Garder un œil sur votre bétail grâce à la technologie IA | Services Web Amazon

At Amazon Web Services (AWS), non seulement nous sommes passionnés par l'idée de fournir à nos clients une variété de solutions techniques complètes, mais nous tenons également à comprendre en profondeur les processus commerciaux de nos clients. Nous adoptons le point de vue d'un tiers et un jugement objectif pour aider les clients à trier leurs propositions de valeur, à collecter les points faibles, à proposer des solutions appropriées et à créer les prototypes les plus rentables et les plus utilisables pour les aider à atteindre systématiquement leurs objectifs commerciaux.

Cette méthode s'appelle travailler à l'envers chez AWS. Cela signifie mettre de côté la technologie et les solutions, partir des résultats attendus des clients, confirmer leur valeur, puis en déduire ce qu'il faut faire dans l'ordre inverse avant de finalement mettre en œuvre une solution. Pendant la phase de mise en œuvre, nous suivons également le concept de produit minimum viable et efforcez-vous de former rapidement un prototype capable de générer de la valeur en quelques semaines, puis de le répéter.

Aujourd'hui, passons en revue une étude de cas dans laquelle AWS et New Hope Dairy ont collaboré pour créer une ferme intelligente sur le cloud. À partir de cet article de blog, vous pouvez avoir une compréhension approfondie de ce qu'AWS peut offrir pour créer une ferme intelligente et comment créer des applications de ferme intelligente sur le cloud avec des experts AWS.

Contexte du projet

Le lait est une boisson nutritive. Dans un souci de santé nationale, la Chine encourage activement le développement de l'industrie laitière. Selon les données d'Euromonitor International, les ventes de produits laitiers en Chine ont atteint 638.5 milliards de RMB en 2020 et devraient atteindre 810 milliards de RMB en 2025. En outre, le taux de croissance annuel composé au cours des 14 dernières années a également atteint 10 pour cent. montrant un développement rapide.

D’un autre côté, depuis 2022, la majeure partie des revenus de l’industrie laitière chinoise provient toujours du lait liquide. Soixante pour cent du lait cru est utilisé pour la fabrication du lait liquide et du yaourt, et 20 pour cent supplémentaires sont du lait en poudre, un dérivé du lait liquide. Seule une très petite quantité est utilisée pour les produits hautement transformés tels que le fromage et la crème.

Le lait liquide est un produit peu transformé et sa production, sa qualité et son coût sont étroitement liés à ceux du lait cru. Cela signifie que si l’industrie laitière veut libérer des capacités pour se concentrer sur la production de produits hautement transformés, créer de nouveaux produits et mener des recherches biotechnologiques plus innovantes, elle doit d’abord améliorer et stabiliser la production et la qualité du lait cru.

En tant que leader de l'industrie laitière, New Hope Dairy a réfléchi à la manière d'améliorer l'efficacité de ses opérations de ranch et d'augmenter la production et la qualité du lait cru. New Hope Dairy espère utiliser le point de vue d'un tiers et l'expertise technologique d'AWS pour faciliter l'innovation dans l'industrie laitière. Avec le soutien et la promotion de Liutong Hu, vice-président et directeur informatique de New Hope Dairy, l'équipe client d'AWS a commencé à organiser les opérations et les points d'innovation potentiels pour les fermes laitières.

Les défis des fermes laitières

AWS est un expert dans le domaine de la technologie cloud, mais pour mettre en œuvre l'innovation dans l'industrie laitière, les conseils professionnels d'experts en la matière sont nécessaires. Par conséquent, nous avons mené plusieurs entretiens approfondis avec Liangrong Song, le directeur adjoint du centre de technologie de production de New Hope Dairy, l'équipe de direction du ranch et des nutritionnistes pour comprendre certains des problèmes et défis auxquels la ferme est confrontée.

Il s’agit d’abord de faire l’inventaire des vaches de réserve

Les vaches laitières du ranch sont divisées en deux types : vaches laitières ainsi que le vaches de réserve. Les vaches laitières sont matures et produisent du lait en continu, tandis que les vaches de réserve sont des vaches qui n'ont pas encore atteint l'âge de produire du lait. Les fermes de grande et moyenne taille offrent généralement aux vaches de réserve une plus grande zone d’activité ouverte pour créer un environnement de croissance plus confortable.

