Vigilando a su ganado mediante tecnología de inteligencia artificial | Servicios web de Amazon

At Servicios Web de Amazon (AWS), no solo nos apasiona brindar a los clientes una variedad de soluciones técnicas integrales, sino que también nos interesa comprender profundamente los procesos comerciales de nuestros clientes. Adoptamos una perspectiva de terceros y un juicio objetivo para ayudar a los clientes a clasificar sus propuestas de valor, recopilar puntos débiles, proponer soluciones adecuadas y crear los prototipos más rentables y utilizables para ayudarlos a alcanzar sistemáticamente sus objetivos comerciales.

Este método se llama trabajando al revés en AWS. Significa dejar de lado la tecnología y las soluciones, partir de los resultados esperados de los clientes, confirmar su valor y luego deducir lo que hay que hacer en orden inverso antes de implementar finalmente una solución. Durante la fase de implementación, también seguimos el concepto de producto mínimo viable y esforzarse por formar rápidamente un prototipo que pueda generar valor en unas pocas semanas y luego iterarlo.

Hoy, revisemos un estudio de caso en el que AWS y New Hope Dairy colaboraron para crear una granja inteligente en la nube. A partir de esta publicación de blog, podrá comprender en profundidad lo que AWS puede ofrecer para crear una granja inteligente y cómo crear aplicaciones de granjas inteligentes en la nube con expertos de AWS.

Antecedentes del proyecto

La leche es una bebida nutritiva. Teniendo en cuenta la salud nacional, China ha estado promoviendo activamente el desarrollo de la industria láctea. Según datos de Euromonitor International, las ventas de productos lácteos en China alcanzaron los 638.5 mil millones de RMB en 2020 y se espera que alcancen los 810 mil millones de RMB en 2025. Además, la tasa de crecimiento anual compuesta en los últimos 14 años también alcanzó el 10 por ciento. mostrando un rápido desarrollo.

Por otro lado, a partir de 2022, la mayor parte de los ingresos de la industria láctea china seguirán proviniendo de la leche líquida. El sesenta por ciento de la leche cruda se utiliza para leche líquida y yogur, y otro 20 por ciento es leche en polvo, un derivado de la leche líquida. Sólo una cantidad muy pequeña se utiliza para productos altamente procesados ​​como el queso y la nata.

La leche líquida es un producto ligeramente procesado y su producción, calidad y costo están estrechamente relacionados con la leche cruda. Esto significa que si la industria láctea quiere liberar capacidad para centrarse en la producción de productos altamente procesados, crear nuevos productos y realizar investigaciones biotecnológicas más innovadoras, primero debe mejorar y estabilizar la producción y la calidad de la leche cruda.

Como líder de la industria láctea, New Hope Dairy ha estado pensando en cómo mejorar la eficiencia de sus operaciones ganaderas y aumentar la producción y calidad de la leche cruda. New Hope Dairy espera utilizar la perspectiva de terceros y la experiencia tecnológica de AWS para facilitar la innovación en la industria láctea. Con el apoyo y la promoción de Liutong Hu, vicepresidente y CIO de New Hope Dairy, el equipo de clientes de AWS comenzó a organizar operaciones y posibles puntos de innovación para las granjas lecheras.

Desafíos de las granjas lecheras

AWS es un experto en el campo de la tecnología en la nube, pero para implementar la innovación en la industria láctea, es necesario el asesoramiento profesional de expertos en la materia. Por lo tanto, realizamos varias entrevistas en profundidad con Liangrong Song, el subdirector del Centro de Tecnología de Producción de New Hope Dairy, el equipo de administración del rancho y nutricionistas para comprender algunos de los problemas y desafíos que enfrenta el rancho.

Lo primero es hacer un inventario de las vacas de reserva.

Las vacas lecheras del rancho se dividen en dos tipos: vacas lecheras y vacas de reserva. Las vacas lecheras son maduras y producen leche continuamente, mientras que las vacas de reserva son vacas que aún no han alcanzado la edad para producir leche. Las granjas grandes y medianas suelen proporcionar a las vacas de reserva un área de actividad abierta más grande para crear un entorno de crecimiento más cómodo.

