hvilket kan forårsage betydelig skade på deres fødder, hvis de ikke er stabile. Derfor, når der opstår halthed, bør dyrlæger gribe ind så hurtigt som muligt.

Ifølge en undersøgelse fra 2014 kan andelen af ​​svært halte køer i Kina være så høj som 31 procent. Selvom situationen muligvis er blevet bedre siden undersøgelsen, er antallet af dyrlæger på gårde ekstremt begrænset, hvilket gør det vanskeligt at overvåge køer regelmæssigt. Når der konstateres halthed, er situationen ofte alvorlig, og behandlingen er tidskrævende og vanskelig, og mælkeproduktionen er allerede påvirket.

Hvis vi har en måde til rettidigt at opdage halthed hos køer og tilskynde dyrlæger til at gribe ind på det milde halthedsstadium, vil køernes generelle sundhed og mælkeproduktion øges, og bedriftens ydeevne vil forbedres.

Endelig er der foderomkostningsoptimering

Inden for husdyrindustrien er foder den største variable omkostning. For at sikre kvaliteten og beholdningen af ​​foder skal gårde ofte købe foderingredienser fra indenlandske og udenlandske leverandører og levere dem til foderformuleringsfabrikker til forarbejdning. Der findes mange typer af moderne foderingredienser, herunder sojaskrå, majs, lucerne, havregræs og så videre, hvilket betyder, at der er mange variabler i spil. Hver type foderingrediens har sin egen priscyklus og prisudsving. Under betydelige udsving kan de samlede omkostninger til foder svinge med mere end 15 procent, hvilket forårsager en betydelig påvirkning.

Foderomkostningerne svinger, men priserne på mejeriprodukter er relativt stabile på lang sigt. Under ellers uændrede forhold kan det samlede overskud følgelig svinge betydeligt udelukkende på grund af ændringer i foderomkostningerne.

For at undgå denne udsving er det nødvendigt at overveje at opbevare flere ingredienser, når priserne er lave. Men belægningen skal også overveje, om prisen reelt er i truget, og hvilken mængde foder der skal købes i henhold til den aktuelle forbrugsgrad.

Hvis vi har en måde at præcist forudsige foderforbruget og kombinere det med den overordnede prisudvikling for at foreslå det bedste tidspunkt og den bedste mængde foder til indkøb, kan vi reducere omkostningerne og øge effektiviteten på bedriften.

Det er tydeligt, at disse problemer er direkte relateret til kundens mål om at blive bedre gårdens driftseffektivitet, og metoderne er hhv frigør arbejdskraft, stigende produktion , reducere omkostningerne. Gennem diskussioner om sværhedsgraden og værdien af ​​at løse hvert problem, valgte vi stigende produktion som udgangspunkt og prioriteret at løse problemet med halte køer.

Forskning

Før man diskuterede teknologi, skulle der udføres forskning. Undersøgelsen blev udført i fællesskab af AWS-kundeteamet AWS Generative AI Innovation Center, som styrede maskinlæringsalgoritmemodellerne, og AWS AI Shanghai Label, som giver algoritmerådgivning om den seneste computersynsforskning og eksperthold fra New Hope Dairy. Forskningen var opdelt i flere dele:

• Forståelse af den traditionelle papirbaserede identifikationsmetode for halte køer og udvikling af en grundlæggende forståelse af, hvad halte køer er.
• Bekræftelse af eksisterende løsninger, herunder dem, der anvendes i gårde og i industrien.
• Udførelse af landbrugsmiljøforskning for at forstå den fysiske situation og begrænsninger.

Ved at studere materialer og observere videoer på stedet fik holdene en grundlæggende forståelse af halte køer. Læsere kan også få en grundlæggende idé om halte køers kropsholdning gennem det animerede billede nedenfor.

I modsætning til en forholdsvis sund ko.

Halte køer har synlige forskelle i kropsholdning og gang i forhold til sunde køer.

Med hensyn til eksisterende løsninger er de fleste ranches afhængige af visuel inspektion af dyrlæger og ernæringseksperter for at identificere halte køer. I branchen er der løsninger, der anvender bærbare skridttællere og accelerometre til identifikation, samt løsninger, der anvender opdelte brovægte til identifikation, men begge er relativt dyre. For den stærkt konkurrenceprægede mejeriindustri er vi nødt til at minimere identifikationsomkostningerne og omkostningerne og afhængigheden af ​​ikke-generisk hardware.

