Szarvasmarhái szemmel tartása mesterséges intelligencia technológiával | Amazon webszolgáltatások

At Amazon Web Services (AWS), nem csak szenvedélyesen szeretnénk ügyfeleinknek különféle átfogó műszaki megoldásokat kínálni, hanem ügyfeleink üzleti folyamatainak mélyreható megértését is szeretnénk. Harmadik fél nézőpontját és objektív megítélését alkalmazzuk, hogy segítsünk ügyfeleinknek értékajánlataik rendezésében, fájdalmas pontok összegyűjtésében, megfelelő megoldások javaslatában, valamint a legköltséghatékonyabb és leginkább használható prototípusok létrehozásában, amelyek segítik őket üzleti céljaik szisztematikus elérésében.

Ezt a módszert hívják visszafelé dolgozik az AWS-nél. Ez azt jelenti, hogy félre kell tenni a technológiát és a megoldásokat, kiindulva a vevők elvárt eredményeiből, megerősítve azok értékét, majd fordított sorrendben le kell vonni, hogy mit kell tenni a megoldás megvalósítása előtt. A megvalósítási szakaszban is követjük a koncepciót minimális életképes termék és törekedjünk egy olyan prototípus gyors kialakítására, amely néhány héten belül értéket tud generálni, majd ismételje meg azt.

Ma tekintsünk át egy esettanulmányt, amelyben az AWS és a New Hope Dairy együttműködve épített fel egy intelligens farmot a felhőn. Ebből a blogbejegyzésből mélyen megértheti, hogy az AWS mit tud nyújtani egy intelligens farm felépítéséhez, és hogyan építhet intelligens farm alkalmazásokat a felhőben az AWS szakértőivel.

A projekt háttere

A tej tápláló ital. A nemzeti egészségügyre tekintettel Kína aktívan támogatja a tejipar fejlődését. Az Euromonitor International adatai szerint Kínában a tejtermékek eladása 638.5-ban elérte a 2020 milliárd RMB-t, és várhatóan 810-ben eléri a 2025 milliárd RMB-t. Emellett az elmúlt 14 év összetett éves növekedési üteme is elérte a 10 százalékot. gyors fejlődést mutat.

Másrészt 2022-től a kínai tejipar bevételeinek nagy része továbbra is a folyékony tejből származik. A nyerstej 20 százalékát folyékony tejhez és joghurthoz használják, további XNUMX százaléka pedig tejpor – a folyékony tej származéka. Csak nagyon kis mennyiséget használnak olyan magasan feldolgozott termékekhez, mint a sajt és a tejszín.

A folyékony tej enyhén feldolgozott termék, kibocsátása, minősége és költsége szorosan összefügg a nyerstejjel. Ez azt jelenti, hogy ha a tejipar kapacitást akar felszabadítani, hogy magasan feldolgozott termékek előállítására összpontosítson, új termékeket hozzon létre, és innovatívabb biotechnológiai kutatásokat végezzen, először javítania és stabilizálnia kell a nyerstej termelését és minőségét.

A tejipar vezető szereplőjeként a New Hope Dairy azon gondolkodott, hogyan lehetne javítani ranch-működésének hatékonyságát, valamint a nyerstej termelését és minőségét. A New Hope Dairy azt reméli, hogy harmadik fél nézőpontját és az AWS technológiai szakértelmét felhasználja a tejipar innovációjának elősegítésére. Liutong Hu, a New Hope Dairy alelnöke és informatikai igazgatója támogatásával és promóciójával az AWS ügyfélcsapata megkezdte a műveletek és a potenciális innovációs pontok megszervezését a tejtermelő gazdaságok számára.

Tejgazdasági kihívások

Az AWS a felhőtechnológia szakértője, de a tejipari innováció megvalósításához tejipari szakértők szakmai tanácsára van szükség. Ezért több mélyinterjút készítettünk Liangrong Songgal, a New Hope Dairy Termeléstechnológiai Központ igazgató-helyettesével, a ranch vezetői csapatával és táplálkozási szakértőkkel, hogy megértsünk néhány problémát és kihívást, amelyekkel a gazdaságnak szembe kell néznie.

Az első a tartalék tehenek leltározása

A tanyán lévő tejelő tehenek két típusra oszthatók: tejelő tehenek és a tartalék tehenek. A tejelő tehenek érettek és folyamatosan tejet adnak, míg a tartalék tehenek olyan tehenek, amelyek még nem érték el a tejtermelési kort. A nagy és közepes méretű gazdaságok általában nagyobb nyitott tevékenységi területet biztosítanak a tartalék tehenek számára, hogy kényelmesebb növekedési környezetet teremtsenek.