Sin embargo, tanto las vacas lecheras como las de reserva son activos de la granja y necesitan ser inventariadas mensualmente. Las vacas lecheras se ordeñan todos los días y, como están relativamente quietas durante el ordeño, el seguimiento del inventario es fácil. Sin embargo, las vacas de reserva se encuentran en un espacio abierto y deambulan libremente, lo que dificulta su inventario. Cada vez que se hace el inventario, varios trabajadores cuentan repetidamente las vacas de reserva de diferentes áreas y, finalmente, se verifican los números. Este proceso consume uno o dos días para varios trabajadores y, a menudo, hay problemas con la alineación de los conteos o incertidumbres sobre si se ha contado cada vaca.

Se puede ahorrar mucho tiempo si tenemos una manera de inventariar las vacas de reserva de forma rápida y precisa.

El segundo es identificar el ganado cojo.

Actualmente, la mayoría de las empresas lácteas utilizan una raza llamada Holstein para producir leche. Las Holstein son las vacas blancas y negras con las que la mayoría de nosotros estamos familiarizados. A pesar de que la mayoría de las empresas lácteas utilizan la misma raza, todavía existen diferencias en la cantidad y calidad de la producción de leche entre las diferentes empresas y ranchos. Esto se debe a que la salud de las vacas lecheras incide directamente en la producción de leche.

Sin embargo, las vacas no pueden expresar su malestar por sí mismas como lo hacen los humanos, y no es práctico que los veterinarios realicen exámenes físicos regulares a miles de vacas. Por tanto, tenemos que utilizar indicadores externos para juzgar rápidamente el estado de salud de las vacas.

Los indicadores externos de la salud de una vaca incluyen puntuación de condición corporal y grado de cojera. El puntaje de condición corporal está relacionado en gran medida con el porcentaje de grasa corporal de la vaca y es un indicador a largo plazo, mientras que la cojera es un indicador a corto plazo causado por problemas en las piernas o infecciones en las patas y otros problemas que afectan el estado de ánimo, la salud y la producción de leche de la vaca. Además, las vacas Holstein adultas pueden pesar más de 500 kg, lo que puede causar daños importantes en sus patas si no están estables. Por ello, cuando se produce cojera, los veterinarios deben intervenir lo antes posible.

Según un estudio de 2014, la proporción de vacas con cojera grave en China puede llegar al 31 por ciento. Aunque la situación podría haber mejorado desde el estudio, el número de veterinarios en las granjas es extremadamente limitado, lo que dificulta el seguimiento regular de las vacas. Cuando se detecta cojera, la situación suele ser grave, el tratamiento requiere mucho tiempo y es difícil, y la producción de leche ya está afectada.

Si tenemos una manera de detectar oportunamente la cojera en las vacas y solicitar a los veterinarios que intervengan en la etapa de cojera leve, la salud general y la producción de leche de las vacas aumentarán y el rendimiento de la granja mejorará.

Por último, está la optimización del coste del pienso.

Dentro de la industria ganadera, el alimento es el mayor costo variable. Para garantizar la calidad y el inventario de los piensos, las granjas a menudo necesitan comprar ingredientes de proveedores nacionales y extranjeros y entregarlos a las fábricas de formulación de piensos para su procesamiento. Hay muchos tipos de ingredientes alimentarios modernos, incluida la harina de soja, el maíz, la alfalfa, la avena, etc., lo que significa que hay muchas variables en juego. Cada tipo de ingrediente alimentario tiene su propio ciclo de precios y fluctuaciones de precios. Durante fluctuaciones significativas, el costo total del alimento puede fluctuar en más del 15 por ciento, causando un impacto significativo.

Los costos de los piensos fluctúan, pero los precios de los productos lácteos se mantienen relativamente estables a largo plazo. En consecuencia, en condiciones que no cambian, el beneficio global puede fluctuar significativamente simplemente debido a cambios en los costos de alimentación.

Para evitar esta fluctuación, es necesario considerar almacenar más ingredientes cuando los precios son bajos. Pero el abastecimiento también debe considerar si el precio realmente está en el comedero y qué cantidad de alimento se debe comprar de acuerdo con la tasa de consumo actual.