Cependant, les vaches laitières et les vaches de réserve sont des actifs de la ferme et doivent être inventoriées mensuellement. Les vaches laitières sont traites tous les jours et, comme elles sont relativement immobiles pendant la traite, le suivi des stocks est facile. Cependant, les vaches de réserve se trouvent dans un espace ouvert et se déplacent librement, ce qui rend leur inventaire peu pratique. À chaque inventaire, plusieurs ouvriers comptent à plusieurs reprises les vaches de réserve provenant de différentes zones et enfin, les chiffres sont vérifiés. Ce processus prend un à deux jours pour plusieurs travailleurs, et il y a souvent des problèmes d'alignement des décomptes ou des incertitudes quant à savoir si chaque vache a été comptée.

Un temps considérable peut être gagné si nous disposons d’un moyen d’inventaire rapide et précis des vaches de réserve.

La deuxième consiste à identifier les bovins boiteux

Actuellement, la plupart des entreprises laitières utilisent une race nommée Holstein pour produire du lait. Les Holstein sont les vaches noires et blanches que la plupart d’entre nous connaissent. Bien que la plupart des entreprises laitières utilisent la même race, il existe encore des différences dans la quantité et la qualité de la production de lait entre les différentes entreprises et ranchs. En effet, la santé des vaches laitières affecte directement la production laitière.

Cependant, les vaches ne peuvent pas exprimer elles-mêmes leur inconfort comme le peuvent les humains, et il n'est pas pratique pour les vétérinaires de procéder régulièrement à des examens physiques à des milliers de vaches. Nous devons donc utiliser des indicateurs externes pour juger rapidement de l’état de santé des vaches.

Les indicateurs externes de la santé d'une vache comprennent note d'état corporel ainsi que le degré de boiterie. L'indice d'état corporel est largement lié au pourcentage de graisse corporelle de la vache et constitue un indicateur à long terme, tandis que la boiterie est un indicateur à court terme causé par des problèmes de pattes ou des infections des pieds et d'autres problèmes qui affectent l'humeur, la santé et la production de lait de la vache. De plus, les vaches Holstein adultes peuvent peser plus de 500 kg, ce qui peut causer des dommages importants à leurs pieds si elles ne sont pas stables. Par conséquent, en cas de boiterie, les vétérinaires doivent intervenir le plus tôt possible.

Selon une étude de 2014, la proportion de vaches gravement boiteuses en Chine peut atteindre 31 pour cent. Bien que la situation ait pu s'améliorer depuis l'étude, le nombre de vétérinaires dans les fermes est extrêmement limité, ce qui rend difficile le suivi régulier des vaches. Lorsqu’une boiterie est détectée, la situation est souvent grave, le traitement est long et difficile, et la production de lait est déjà affectée.

Si nous parvenons à détecter à temps les boiteries chez les vaches et à inciter les vétérinaires à intervenir dès le stade de boiterie légère, la santé globale et la production laitière des vaches augmenteront, et les performances de la ferme s'amélioreront.

Enfin, il y a l'optimisation du coût de l'alimentation

Dans l’industrie de l’élevage, les aliments pour animaux constituent le coût variable le plus important. Pour garantir la qualité et l'inventaire des aliments pour animaux, les exploitations agricoles doivent souvent acheter des ingrédients alimentaires auprès de fournisseurs nationaux et étrangers et les livrer aux usines de formulation d'aliments pour traitement. Il existe de nombreux types d’ingrédients alimentaires modernes, notamment la farine de soja, le maïs, la luzerne, l’herbe d’avoine, etc., ce qui signifie que de nombreuses variables entrent en jeu. Chaque type d’ingrédient alimentaire a son propre cycle de prix et ses propres fluctuations de prix. Lors de fluctuations importantes, le coût total des aliments pour animaux peut fluctuer de plus de 15 pour cent, entraînant un impact significatif.

Les coûts des aliments pour animaux fluctuent, mais les prix des produits laitiers sont relativement stables sur le long terme. Par conséquent, dans des conditions par ailleurs inchangées, le bénéfice global peut fluctuer considérablement uniquement en raison des modifications du coût des aliments pour animaux.

Pour éviter cette fluctuation, il faut envisager de stocker davantage d'ingrédients lorsque les prix sont bas. Mais le stockage doit également se demander si le prix est réellement au creux et quelle quantité d'aliments doit être achetée en fonction du taux de consommation actuel.