Efter at have diskuteret og analyseret oplysningerne med ranchdyrlæger og ernæringseksperter besluttede AWS Generative AI Innovation Centers eksperter at bruge computersyn (CV) til identifikation, idet de kun stolede på almindelig hardware: civile overvågningskameraer, som ikke tilføjer nogen yderligere byrde til køer og reducere omkostninger og brugsbarrierer.

Efter at have besluttet os for denne retning besøgte vi en mellemstor gård med tusindvis af køer på stedet, undersøgte ranchens miljø og bestemte placeringen og vinklen for kameraplacering.

Oprindeligt forslag

Nu til løsningen. Kernen i vores CV-baserede løsning består af følgende trin:

• Ko-identifikation: Identificer flere køer i en enkelt frame af video og markér positionen for hver ko.
• Kosporing: Mens video optages, skal vi løbende spore køer, efterhånden som rammerne ændres, og tildele et unikt nummer til hver ko.
• Holdningsmarkering: Reducer dimensionaliteten af ​​kobevægelser ved at konvertere kobilleder til markerede punkter.
• Anomali identifikation: Identificer anomalier i de markerede punkters dynamik.
• Lame cow-algoritme: Normaliser anomalierne for at opnå en score for at bestemme graden af ​​kohalthed.
• Tærskelbestemmelse: Få en tærskel baseret på ekspertinput.

Ifølge AWS Generative AI Innovation Center-eksperternes vurdering er de første par trin generiske krav, der kan løses ved hjælp af open source-modeller, mens de sidste trin kræver, at vi bruger matematiske metoder og ekspertintervention.

Vanskeligheder i løsningen

For at balancere omkostninger og ydeevne, valgte vi yolov5l-modellen, en mellemstor fortrænet model til ko-genkendelse, med en inputbredde på 640 pixels, hvilket giver god værdi for denne scene.

Mens YOLOv5 er ansvarlig for at genkende og tagge køer i et enkelt billede, består videoer i virkeligheden af ​​flere billeder (frames), der ændres kontinuerligt. YOLOv5 kan ikke identificere, at køer i forskellige rammer tilhører det samme individ. For at spore og lokalisere en ko på tværs af flere billeder kræves en anden model kaldet SORT.

SORT står for enkel online- og realtidssporingHvor online betyder, at den kun betragter de nuværende og tidligere frames at spore uden hensyntagen til andre frames, og realtime betyder, at den kan identificere objektets identitet med det samme.

Efter udviklingen af ​​SORT implementerede og optimerede mange ingeniører det, hvilket førte til udviklingen af ​​OC-SORT, som tager højde for objektets udseende, DeepSORT (og dets opgraderede version, StrongSORT), som inkluderer menneskets udseende, og ByteTrack, som bruger en associeringslinker i to trin til at overveje anerkendelse med lav tillid. Efter test fandt vi ud af, at DeepSORTs udseendesporingsalgoritme for vores scene er mere egnet til mennesker end til køer, og ByteTracks sporingsnøjagtighed er lidt svagere. Som et resultat valgte vi i sidste ende OC-SORT som vores sporingsalgoritme.

Dernæst bruger vi DeepLabCut (forkortet DLC) til at markere køernes skeletpunkter. DLC er en markørløs model, hvilket betyder, at selvom forskellige punkter, såsom hovedet og lemmerne, kan have forskellige betydninger, er de alle bare punkter til DLC, som kun kræver, at vi markerer punkterne og træner modellen.

Dette fører til et nyt spørgsmål: hvor mange point skal vi markere på hver ko, og hvor skal vi markere dem? Svaret på dette spørgsmål påvirker arbejdsbyrden med mærkning, træning og efterfølgende slutningseffektivitet. For at løse dette problem skal vi først forstå, hvordan man identificerer halte køer.

Baseret på vores forskning og input fra vores ekspertkunder, udviser halte køer i videoer følgende egenskaber:

• En buet ryg: Nakke og ryg er buede og danner en trekant med roden af ​​nakkebenet (buet-ryg).
• Hyppig nikker: Hvert trin kan få koen til at miste balancen eller glide, hvilket resulterer i hyppige nikker (hovedet vipper).
• Ustabil gang: Koens gang ændres efter få skridt, med små pauser (gangmønsterændring).