Si tenemos una manera de pronosticar con precisión el consumo de alimento y combinarlo con la tendencia general de los precios para sugerir el mejor momento y cantidad de alimento para comprar, podemos reducir los costos y aumentar la eficiencia en la granja.

Es evidente que estos temas están directamente relacionados con el objetivo del cliente de mejorar eficiencia operativa agrícola, y los métodos son respectivamente liberando mano de obra, aumentando la producción y Reduciendo costos. A través de discusiones sobre la dificultad y el valor de resolver cada problema, elegimos aumentando la producción como punto de partida y priorizó solucionar el problema de las vacas cojas.

Investigación

Antes de hablar de tecnología, era necesario realizar investigaciones. La investigación fue realizada conjuntamente por el equipo de clientes de AWS, el Centro de innovación de IA generativa de AWS, que gestionó los modelos de algoritmos de aprendizaje automático, y Labelt de IA de AWS en Shanghái, que ofrece consultas sobre algoritmos sobre las últimas investigaciones en visión por computadora y el equipo agrícola experto de New Hope Dairy. La investigación se dividió en varias partes:

• Comprender el método tradicional de identificación de vacas cojas en papel y desarrollar una comprensión básica de qué son las vacas cojas.
• Confirmar las soluciones existentes, incluidas las utilizadas en granjas y en la industria.
• Realizar investigaciones sobre el entorno agrícola para comprender la situación física y las limitaciones.

Mediante el estudio de materiales y la observación de videos en el lugar, los equipos obtuvieron una comprensión básica de las vacas cojas. Los lectores también pueden hacerse una idea básica de la postura de las vacas cojas a través de la imagen animada a continuación.

A diferencia de una vaca relativamente sana.

Las vacas cojas tienen diferencias visibles en la postura y el modo de andar en comparación con las vacas sanas.

En cuanto a las soluciones existentes, la mayoría de los ranchos dependen de la inspección visual realizada por veterinarios y nutricionistas para identificar a las vacas cojas. En la industria, existen soluciones que utilizan podómetros y acelerómetros portátiles para la identificación, así como soluciones que utilizan básculas puente divididas para la identificación, pero ambas son relativamente caras. Para la industria láctea altamente competitiva, necesitamos minimizar los costos de identificación y los costos y la dependencia de hardware no genérico.

Después de discutir y analizar la información con veterinarios y nutricionistas del rancho, los expertos del Centro de Innovación de IA Generativa de AWS decidieron utilizar visión por computadora (CV) para la identificación, confiando únicamente en hardware común: cámaras de vigilancia civiles, que no agregan ninguna carga adicional a la vacas y reducir costos y barreras de uso.

Después de decidir esta dirección, visitamos una granja de tamaño mediano con miles de vacas, investigamos el entorno del rancho y determinamos la ubicación y el ángulo de colocación de la cámara.

Propuesta inicial

Ahora, la solución. El núcleo de nuestra solución basada en CV consta de los siguientes pasos:

• Identificación de vacas: Identifique varias vacas en un solo cuadro de video y marque la posición de cada vaca.
• Seguimiento de vacas: Mientras se graba el vídeo, debemos realizar un seguimiento continuo de las vacas a medida que cambian los fotogramas y asignar un número único a cada vaca.
• Marcado de postura: Reduzca la dimensionalidad de los movimientos de las vacas convirtiendo imágenes de vacas en puntos marcados.
• Identificación de anomalías: Identificar anomalías en la dinámica de los puntos marcados.
• Algoritmo de la vaca coja: Normalizar las anomalías para obtener una puntuación que determine el grado de cojera de las vacas.
• Determinación del umbral: Obtenga un umbral basado en aportaciones de expertos.

Según el criterio de los expertos del Centro de Innovación de IA Generativa de AWS, los primeros pasos son requisitos genéricos que pueden resolverse utilizando modelos de código abierto, mientras que los últimos pasos requieren que utilicemos métodos matemáticos y la intervención de expertos.

Dificultades en la solución.