Si nous disposons d’un moyen de prévoir avec précision la consommation d’aliments et de la combiner avec la tendance globale des prix pour suggérer le meilleur moment et la meilleure quantité d’aliments pour acheter, nous pouvons réduire les coûts et augmenter l’efficacité de l’exploitation.

Il est évident que ces problèmes sont directement liés à l'objectif d'amélioration du client. efficacité opérationnelle de la ferme, et les méthodes sont respectivement libérer du travail, augmentation de la production ainsi que le réduire les coûts. Grâce à des discussions sur la difficulté et l'intérêt de résoudre chaque problème, nous avons choisi augmentation de la production comme point de départ et a donné la priorité à la résolution du problème des vaches boiteuses.

Une recherche

Avant de parler de technologie, il fallait mener des recherches. La recherche a été menée conjointement par l'équipe client AWS, le Centre d'innovation AWS IA générative, qui gérait les modèles d'algorithmes d'apprentissage automatique, et AWS AI Shanghai Lablet, qui fournit une consultation d'algorithmes sur les dernières recherches en vision par ordinateur et sur l'équipe d'experts agricoles de New Hope Dairy. La recherche a été divisée en plusieurs parties :

• Comprendre la méthode traditionnelle d'identification sur papier des vaches boiteuses et développer une compréhension de base de ce que sont les vaches boiteuses.
• Confirmer les solutions existantes, notamment celles utilisées dans les exploitations agricoles et dans l'industrie.
• Mener des recherches sur l'environnement agricole pour comprendre la situation physique et les limites.

Grâce à l’étude du matériel et à l’observation de vidéos sur place, les équipes ont acquis une compréhension de base des vaches boiteuses. Les lecteurs peuvent également avoir une idée de base de la posture des vaches boiteuses grâce à l’image animée ci-dessous.

Contrairement à une vache relativement saine.

Les vaches boiteuses présentent des différences visibles dans leur posture et leur démarche par rapport aux vaches en bonne santé.

Concernant les solutions existantes, la plupart des ranchs s'appuient sur l'inspection visuelle effectuée par des vétérinaires et des nutritionnistes pour identifier les vaches boiteuses. Dans l'industrie, il existe des solutions qui utilisent des podomètres et des accéléromètres portables pour l'identification, ainsi que des solutions qui utilisent des ponts-bascules cloisonnés pour l'identification, mais les deux sont relativement coûteuses. Pour l’industrie laitière hautement compétitive, nous devons minimiser les coûts d’identification ainsi que les coûts et la dépendance à l’égard du matériel non générique.

Après avoir discuté et analysé les informations avec des vétérinaires et des nutritionnistes du ranch, les experts du AWS Generative AI Innovation Center ont décidé d'utiliser la vision par ordinateur (CV) pour l'identification, en s'appuyant uniquement sur du matériel ordinaire : des caméras de surveillance civiles, qui n'ajoutent aucune charge supplémentaire à l'identification. vaches et réduire les coûts et les barrières d’utilisation.

Après avoir choisi cette direction, nous avons visité une ferme de taille moyenne avec des milliers de vaches sur place, étudié l'environnement du ranch et déterminé l'emplacement et l'angle de placement de la caméra.

Proposition initiale

Maintenant, pour la solution. Le cœur de notre solution basée sur les CV comprend les étapes suivantes :

• Identification des vaches : Identifiez plusieurs vaches dans une seule image vidéo et marquez la position de chaque vache.
• Suivi des vaches : Pendant l'enregistrement vidéo, nous devons suivre en permanence les vaches à mesure que les images changent et attribuer un numéro unique à chaque vache.
• Marquage de posture : Réduisez la dimensionnalité des mouvements des vaches en convertissant les images des vaches en points marqués.
• Identification des anomalies : Identifier les anomalies dans la dynamique des points marqués.
• Algorithme de la vache boiteuse : Normaliser les anomalies pour obtenir un score permettant de déterminer le degré de boiterie de la vache.
• Détermination du seuil : Obtenez un seuil basé sur les contributions d’experts.