Mindazonáltal mind a tejelő tehenek, mind a tartaléktehenek a gazdaság eszközei, és havonta leltározni kell. A tejelő teheneket minden nap fejik, és mivel fejés közben viszonylag mozdulatlanok, a készletkövetés egyszerű. A tartalék tehenek azonban szabadon vannak és szabadon kószálnak, ami kényelmetlenné teszi a leltározásukat. Minden alkalommal, amikor leltárt készítenek, több munkás ismételten megszámolja a tartalék teheneket különböző területekről, és végül a számokat ellenőrzik. Ez a folyamat több munkásnál egy-két napot vesz igénybe, és gyakran problémák adódnak a számlálások összehangolásával, vagy bizonytalanságok vannak azzal kapcsolatban, hogy minden tehenet megszámoltak-e.

Jelentős időt takaríthatunk meg, ha módunk van a tehenek gyors és pontos leltározására.

A második a sánta szarvasmarha azonosítása

Jelenleg a legtöbb tejipari vállalat egy nevű fajtát használ Holstein tejet termelni. A holsteinek azok a fekete-fehér tehenek, amelyeket a legtöbben ismerünk. Annak ellenére, hogy a legtöbb tejipari vállalat ugyanazt a fajtát használja, még mindig vannak különbségek a tejtermelés mennyiségében és minőségében a különböző vállalatok és farmok között. A tejelő tehenek egészségi állapota ugyanis közvetlenül befolyásolja a tejtermelést.

A tehenek azonban nem képesek maguktól kellemetlen érzést kifejezni, mint az emberek, és nem praktikus, hogy az állatorvosok rendszeresen több ezer tehenet megvizsgáljanak. Ezért a tehenek egészségi állapotának gyors megítéléséhez külső mutatókat kell használnunk.

A tehén egészségének külső mutatói közé tartozik testállapot pontszám és a sántasági fok. A testállapot-pontszám nagymértékben összefügg a tehén testzsírszázalékával, és hosszú távú mutató, míg a sántaság rövid távú mutató, amelyet lábproblémák vagy lábfertőzések és más olyan problémák okoznak, amelyek befolyásolják a tehén hangulatát, egészségét és tejtermelését. Ezenkívül a felnőtt holstein tehenek súlya meghaladja az 500 kg-ot, ami jelentős károkat okozhat a lábukban, ha nem stabilak. Ezért sántaság esetén az állatorvosoknak a lehető leghamarabb be kell avatkozniuk.

Egy 2014-es tanulmány szerint Kínában a súlyosan sánta tehenek aránya elérheti a 31 százalékot is. Bár a helyzet javulhatott a vizsgálat óta, az állatorvosok száma a gazdaságokban rendkívül korlátozott, ami megnehezíti a tehenek rendszeres ellenőrzését. A sántaság észlelésekor a helyzet gyakran súlyos, a kezelés pedig időigényes és nehézkes, és már a tejtermelés is érintett.

Ha módunkban áll időben észlelni a tehenek sántaságát, és az enyhe sántaság stádiumában beavatkozásra késztetjük az állatorvosokat, a tehenek általános egészségi állapota és tejtermelése javulni fog, és a gazdaság teljesítménye is javulni fog.

Végül ott van a takarmányköltség optimalizálása

Az állattenyésztésben a takarmány a legnagyobb változó költség. A takarmány minőségének és raktárkészletének biztosítása érdekében a gazdaságoknak gyakran be kell vásárolniuk a takarmány-összetevőket hazai és tengerentúli beszállítóktól, és azokat a takarmánykészítő gyárakba kell szállítani feldolgozásra. Sokféle modern takarmány-összetevő létezik, beleértve a szójalisztet, a kukoricát, a lucernát, a zabfüvet és így tovább, ami azt jelenti, hogy sok változó játszik szerepet. Minden takarmány-összetevő típusnak megvan a maga árciklusa és áringadozása. Jelentős ingadozások során a takarmány összköltsége több mint 15 százalékkal is ingadozhat, ami jelentős hatást vált ki.

A takarmányköltségek ingadoznak, de a tejtermékek árai viszonylag stabilak hosszú távon. Következésképpen, egyébként változatlan feltételek mellett, az össznyereség pusztán a takarmányköltség változása miatt jelentősen ingadozhat.