Para equilibrar costo y rendimiento, elegimos el modelo yolov5l, un modelo preentrenado de tamaño mediano para el reconocimiento de vacas, con un ancho de entrada de 640 píxeles, que proporciona un buen valor para esta escena.

Si bien YOLOv5 se encarga de reconocer y etiquetar vacas en una sola imagen, en realidad los videos constan de múltiples imágenes (cuadros) que cambian continuamente. YOLOv5 no puede identificar que vacas en diferentes marcos pertenecen al mismo individuo. Para rastrear y localizar una vaca en varias imágenes, se necesita otro modelo llamado SORT.

SORT significa seguimiento sencillo en línea y en tiempo real, Donde en línea significa que considera solo los fotogramas actuales y anteriores para realizar el seguimiento sin tener en cuenta ningún otro fotograma, y en tiempo real significa que puede identificar la identidad del objeto inmediatamente.

Después del desarrollo de SORT, muchos ingenieros lo implementaron y optimizaron, lo que llevó al desarrollo de OC-SORT, que considera la apariencia del objeto, DeepSORT (y su versión mejorada, StrongSORT), que incluye la apariencia humana, y ByteTrack, que utiliza un vinculador de asociación de dos etapas para considerar el reconocimiento de baja confianza. Después de las pruebas, descubrimos que para nuestra escena, el algoritmo de seguimiento de apariencia de DeepSORT es más adecuado para humanos que para vacas, y la precisión de seguimiento de ByteTrack es ligeramente menor. Como resultado, finalmente elegimos OC-SORT como nuestro algoritmo de seguimiento.

A continuación, utilizamos DeepLabCut (DLC para abreviar) para marcar los puntos esqueléticos de las vacas. DLC es un modelo sin marcadores, lo que significa que aunque diferentes puntos, como la cabeza y las extremidades, pueden tener diferentes significados, todos son simplemente puntos para DLC, que sólo requiere que marquemos los puntos y entrenemos el modelo.

Esto nos lleva a una nueva pregunta: ¿cuántos puntos debemos marcar en cada vaca y dónde debemos marcarlos? La respuesta a esta pregunta afecta la carga de trabajo de calificación, capacitación y posterior eficiencia de la inferencia. Para solucionar este problema, primero debemos entender cómo identificar las vacas cojas.

Según nuestra investigación y los aportes de nuestros clientes expertos, las vacas cojas en los videos exhiben las siguientes características:

• Una espalda arqueada: El cuello y la espalda están curvados, formando un triángulo con la raíz del hueso del cuello (espalda arqueada).
• Asentimientos frecuentes: Cada paso puede hacer que la vaca pierda el equilibrio o resbale, lo que resulta en frecuentes cabeceo (movimiento de la cabeza).
• Marcha inestable: El andar de la vaca cambia después de algunos pasos, con ligeras pausas (cambio del patrón de andar).

Con respecto a la curvatura del cuello y la espalda, así como a los movimientos de cabeza, los expertos del Centro de Innovación de IA Generativa de AWS han determinado que marcar solo siete puntos de la espalda (uno en la cabeza, uno en la base del cuello y cinco en la espalda) en el ganado puede resulta en una buena identificación. Dado que ahora tenemos un marco de identificación, también deberíamos poder reconocer patrones de marcha inestables.

A continuación, utilizamos expresiones matemáticas para representar los resultados de la identificación y formar algoritmos.

La identificación humana de estos problemas no es difícil, pero se requieren algoritmos precisos para la identificación por computadora. Por ejemplo, ¿cómo sabe un programa el grado de curvatura del lomo de una vaca dado un conjunto de puntos de coordenadas del lomo de la vaca? ¿Cómo sabe si una vaca asiente?

En términos de curvatura del lomo, primero consideramos tratar el lomo de la vaca como un ángulo y luego encontramos el vértice de ese ángulo, lo que nos permite calcular el ángulo. El problema con este método es que la columna puede tener una curvatura bidireccional, lo que dificulta la identificación del vértice del ángulo. Esto requiere cambiar a otros algoritmos para resolver el problema.