Selon le jugement des experts de l'AWS Generative AI Innovation Center, les premières étapes sont des exigences génériques qui peuvent être résolues à l'aide de modèles open source, tandis que les dernières étapes nécessitent l'utilisation de méthodes mathématiques et l'intervention d'experts.

Difficultés dans la solution

Pour équilibrer coût et performances, nous avons choisi le modèle yolov5l, un modèle pré-entraîné de taille moyenne pour la reconnaissance des vaches, avec une largeur d'entrée de 640 pixels, qui offre un bon rapport qualité-prix pour cette scène.

Alors que YOLOv5 est chargé de reconnaître et de marquer les vaches dans une seule image, en réalité, les vidéos sont constituées de plusieurs images (images) qui changent continuellement. YOLOv5 ne peut pas identifier que les vaches dans des cadres différents appartiennent au même individu. Pour suivre et localiser une vache sur plusieurs images, un autre modèle appelé SORT est nécessaire.

TRIER signifie suivi simple en ligne et en temps réel, Où en ligne signifie qu'il considère uniquement les images actuelles et précédentes à suivre sans tenir compte des autres images, et en temps réel signifie qu'il peut identifier immédiatement l'identité de l'objet.

Après le développement de SORT, de nombreux ingénieurs l'ont implémenté et optimisé, conduisant au développement d'OC-SORT, qui prend en compte l'apparence de l'objet, DeepSORT (et sa version améliorée, StrongSORT), qui inclut l'apparence humaine, et ByteTrack, qui utilise un éditeur de liens d'association en deux étapes pour prendre en compte la reconnaissance de faible confiance. Après des tests, nous avons constaté que pour notre scène, l'algorithme de suivi de l'apparence de DeepSORT est plus adapté aux humains qu'aux vaches, et que la précision du suivi de ByteTrack est légèrement plus faible. En conséquence, nous avons finalement choisi OC-SORT comme algorithme de suivi.

Ensuite, nous utilisons DeepLabCut (DLC en abrégé) pour marquer les points squelettiques des vaches. Le DLC est un modèle sans marqueur, ce qui signifie que même si différents points, comme la tête et les membres, peuvent avoir des significations différentes, ils ne sont que des symboles. des notes bonus pour le DLC, qui nous oblige uniquement à marquer les points et à entraîner le modèle.

Cela nous amène à une nouvelle question : combien de points devons-nous marquer sur chaque vache et où devons-nous les marquer ? La réponse à cette question affecte la charge de travail de notation, de formation et l'efficacité de l'inférence ultérieure. Pour résoudre ce problème, nous devons d’abord comprendre comment identifier les vaches boiteuses.

Sur la base de nos recherches et des contributions de nos clients experts, les vaches boiteuses présentées dans les vidéos présentent les caractéristiques suivantes :

• Un dossier cambré : Le cou et le dos sont courbés, formant un triangle avec la racine de l'os du cou (dos cambré).
• Hochements de tête fréquents : Chaque pas peut faire perdre l'équilibre à la vache ou glisser, ce qui entraîne des hocher la tête (balancement de la tête).
• Démarche instable : La démarche de la vache change après quelques pas, avec de légères pauses (changement de la démarche).

En ce qui concerne la courbure du cou et du dos ainsi que le hochement de tête, les experts de l'AWS Generative AI Innovation Center ont déterminé que le marquage de seulement sept points du dos (un sur la tête, un à la base du cou et cinq sur le dos) sur les bovins peut aboutir à une bonne identification. Puisque nous disposons désormais d’un cadre d’identification, nous devrions également être capables de reconnaître des schémas de démarche instables.

Ensuite, nous utilisons des expressions mathématiques pour représenter les résultats d’identification et former des algorithmes.

L'identification humaine de ces problèmes n'est pas difficile, mais des algorithmes précis sont nécessaires pour l'identification informatique. Par exemple, comment un programme peut-il connaître le degré de courbure du dos d'une vache à partir d'un ensemble de points de coordonnées du dos de la vache ? Comment sait-il si une vache hoche la tête ?

En termes de courbure du dos, nous considérons d'abord de traiter le dos de la vache comme un angle, puis nous trouvons le sommet de cet angle, ce qui nous permet de calculer l'angle. Le problème avec cette méthode est que la colonne vertébrale peut avoir une courbure bidirectionnelle, ce qui rend le sommet de l'angle difficile à identifier. Cela nécessite de passer à d’autres algorithmes pour résoudre le problème.