Az ingadozás elkerülése érdekében érdemes megfontolni több összetevő tárolását, amikor az árak alacsonyak. De az állományba helyezésnél azt is figyelembe kell venni, hogy az ár valóban a vályúnál van-e, és az aktuális fogyasztási aránynak megfelelően mekkora mennyiségű takarmányt kell vásárolni.

Ha módunk van arra, hogy pontosan előre jelezzük a takarmányfogyasztást, és kombináljuk az általános ártrenddel, hogy a takarmányvásárlás legjobb időpontját és mennyiségét javasolhassuk, csökkenthetjük a költségeket és növelhetjük a gazdaság hatékonyságát.

Nyilvánvaló, hogy ezek a problémák közvetlenül kapcsolódnak az ügyfél fejlesztési céljához a gazdaság működési hatékonysága, a módszerek pedig rendre munkaerő felszabadítása, a termelés növelése és a a költségek csökkentése. Az egyes kérdések megoldásának nehézségeiről és értékéről folytatott megbeszélések során választottunk a termelés növelése kiindulópontként és a sánta tehenek problémájának megoldását helyezte előtérbe.

Kutatás

Mielőtt a technológiáról beszélnénk, kutatást kellett végezni. A kutatást az AWS ügyfélcsapata, a AWS Generatív AI Innovációs Központ, amely a gépi tanulási algoritmus modelleket kezelte, és AWS AI Shanghai Lablet, amely algoritmus-tanácsadást nyújt a legújabb számítógépes látáskutatásról és a New Hope Dairy szakértő mezőgazdasági csapatáról. A kutatás több részre oszlott:

• A sánta tehenek hagyományos papíralapú azonosítási módszerének megértése és a sánta tehenek alapjainak megismerése.
• Meglévő megoldások megerősítése, beleértve a gazdaságokban és az iparban használtakat is.
• Farm környezeti kutatások végzése a fizikai helyzet és korlátok megértése érdekében.

Az anyagok tanulmányozása és a helyszíni videók megfigyelése révén a csapatok alapvető ismereteket szereztek a sánta tehenekről. A sánta tehenek testtartásáról is alapképet kaphatnak az olvasók az alábbi animációs képen keresztül.

Ellentétben egy viszonylag egészséges tehénnel.

A sánta tehenek testtartásában és járásában látható különbségek vannak az egészséges tehenekhez képest.

Ami a meglévő megoldásokat illeti, a legtöbb farm állatorvosok és táplálkozási szakértők által végzett szemrevételezésre támaszkodik a sánta tehenek azonosítása érdekében. Az iparban vannak olyan megoldások, amelyek hordható lépésszámlálót és gyorsulásmérőt használnak az azonosításra, valamint olyan megoldások, amelyek particionált mérlegeket használnak az azonosításra, de mindkettő viszonylag drága. A rendkívül versenyképes tejipar számára minimálisra kell csökkentenünk az azonosítási költségeket, valamint a költségeket és a nem általános hardvertől való függést.

Az AWS Generative AI Innovation Center szakértői a ranch állatorvosaival és táplálkozási szakértőivel folytatott megbeszélést és elemzést követően úgy döntöttek, hogy számítógépes látást (CV) használnak az azonosításhoz, csak a szokásos hardverekre támaszkodva: civil térfigyelő kamerákra, amelyek nem jelentenek további terhet a csökkenti a költségeket és a használati akadályokat.

Miután eldöntöttük ezt az irányt, meglátogattunk egy közepes méretű gazdaságot, ahol több ezer tehén tart a helyszínen, megvizsgáltuk a tanya környezetét, és meghatároztuk a kamera elhelyezésének helyét és szögét.

Kezdeti javaslat

Most a megoldásért. CV-alapú megoldásunk magja a következő lépésekből áll:

• Tehén azonosítás: Azonosítson több tehenet a videó egyetlen képkockájában, és jelölje meg mindegyik tehén helyzetét.
• Tehénkövetés: A videó rögzítése közben folyamatosan nyomon kell követnünk a teheneket, ahogy a képkockák változnak, és minden tehenhez egyedi számot kell rendelnünk.
• Testtartás jelölése: Csökkentse a tehénmozgások méreteit a tehénképek megjelölt pontokká alakításával.
• Az anomália azonosítása: Az anomáliák azonosítása a megjelölt pontok dinamikájában.
• Sánta tehén algoritmus: Normalizálja az anomáliákat, hogy pontszámot kapjon a tehén sántaságának mértékéhez.
• Küszöb meghatározása: Szakértői bemenetek alapján szerezzen be egy küszöböt.