Med hensyn til nakke og ryg krumning samt nik, har eksperter fra AWS Generative AI Innovation Center fastslået, at kun markering af syv rygpunkter (et på hovedet, et ved bunden af ​​nakken og fem på ryggen) på kvæg kan resultere i god identifikation. Da vi nu har en identifikationsramme, burde vi også være i stand til at genkende ustabile gangmønstre.

Dernæst bruger vi matematiske udtryk til at repræsentere identifikationsresultaterne og danne algoritmer.

Menneskelig identifikation af disse problemer er ikke svært, men præcise algoritmer er nødvendige for computeridentifikation. Hvordan kender et program f.eks. graden af ​​krumning af en ko-ryg givet et sæt ko-rygkoordinatpunkter? Hvordan ved den, om en ko nikker?

Med hensyn til rygkrumning overvejer vi først at behandle koens ryg som en vinkel, og derefter finder vi toppunktet for den vinkel, som giver os mulighed for at beregne vinklen. Problemet med denne metode er, at rygsøjlen kan have tovejs krumning, hvilket gør det vanskeligt at identificere vinklens toppunkt. Dette kræver skift til andre algoritmer for at løse problemet.

Med hensyn til nik overvejede vi først at bruge Fréchet-afstanden til at bestemme, om koen nikker, ved at sammenligne forskellen i kurven for koens samlede kropsholdning. Men problemet er, at koens skeletpunkter kan blive forskudt, hvilket forårsager betydelig afstand mellem lignende kurver. For at løse dette problem skal vi tage hovedets position i forhold til genkendelsesboksen og normalisere den.

Efter normalisering af hovedets position stødte vi på et nyt problem. På det efterfølgende billede viser grafen til venstre ændringen i koens hovedposition. Vi kan se, at på grund af problemer med genkendelsesnøjagtighed vil positionen af ​​hovedpunktet konstant ryste lidt. Vi skal fjerne disse små bevægelser og finde hovedets relativt store bevægelsestrend. Det er her en vis viden om signalbehandling er nødvendig. Ved at bruge et Savitzky-Golay-filter kan vi udjævne et signal og få dets overordnede tendens, hvilket gør det nemmere for os at identificere nik, som vist ved den orange kurve i grafen til højre.

Derudover fandt vi efter snesevis af timers videogenkendelse ud af, at nogle køer med ekstrem høj rygkrumning faktisk ikke havde krum ryg. Yderligere undersøgelser afslørede, at dette skyldtes, at de fleste af køerne, der blev brugt til at træne DLC-modellen, for det meste var sorte eller sort-hvide, og der var ikke mange køer, der for det meste var hvide eller tæt på rent hvide, hvilket resulterede i, at modellen genkendte dem forkert, når de havde store hvide områder på kroppen, som vist med den røde pil på nedenstående figur. Dette kan rettes gennem yderligere modeltræning.

Ud over at løse de foregående problemer var der andre generiske problemer, der skulle løses:

• Der er to stier i videorammen, og køer i det fjerne kan også blive genkendt, hvilket forårsager problemer.
• Stierne i videoen har også en vis krumning, og koens kropslængde bliver kortere, når koen er på siderne af stien, hvilket gør holdningen let at identificere forkert.
• På grund af overlapning af flere køer eller okklusion fra hegnet, kan den samme ko identificeres som to køer.
• På grund af sporingsparametre og lejlighedsvis springning af billeder af kameraet, er det umuligt at spore køerne korrekt, hvilket resulterer i problemer med ID-forvirring.

På kort sigt, baseret på tilpasningen med New Hope Dairy om at levere et minimumslevedygtigt produkt og derefter gentage det, kan disse problemer normalt løses ved hjælp af outlier-bedømmelsesalgoritmer kombineret med tillidsfiltrering, og hvis de ikke kan løses, vil de blive ugyldige data, hvilket kræver, at vi udfører yderligere træning og løbende itererer vores algoritmer og modeller.