En termes de hochement de tête, nous avons d'abord envisagé d'utiliser la distance de Fréchet pour déterminer si la vache hoche la tête en comparant la différence de courbe de posture globale de la vache. Cependant, le problème est que les points squelettiques de la vache peuvent être déplacés, provoquant une distance importante entre des courbes similaires. Pour résoudre ce problème, nous devons supprimer la position de la tête par rapport à la boîte de reconnaissance et la normaliser.

Après avoir normalisé la position de la tête, nous avons rencontré un nouveau problème. Dans l'image qui suit, le graphique de gauche montre l'évolution de la position de la tête de la vache. Nous pouvons voir qu’en raison de problèmes de précision de reconnaissance, la position de la tête tremblera légèrement en permanence. Nous devons supprimer ces petits mouvements et trouver la tendance des mouvements relativement importants de la tête. C'est là que des connaissances en traitement du signal sont nécessaires. En utilisant un filtre Savitzky-Golay, nous pouvons lisser un signal et obtenir sa tendance globale, ce qui nous permet d'identifier plus facilement les hochements de tête, comme le montre la courbe orange dans le graphique de droite.

De plus, après des dizaines d’heures de reconnaissance vidéo, nous avons constaté que certaines vaches présentant une courbure du dos extrêmement élevée n’avaient en réalité pas le dos voûté. Une enquête plus approfondie a révélé que cela était dû au fait que la plupart des vaches utilisées pour entraîner le modèle DLC étaient pour la plupart noires ou noires et blanches, et qu'il n'y avait pas beaucoup de vaches qui étaient principalement blanches ou proches du blanc pur, ce qui faisait que le modèle les reconnaissait incorrectement. ils avaient de grandes zones blanches sur leur corps, comme le montre la flèche rouge sur la figure ci-dessous. Cela peut être corrigé grâce à une formation supplémentaire sur le modèle.

En plus de résoudre les problèmes précédents, d’autres problèmes génériques devaient être résolus :

• Il y a deux chemins dans l'image vidéo et des vaches au loin peuvent également être reconnues, ce qui pose des problèmes.
• Les chemins dans la vidéo ont également une certaine courbure, et la longueur du corps de la vache devient plus courte lorsque la vache se trouve sur les côtés du chemin, ce qui rend la posture facile à identifier de manière incorrecte.
• En raison du chevauchement de plusieurs vaches ou de l’occlusion de la clôture, la même vache peut être identifiée comme étant deux vaches.
• En raison des paramètres de suivi et des sauts d'images occasionnels de la caméra, il est impossible de suivre correctement les vaches, ce qui entraîne des problèmes de confusion en matière d'identification.

À court terme, sur la base de l'alignement avec New Hope Dairy sur la fourniture d'un produit minimum viable, puis d'une itération sur celui-ci, ces problèmes peuvent généralement être résolus par des algorithmes de jugement aberrant combinés à un filtrage de confiance, et s'ils ne peuvent pas être résolus, ils deviendront des données invalides, ce qui nous oblige à effectuer une formation supplémentaire et à itérer continuellement nos algorithmes et nos modèles.

À long terme, AWS AI Shanghai Lablet a fourni des suggestions d'expériences futures pour résoudre les problèmes précédents sur la base de leur recherche centrée sur les objets : Combler le fossé vers l'apprentissage centré sur les objets du monde réel ainsi que le Segmentation d'objets vidéo Amodaux auto-supervisée. En plus d'invalider ces données aberrantes, les problèmes peuvent également être résolus en développant des modèles au niveau objet plus précis pour l'estimation de pose, la segmentation amodale et le suivi supervisé. Cependant, les pipelines de vision traditionnels pour ces tâches nécessitent généralement un étiquetage approfondi. L'apprentissage centré sur les objets se concentre sur la résolution du problème de liaison des pixels aux objets sans supervision supplémentaire. Le processus de liaison fournit non seulement des informations sur l'emplacement des objets, mais aboutit également à des représentations d'objets robustes et adaptables pour les tâches en aval. Étant donné que le pipeline centré sur les objets se concentre sur les paramètres auto-supervisés ou faiblement supervisés, nous pouvons améliorer les performances sans augmenter de manière significative les coûts d'étiquetage pour nos clients.