Az AWS Generative AI Innovation Center szakértőinek megítélése szerint az első lépések általános követelmények, amelyek nyílt forráskódú modellekkel oldhatók meg, míg az utóbbi lépések matematikai módszerek alkalmazását és szakértői beavatkozást igényelnek.

Nehézségek a megoldásban

A költségek és a teljesítmény egyensúlyának megteremtése érdekében a yolov5l modellt választottuk, amely egy közepes méretű, előre betanított tehénfelismerési modell, 640 pixel bemeneti szélességgel, ami jó értéket biztosít ehhez a jelenethez.

Míg a YOLOv5 egyetlen képen felelős a tehenek felismeréséért és címkézéséért, a valóságban a videók több képből (kockából) állnak, amelyek folyamatosan változnak. A YOLOv5 nem tudja azonosítani, hogy a különböző keretekben lévő tehenek ugyanahhoz az egyedhez tartoznak. Egy tehén több képen való nyomon követéséhez és megtalálásához egy másik, SORT nevű modellre van szükség.

A SORT jelentése egyszerű online és valós idejű nyomon követés, Ahol online azt jelenti, hogy csak az aktuális és az előző képkockákat veszi nyomon követésre, más keretek figyelembevétele nélkül, és realtime azt jelenti, hogy azonnal azonosítani tudja az objektum azonosságát.

A SORT fejlesztése után sok mérnök implementálta és optimalizálta, ami az OC-SORT kifejlesztéséhez vezetett, amely figyelembe veszi az objektum megjelenését, a DeepSORT-t (és annak továbbfejlesztett változatát, a StrongSORT-t), amely magában foglalja az emberi megjelenést, és a ByteTrack-et, amely a egy kétlépcsős asszociációs linker az alacsony megbízhatóságú felismeréshez. A tesztelés után azt találtuk, hogy jelenetünk esetében a DeepSORT megjelenéskövető algoritmusa jobban megfelel az embernek, mint a teheneknek, a ByteTrack nyomkövetési pontossága pedig valamivel gyengébb. Ennek eredményeként végül az OC-SORT-ot választottuk követési algoritmusunknak.

Ezután a DeepLabCut (röviden DLC) segítségével jelöljük meg a tehenek vázpontjait. A DLC egy marker nélküli modell, ami azt jelenti, hogy bár a különböző pontoknak, például a fejnek és a végtagoknak eltérő jelentése lehet, ezek mind csak pont DLC-hez, amihez csak a pontok megjelölése és a modell betanítása szükséges.

Ez egy új kérdéshez vezet: hány pontot jelöljünk egy tehenen, és hol jelöljük meg? A kérdésre adott válasz befolyásolja a jelölés, a képzés és a későbbi következtetések hatékonyságát. A probléma megoldásához először meg kell értenünk, hogyan lehet azonosítani a sánta teheneket.

Kutatásaink és szakértő ügyfeleink véleménye alapján a videókon szereplő sánta tehenek a következő tulajdonságokkal rendelkeznek:

• Íves hát: A nyak és a hát ívelt, háromszöget alkotva a nyakcsont gyökerével (ívelt hátú).
• Gyakori bólogatás: Minden egyes lépés a tehén egyensúlyának elvesztését vagy megcsúszását okozhatja, ami gyakori bólogat (fejlengés).
• Instabil járás: A tehén járása néhány lépés után, enyhe szünetekkel megváltozik (járásminta változás).

A nyak és a hát görbületével, valamint a bólogatással kapcsolatban az AWS Generative AI Innovation Center szakértői megállapították, hogy a szarvasmarhákon csak hét hátpont megjelölése (egy a fejen, egy a nyak tövében és öt a háton) lehetséges. jó azonosítást eredményez. Mivel ma már rendelkezünk azonosítási keretünkkel, képesnek kell lennünk az instabil járásminták felismerésére is.

Ezután matematikai kifejezéseket használunk az azonosítási eredmények és az űrlapalgoritmusok ábrázolására.

E problémák emberi azonosítása nem nehéz, de pontos algoritmusokra van szükség a számítógépes azonosításhoz. Például honnan tudja egy program egy tehén hátának görbületi fokát tehénhátra koordinátapontok alapján? Honnan tudja, ha egy tehén bólogat?