En términos de asentir, primero consideramos usar la distancia de Fréchet para determinar si la vaca asiente comparando la diferencia en la curva de la postura general de la vaca. Sin embargo, el problema es que los puntos esqueléticos de la vaca podrían desplazarse, provocando una distancia significativa entre curvas similares. Para resolver este problema, necesitamos eliminar la posición de la cabeza con respecto al cuadro de reconocimiento y normalizarla.

Después de normalizar la posición de la cabeza, nos encontramos con un nuevo problema. En la imagen siguiente, el gráfico de la izquierda muestra el cambio en la posición de la cabeza de la vaca. Podemos ver que debido a problemas de precisión en el reconocimiento, la posición del punto de la cabeza temblará ligeramente constantemente. Necesitamos eliminar estos pequeños movimientos y encontrar la tendencia de movimiento relativamente grande de la cabeza. Aquí es donde se necesitan algunos conocimientos de procesamiento de señales. Al utilizar un filtro Savitzky-Golay, podemos suavizar una señal y obtener su tendencia general, lo que nos facilita identificar los movimientos de cabeza, como lo muestra la curva naranja en el gráfico de la derecha.

Además, después de decenas de horas de reconocimiento de vídeo, descubrimos que algunas vacas con una curvatura dorsal extremadamente alta en realidad no tenían la espalda encorvada. Una investigación más profunda reveló que esto se debía a que la mayoría de las vacas utilizadas para entrenar el modelo DLC eran en su mayoría negras o blancas y negras, y no había muchas vacas que fueran en su mayoría blancas o casi blancas puras, lo que provocó que el modelo las reconociera incorrectamente cuando tenían grandes áreas blancas en sus cuerpos, como lo muestra la flecha roja en la figura siguiente. Esto se puede corregir mediante un mayor entrenamiento del modelo.

Además de resolver los problemas anteriores, había otros problemas genéricos que era necesario resolver:

• Hay dos caminos en el fotograma del vídeo y es posible que también se reconozcan vacas a lo lejos, lo que causa problemas.
• Los caminos en el video también tienen una cierta curvatura, y la longitud del cuerpo de la vaca se acorta cuando la vaca está a los lados del camino, lo que hace que la postura sea fácil de identificar incorrectamente.
• Debido a la superposición de varias vacas o la oclusión de la cerca, la misma vaca podría identificarse como dos vacas.
• Debido a los parámetros de seguimiento y a los saltos ocasionales de fotogramas de la cámara, es imposible realizar un seguimiento correcto de las vacas, lo que genera problemas de confusión en la identificación.

En el corto plazo, basándose en la alineación con New Hope Dairy para entregar un producto mínimo viable y luego repetirlo, estos problemas generalmente se pueden resolver mediante algoritmos de juicio de valores atípicos combinados con filtrado de confianza, y si no se pueden resolver, se convertirán en datos no válidos, lo que requiere que realicemos capacitación adicional e iteremos continuamente nuestros algoritmos y modelos.

A largo plazo, Labelt de IA de AWS en Shanghái proporcionó sugerencias de experimentos futuros para resolver los problemas anteriores basándose en su investigación centrada en objetos: Cerrando la brecha hacia el aprendizaje centrado en objetos del mundo real y Segmentación de objetos de vídeo amodal autosupervisada. Además de invalidar esos datos atípicos, los problemas también pueden abordarse mediante el desarrollo de modelos a nivel de objeto más precisos para la estimación de pose, la segmentación amodal y el seguimiento supervisado. Sin embargo, los canales de visión tradicionales para estas tareas normalmente requieren un etiquetado extenso. El aprendizaje centrado en objetos se centra en abordar el problema de vinculación de píxeles a objetos sin supervisión adicional. El proceso de vinculación no solo proporciona información sobre la ubicación de los objetos, sino que también da como resultado representaciones de objetos sólidas y adaptables para tareas posteriores. Debido a que el proceso centrado en objetos se centra en entornos autosupervisados ​​o débilmente supervisados, podemos mejorar el rendimiento sin aumentar significativamente los costos de etiquetado para nuestros clientes.