På lang sigt, AWS AI Shanghai Label givet fremtidige eksperimentforslag til at løse de foregående problemer baseret på deres objektcentrerede forskning: At bygge bro mellem objektcentreret læring i den virkelige verden , Selvovervåget Amodal Video Object Segmentation. Udover at ugyldiggøre disse afvigende data, kan problemerne også løses ved at udvikle mere præcise modeller på objektniveau til estimering af posering, amodal segmentering og overvåget sporing. Traditionelle vision-rørledninger til disse opgaver kræver dog typisk omfattende mærkning. Objektcentreret læring fokuserer på at tackle bindingsproblemet med pixels til objekter uden yderligere overvågning. Bindingsprocessen giver ikke kun information om objekters placering, men resulterer også i robuste og tilpasningsdygtige objektrepræsentationer til downstream-opgaver. Fordi den objektcentrerede pipeline fokuserer på selvovervågede eller svagt overvågede indstillinger, kan vi forbedre ydeevnen uden væsentligt at øge mærkningsomkostningerne for vores kunder.

Efter at have løst en række problemer og kombineret pointene givet af gårddyrlægen og ernæringseksperten, har vi opnået en omfattende halthedsscore for køer, som hjælper os med at identificere køer med forskellige grader af halthed såsom svær, moderat og mild, og kan også identificere flere kropsholdningsegenskaber for køer, hvilket hjælper med yderligere analyse og bedømmelse.

Inden for få uger udviklede vi en ende-til-ende-løsning til at identificere halte køer. Hardwarekameraet til denne løsning kostede kun 300 RMB, og det Amazon SageMaker batch-inferens, ved brug af g4dn.xlarge-forekomsten, tog omkring 50 timer for 2 timers video, i alt kun 300 RMB. Når det træder i produktion, hvis der detekteres fem partier af køer om ugen (forudsat omkring 10 timer), og inklusive de rullende gemte videoer og data, er de månedlige detektionsomkostninger for en mellemstor ranch med flere tusinde køer mindre end 10,000 RMB.

I øjeblikket er vores maskinlæringsmodelproces som følger:

1. Rå video optages.
2. Køer opdages og identificeres.
3. Hver ko spores, og nøglepunkter detekteres.
4. Hver ko's bevægelse analyseres.
5. En halthedsscore bestemmes.

Modelimplementering

Vi har tidligere beskrevet løsningen til at identificere halte køer baseret på maskinlæring. Nu skal vi implementere disse modeller på SageMaker. Som vist i følgende figur:

Forretningsimplementering

Det, vi har diskuteret indtil videre, er selvfølgelig bare kernen i vores tekniske løsning. For at integrere hele løsningen i forretningsprocessen skal vi også tage fat på følgende problemer:

• Datafeedback: For eksempel skal vi give dyrlæger en grænseflade til at filtrere og se halte køer, der skal behandles og indsamle data under denne proces til brug som træningsdata.
• Ko-identifikation: Efter at en dyrlæge ser en halt ko, skal de også kende koens identitet, såsom dens nummer og sti.
• Kopositionering: I en sti med hundredvis af køer, lokaliser hurtigt målkoen.
• Data Mining: Find for eksempel ud af, hvordan graden af ​​halthed påvirker fodring, drøvtygning, hvile og mælkeproduktion.
• Datadrevet: Identificer for eksempel de genetiske, fysiologiske og adfærdsmæssige egenskaber for halte køer for at opnå optimal avl og reproduktion.

Kun ved at løse disse problemer kan løsningen virkelig løse forretningsproblemet, og de indsamlede data kan generere langsigtet værdi. Nogle af disse problemer er problemer med systemintegration, mens andre er teknologiske og forretningsmæssige integrationsproblemer. Vi vil dele yderligere information om disse problemer i fremtidige artikler.

Resumé

I denne artikel forklarede vi kort, hvordan AWS Customer Solutions-teamet innoverer hurtigt baseret på kundens forretning. Denne mekanisme har flere egenskaber:

• Forretning ledet: Prioriter forståelsen af ​​kundens branche og forretningsprocesser på stedet og personligt, før du diskuterer teknologi, og dyk derefter ned i kundens smertepunkter, udfordringer og problemer for at identificere vigtige problemer, der kan løses med teknologi.
• Umiddelbart tilgængelig: Lever en enkel, men komplet og brugbar prototype direkte til kunden til test, validering og hurtig iteration inden for uger, ikke måneder.
• Minimal pris: Minimer eller endda eliminer kundens omkostninger, før værdien virkelig er valideret, og undgå bekymringer om fremtiden. Dette stemmer overens med AWS nøjsomhed ledelsesprincip.