Après avoir résolu une série de problèmes et combiné les scores attribués par le vétérinaire de la ferme et le nutritionniste, nous avons obtenu un score de boiterie complet pour les vaches, qui nous aide à identifier les vaches présentant différents degrés de boiterie, tels que sévère, modéré et léger, et peut également identifier plusieurs attributs de posture corporelle des vaches, facilitant ainsi l'analyse et le jugement.

En quelques semaines, nous avons développé une solution de bout en bout pour identifier les vaches boiteuses. La caméra matérielle de cette solution ne coûte que 300 RMB, et le Amazon Sage Maker L'inférence par lots, lors de l'utilisation de l'instance g4dn.xlarge, a pris environ 50 heures pour 2 heures de vidéo, pour un total de seulement 300 RMB. Lorsqu'il entre en production, si cinq lots de vaches sont détectés par semaine (en supposant environ 10 heures), et en incluant les vidéos et les données enregistrées en continu, le coût mensuel de détection pour un ranch de taille moyenne comptant plusieurs milliers de vaches est inférieur à 10,000 XNUMX RMB.

Actuellement, notre processus de modèle d'apprentissage automatique est le suivant :

1. La vidéo brute est enregistrée.
2. Les vaches sont détectées et identifiées.
3. Chaque vache est suivie et les points clés sont détectés.
4. Le mouvement de chaque vache est analysé.
5. Un score de boiterie est déterminé.

Déploiement de modèle

Nous avons déjà décrit la solution permettant d’identifier les vaches boiteuses sur la base de l’apprentissage automatique. Maintenant, nous devons déployer ces modèles sur SageMaker. Comme le montre la figure suivante :

Mise en œuvre commerciale

Bien entendu, ce dont nous avons discuté jusqu’à présent ne constitue que le cœur de notre solution technique. Pour intégrer l'ensemble de la solution dans le processus métier, nous devons également résoudre les problèmes suivants :

• Retour de données : Par exemple, nous devons fournir aux vétérinaires une interface pour filtrer et visualiser les vaches boiteuses qui doivent être traitées et collecter des données au cours de ce processus pour les utiliser comme données de formation.
• Identification des vaches : Lorsqu'un vétérinaire voit une vache boiteuse, il doit également connaître son identité, comme son numéro et son enclos.
• Positionnement des vaches : Dans un enclos contenant des centaines de vaches, localisez rapidement la vache cible.
• Exploration de données : Par exemple, découvrez comment le degré de boiterie affecte l’alimentation, la rumination, le repos et la production de lait.
• Axé sur les données : Par exemple, identifier les caractéristiques génétiques, physiologiques et comportementales des vaches boiteuses pour obtenir une reproduction et une reproduction optimales.

Ce n’est qu’en résolvant ces problèmes que la solution pourra véritablement résoudre le problème commercial, et les données collectées pourront générer de la valeur à long terme. Certains de ces problèmes sont des problèmes d’intégration de systèmes, tandis que d’autres sont des problèmes d’intégration technologique et commerciale. Nous partagerons de plus amples informations sur ces questions dans de prochains articles.

Résumé

Dans cet article, nous avons brièvement expliqué comment l'équipe AWS Customer Solutions innove rapidement en fonction de l'activité du client. Ce mécanisme présente plusieurs caractéristiques :

• Entreprise dirigée : Donnez la priorité à la compréhension du secteur d'activité et des processus commerciaux du client sur site et en personne avant de discuter de la technologie, puis approfondissez les points faibles, les défis et les problèmes du client pour identifier les problèmes importants qui peuvent être résolus grâce à la technologie.
• Immédiatement disponible: Fournissez un prototype simple mais complet et utilisable directement au client pour le test, la validation et une itération rapide en quelques semaines, et non en mois.
• Coût minimal: Minimisez, voire éliminez les coûts du client avant que la valeur ne soit véritablement validée, évitant ainsi les inquiétudes quant à l'avenir. Cela correspond à l'AWS frugalité principe de leadership.

Dans notre projet d'innovation collaboratif avec l'industrie laitière, nous avons non seulement commencé du point de vue commercial pour identifier des problèmes commerciaux spécifiques avec des experts commerciaux, mais nous avons également mené des enquêtes sur place à la ferme et à l'usine avec le client. Nous avons déterminé l'emplacement des caméras sur site, installé et déployé les caméras, et déployé la solution de streaming vidéo. Les experts de l'AWS Generative AI Innovation Center ont analysé les exigences du client et développé un algorithme, qui a ensuite été conçu par un architecte de solution pour l'ensemble de l'algorithme.