Después de resolver una serie de problemas y combinar las puntuaciones dadas por el veterinario y el nutricionista de la granja, hemos obtenido una puntuación de cojera integral para vacas, que nos ayuda a identificar vacas con diferentes grados de cojera como severa, moderada y leve, pudiendo también Identificar múltiples atributos de postura corporal de las vacas, lo que ayuda a un mayor análisis y juicio.

En cuestión de semanas, desarrollamos una solución integral para identificar vacas cojas. La cámara de hardware para esta solución cuesta sólo 300 RMB y la Amazon SageMaker La inferencia por lotes, cuando se utiliza la instancia g4dn.xlarge, tomó aproximadamente 50 horas para 2 horas de video, por un total de solo 300 RMB. Cuando entra en producción, si se detectan cinco lotes de vacas por semana (suponiendo aproximadamente 10 horas), e incluyendo los videos y datos guardados, el costo de detección mensual para un rancho de tamaño mediano con varios miles de vacas es menos de 10,000 RMB.

Actualmente, nuestro proceso de modelo de aprendizaje automático es el siguiente:

1. Se graba vídeo sin editar.
2. Las vacas son detectadas e identificadas.
3. Se realiza un seguimiento de cada vaca y se detectan puntos clave.
4. Se analiza el movimiento de cada vaca.
5. Se determina una puntuación de cojera.

Despliegue del modelo

Ya hemos descrito la solución para identificar vacas cojas basada en el aprendizaje automático. Ahora necesitamos implementar estos modelos en SageMaker. Como se muestra en la siguiente figura:

Implementación empresarial

Por supuesto, lo que hemos discutido hasta ahora es sólo el núcleo de nuestra solución técnica. Para integrar toda la solución en el proceso de negocio, también debemos abordar las siguientes cuestiones:

• Comentarios de datos: Por ejemplo, debemos proporcionar a los veterinarios una interfaz para filtrar y ver las vacas cojas que deben procesarse y recopilar datos durante este proceso para utilizarlos como datos de entrenamiento.
• Identificación de vacas: Después de que un veterinario ve una vaca coja, también necesita saber la identidad de la vaca, como su número y corral.
• Posicionamiento de la vaca: En un corral con cientos de vacas, localice rápidamente la vaca objetivo.
• Procesamiento de datos: Por ejemplo, descubra cómo el grado de cojera afecta la alimentación, la rumia, el descanso y la producción de leche.
• Basado en datos: Por ejemplo, identificar las características genéticas, fisiológicas y de comportamiento de las vacas cojas para lograr una crianza y reproducción óptimas.

Sólo abordando estos problemas la solución puede realmente resolver el problema empresarial y los datos recopilados pueden generar valor a largo plazo. Algunos de estos problemas son cuestiones de integración de sistemas, mientras que otros son cuestiones de integración tecnológica y empresarial. Compartiremos más información sobre estos temas en artículos futuros.

Resumen

En este artículo, explicamos brevemente cómo el equipo de Soluciones para clientes de AWS innova rápidamente en función del negocio del cliente. Este mecanismo tiene varias características:

• Liderado por negocios: Priorice la comprensión de la industria y los procesos comerciales del cliente en el sitio y en persona antes de discutir la tecnología, y luego profundice en los puntos débiles, los desafíos y los problemas del cliente para identificar problemas importantes que se pueden resolver con la tecnología.
• Inmediatamente disponible: Proporcione un prototipo simple pero completo y utilizable directamente al cliente para realizar pruebas, validación e iteración rápida en semanas, no meses.
• Costo mínimo: Minimizar o incluso eliminar los costes del cliente antes de que el valor esté realmente validado, evitando preocupaciones sobre el futuro. Esto se alinea con AWS frugalidad principio de liderazgo.

En nuestro proyecto de innovación colaborativa con la industria láctea, no solo comenzamos desde la perspectiva empresarial para identificar problemas comerciales específicos con expertos comerciales, sino que también llevamos a cabo investigaciones in situ en la granja y la fábrica con el cliente. Determinamos la ubicación de la cámara en el sitio, instalamos e implementamos las cámaras e implementamos la solución de transmisión de video. Los expertos del Centro de innovación en IA generativa de AWS analizaron los requisitos del cliente y desarrollaron un algoritmo, que luego fue diseñado por un arquitecto de soluciones para todo el algoritmo.