I vores samarbejde om innovationsprojekt med mejeriindustrien startede vi ikke kun ud fra et forretningsperspektiv for at identificere specifikke forretningsproblemer med erhvervseksperter, men gennemførte også undersøgelser på stedet på gården og fabrikken med kunden. Vi bestemte kameraplaceringen på stedet, installerede og implementerede kameraerne og implementerede videostreamingløsningen. Eksperter fra AWS Generative AI Innovation Center dissekerede kundens krav og udviklede en algoritme, som derefter blev konstrueret af en løsningsarkitekt for hele algoritmen.

Med hver slutning kunne vi opnå tusindvis af nedbrudte og taggede ko-gangvideoer, hver med det originale video-id, ko-id, halthedsscore og forskellige detaljerede resultater. Den komplette beregningslogik og rå gangdata blev også bibeholdt til efterfølgende algoritmeoptimering.

Halthedsdata kan ikke kun bruges til tidlig intervention af dyrlæger, men også kombineret med malkemaskinedata til krydsanalyse, hvilket giver en yderligere valideringsdimension og besvarer nogle yderligere forretningsspørgsmål, såsom: Hvad er de fysiske egenskaber ved køer med den højeste mælkeydelse? Hvad er effekten af ​​halthed på mælkeproduktionen hos køer? Hvad er hovedårsagen til halte køer, og hvordan kan det forebygges? Denne information vil give nye ideer til landbrugsdrift.

Historien om at identificere halte køer slutter her, men historien om bedriftsinnovation er lige begyndt. I de efterfølgende artikler vil vi fortsætte med at diskutere, hvordan vi arbejder tæt sammen med kunderne for at løse andre problemer.

---

Om forfatterne

Hao Huang er en anvendt videnskabsmand ved AWS Generative AI Innovation Center. Han har specialiseret sig i Computer Vision (CV) og Visual-Language Model (VLM). For nylig har han udviklet en stærk interesse for generative AI-teknologier og har allerede samarbejdet med kunder om at anvende disse banebrydende teknologier til deres forretning. Han er også anmelder for AI-konferencer som ICCV og AAAI.

Peiyang He er senior dataforsker ved AWS Generative AI Innovation Center. Hun arbejder med kunder på tværs af et bredt spektrum af industrier for at løse deres mest presserende og innovative forretningsbehov ved at udnytte GenAI/ML-løsninger. I sin fritid holder hun af at stå på ski og rejse.

Xuefeng Liu leder et videnskabsteam på AWS Generative AI Innovation Center i Asien og Stillehavsområdet og Greater China. Hans team samarbejder med AWS-kunder om generative AI-projekter med det formål at fremskynde kundernes indførelse af generativ AI.

Tianjun Xiao er senior anvendt videnskabsmand ved AWS AI Shanghai Lablet, der er med til at lede computervisionsindsatsen. I øjeblikket ligger hans primære fokus inden for multimodale grundmodeller og objektcentreret læring. Han undersøger aktivt deres potentiale i forskellige applikationer, herunder videoanalyse, 3D-syn og autonom kørsel.

Zhang Dai er en AWS senior løsningsarkitekt for China Geo Business Sector. Han hjælper virksomheder af forskellige størrelser med at nå deres forretningsmål ved at yde rådgivning om forretningsprocesser, brugeroplevelse og cloud-teknologi. Han er en produktiv blogskribent og også forfatter til to bøger: The Modern Autodidact og Designing Experience.

Jianyu Zeng er senior kundeløsningschef hos AWS, hvis ansvar er at støtte kunder, såsom New Hope group, under deres cloud-overgang og hjælpe dem med at realisere forretningsværdi gennem cloud-baserede teknologiløsninger. Med en stærk interesse for kunstig intelligens udforsker han konstant måder at udnytte AI til at drive innovative ændringer i vores kunders forretninger.

Carol Tong Min er en senior business development manager, ansvarlig for Key Accounts i GCR GEO West, herunder to vigtige virksomhedskunder: Jiannanchun Group og New Hope Group. Hun er kundebesat og brænder altid for at understøtte og accelerere kundernes cloud-rejse.

Nick Jiang er et senior specialistsalg hos AIML SSO team i Kina. Han fokuserer på at overføre innovative AIML-løsninger og hjælpe kunder med at opbygge de AI-relaterede arbejdsbelastninger inden for AWS.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/