Avec chaque inférence, nous avons pu obtenir des milliers de vidéos de marche de vaches décomposées et étiquetées, chacune avec l'identifiant vidéo d'origine, l'identifiant de la vache, le score de boiterie et divers scores détaillés. La logique de calcul complète et les données brutes de démarche ont également été conservées pour une optimisation ultérieure de l'algorithme.

Les données sur les boiteries peuvent non seulement être utilisées pour une intervention précoce par les vétérinaires, mais également combinées avec les données des machines à traire pour des analyses croisées, fournissant une dimension de validation supplémentaire et répondant à certaines questions commerciales supplémentaires, telles que : Quelles sont les caractéristiques physiques des vaches avec le plus haut la production de lait? Quel est l’effet de la boiterie sur la production laitière des vaches ? Quelle est la principale cause des vaches boiteuses et comment peut-on la prévenir ? Ces informations fourniront de nouvelles idées pour les opérations agricoles.

L’histoire de l’identification des vaches boiteuses s’arrête ici, mais l’histoire de l’innovation agricole ne fait que commencer. Dans les articles suivants, nous continuerons à discuter de la manière dont nous travaillons en étroite collaboration avec les clients pour résoudre d'autres problèmes.

---

À propos des auteurs

Hao Huang est un scientifique appliqué au AWS Generative AI Innovation Center. Il est spécialisé dans la vision par ordinateur (CV) et le modèle de langage visuel (VLM). Récemment, il a développé un vif intérêt pour les technologies d'IA génératives et a déjà collaboré avec des clients pour appliquer ces technologies de pointe à leur entreprise. Il est également réviseur pour des conférences sur l'IA telles que ICCV et AAAI.

Peiyang Il est un data scientist senior au AWS Generative AI Innovation Center. Elle travaille avec des clients dans un large éventail de secteurs pour répondre à leurs besoins commerciaux les plus urgents et innovants en tirant parti des solutions GenAI/ML. Dans ses temps libres, elle aime skier et voyager.

Xuefeng Liu dirige une équipe scientifique au AWS Generative AI Innovation Center dans les régions Asie-Pacifique et Grande Chine. Son équipe s'associe aux clients AWS sur des projets d'IA générative, dans le but d'accélérer l'adoption de l'IA générative par les clients.

Tianjun Xiao est un scientifique appliqué senior chez AWS AI Shanghai Lablet, codirigeant les efforts de vision par ordinateur. Actuellement, son objectif principal réside dans les domaines des modèles de base multimodaux et de l'apprentissage centré sur les objets. Il étudie activement leur potentiel dans diverses applications, notamment l'analyse vidéo, la vision 3D et la conduite autonome.

Zhang Daï est un architecte de solutions senior AWS pour China Geo Business Sector. Il aide les entreprises de différentes tailles à atteindre leurs objectifs commerciaux en leur fournissant des conseils sur les processus commerciaux, l'expérience utilisateur et la technologie cloud. Il est un blogueur prolifique et également auteur de deux livres : The Modern Autodidact et Designing Experience.

Jian Yu Zeng est un responsable senior des solutions clients chez AWS, dont la responsabilité est de soutenir les clients, tels que le groupe New Hope, pendant leur transition vers le cloud et de les aider à générer de la valeur commerciale grâce à des solutions technologiques basées sur le cloud. Fort d'un intérêt marqué pour l'intelligence artificielle, il explore constamment les moyens d'exploiter l'IA pour susciter des changements innovants dans les activités de nos clients.

Carol Tong Min est directeur principal du développement commercial, responsable des comptes clés chez GCR GEO West, dont deux entreprises clientes importantes : Jiannanchun Group et New Hope Group. Elle est obsédée par le client et toujours passionnée par le soutien et l'accélération du parcours cloud des clients.

Nick Jiang est un spécialiste senior des ventes au sein de l'équipe AIML SSO en Chine. Il se concentre sur le transfert de solutions AIML innovantes et aide les clients à créer les charges de travail liées à l'IA au sein d'AWS.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/