Con cada inferencia, pudimos obtener miles de videos de paseos de vacas descompuestos y etiquetados, cada uno con la identificación del video original, la identificación de la vaca, la puntuación de cojera y varias puntuaciones detalladas. También se conservaron la lógica de cálculo completa y los datos sin procesar de la marcha para la posterior optimización del algoritmo.

Los datos sobre cojeras no sólo pueden ser utilizados por los veterinarios para una intervención temprana, sino que también pueden combinarse con datos de las máquinas de ordeño para realizar análisis cruzados, proporcionando una dimensión de validación adicional y respondiendo algunas preguntas comerciales adicionales, como por ejemplo: ¿Cuáles son las características físicas de las vacas con mayor riesgo de cojera? ¿la producción de leche? ¿Cuál es el efecto de la cojera en la producción de leche en las vacas? ¿Cuál es la principal causa de las vacas cojas y cómo se puede prevenir? Esta información proporcionará nuevas ideas para las operaciones agrícolas.

La historia de la identificación de las vacas cojas termina aquí, pero la historia de la innovación agrícola apenas comienza. En artículos posteriores, continuaremos analizando cómo trabajamos estrechamente con los clientes para resolver otros problemas.

---

Acerca de los autores

hao huang es científico aplicado en el Centro de innovación de IA generativa de AWS. Se especializa en visión artificial (CV) y modelo de lenguaje visual (VLM). Recientemente, ha desarrollado un gran interés en las tecnologías de IA generativa y ya ha colaborado con clientes para aplicar estas tecnologías de vanguardia a sus negocios. También es revisor de conferencias de IA como ICCV y AAAI.

Pei Yang He es científico de datos senior en el Centro de innovación de IA generativa de AWS. Trabaja con clientes de un espectro diverso de industrias para resolver sus necesidades comerciales más urgentes e innovadoras aprovechando las soluciones GenAI/ML. En su tiempo libre le gusta esquiar y viajar.

Liu Feng dirige un equipo científico en el Centro de innovación de IA generativa de AWS en las regiones de Asia Pacífico y la Gran China. Su equipo se asocia con clientes de AWS en proyectos de IA generativa, con el objetivo de acelerar la adopción de la IA generativa por parte de los clientes.

Tianjun Xiao es un científico aplicado senior en AWS AI Shanghai Labelt y codirige los esfuerzos de visión por computadora. Actualmente, su enfoque principal radica en los ámbitos de los modelos básicos multimodales y el aprendizaje centrado en objetos. Está investigando activamente su potencial en diversas aplicaciones, incluido el análisis de vídeo, la visión 3D y la conducción autónoma.

zhang dai es un arquitecto senior de soluciones de AWS para China Geo Business Sector. Ayuda a empresas de diversos tamaños a alcanzar sus objetivos comerciales brindándoles consultoría sobre procesos comerciales, experiencia de usuario y tecnología en la nube. Es un prolífico blogger y también autor de dos libros: The Modern Autodidact y Designing Experience.

Jianyu Zeng es gerente senior de soluciones para clientes en AWS, cuya responsabilidad es apoyar a los clientes, como el grupo New Hope, durante su transición a la nube y ayudarlos a obtener valor comercial a través de soluciones tecnológicas basadas en la nube. Con un gran interés en la inteligencia artificial, explora constantemente formas de aprovechar la IA para impulsar cambios innovadores en los negocios de nuestros clientes.

Carol Tong Min es gerente senior de desarrollo comercial, responsable de cuentas clave en GCR GEO West, incluidos dos importantes clientes empresariales: Jiannanchun Group y New Hope Group. Está obsesionada con el cliente y siempre le apasiona apoyar y acelerar el viaje de los clientes a la nube.

Nick Jiang es un especialista senior en ventas del equipo AIML SSO en China. Se centra en transferir soluciones AIML innovadoras y ayudar al cliente a crear cargas de trabajo relacionadas con la IA dentro de AWS.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/