A hátgörbület szempontjából először a tehén hátát szögként kezeljük, majd megkeressük ennek a szögnek a csúcsát, amely lehetővé teszi a szög kiszámítását. Ezzel a módszerrel az a probléma, hogy a gerinc kétirányú görbülettel rendelkezhet, ami megnehezíti a szög csúcsának azonosítását. Ehhez más algoritmusokra kell váltani a probléma megoldásához.

A bólogatással kapcsolatban először a Fréchet-távolság segítségével határoztuk meg, hogy a tehén bólogat-e, összehasonlítva a tehén teljes testtartásának görbéjében lévő különbséget. A probléma azonban az, hogy a tehén csontvázpontjai elmozdulhatnak, ami jelentős távolságot okoz a hasonló görbék között. A probléma megoldásához ki kell venni a fej helyzetét a felismerődobozhoz képest, és normalizálni kell.

A fej helyzetének normalizálása után új problémába ütköztünk. A következő képen a bal oldali grafikonon a tehénfej helyzetének változása látható. Láthatjuk, hogy a felismerési pontossági problémák miatt a fejpont helyzete folyamatosan enyhén ingadozik. El kell távolítanunk ezeket a kis mozgásokat, és meg kell találnunk a fej viszonylag nagy mozgási trendjét. Itt van szükség némi jelfeldolgozási ismeretre. A Savitzky-Golay szűrő használatával kisimíthatunk egy jelet, és megkaphatjuk annak általános trendjét, így könnyebben azonosíthatjuk a bólogatást, amint azt a jobb oldali grafikonon a narancssárga görbe mutatja.

Ezenkívül több tucat órás videofelismerés után azt találtuk, hogy néhány rendkívül magas hátgörbületű tehénnek valójában nem volt görnyedt háta. A további vizsgálatok feltárták, hogy ennek az az oka, hogy a DLC-modell betanításához használt tehenek többsége fekete vagy fekete-fehér volt, és nem sok olyan tehén volt, amely többnyire fehér vagy közel tiszta fehér volt, ami azt eredményezte, hogy a modell helytelenül ismerte fel őket, amikor testükön nagy fehér területek voltak, amint azt az alábbi ábra piros nyíla mutatja. Ezt további modellképzéssel lehet korrigálni.

Az előző problémák megoldásán kívül további általános problémák is voltak, amelyeket meg kellett oldani:

• A képkockán két út található, és a távolban lévő tehenek is felismerhetők, ami problémákat okoz.
• A videóban látható utak is bizonyos görbülettel rendelkeznek, és a tehén testhossza lerövidül, ha a tehén az ösvény oldalain van, így könnyen azonosítható a testtartás helytelenül.
• A több tehén átfedése vagy a kerítésből való elzáródás miatt ugyanaz a tehén két tehénként azonosítható.
• A követési paraméterek és a kamera időnkénti képkihagyása miatt lehetetlen a tehenek helyes nyomon követése, ami azonosító zavarokat okoz.

Rövid távon a New Hope Dairy-hez való igazodás egy minimális életképes termék leszállítására, majd azon iterálására alapozva ezek a problémák általában megoldhatók megbízhatósági szűréssel kombinált outlier ítélet algoritmusokkal, és ha nem oldhatók meg, akkor érvénytelen adatok, amelyek további képzést és algoritmusaink és modelljeink folyamatos iterálását igénylik.

Hosszú távon, AWS AI Shanghai Lablet tárgyközpontú kutatásaik alapján jövőbeli kísérleti javaslatokat adtak a korábbi problémák megoldására: Szakadék áthidalása a valós világ tárgyközpontú tanulásához és a Önfelügyelt Amodal Video Object Szegmentáció. A kiugró adatok érvénytelenítése mellett a problémákat precízebb objektumszintű modellek kidolgozásával is meg lehet oldani a pózbecsléshez, az amodális szegmentációhoz és a felügyelt követéshez. Az ezekhez a feladatokhoz szükséges hagyományos látócsővezetékek azonban általában kiterjedt címkézést igényelnek. Az objektumközpontú tanulás a pixelek objektumokhoz való kötésének problémájának megoldására összpontosít további felügyelet nélkül. A kötési folyamat nemcsak az objektumok helyéről ad információt, hanem robusztus és adaptálható objektum-reprezentációkat is eredményez a downstream feladatokhoz. Mivel az objektumközpontú folyamat az önfelügyelt vagy gyengén felügyelt beállításokra összpontosít, a teljesítményt anélkül tudjuk javítani, hogy jelentősen növelnénk ügyfeleink címkézési költségeit.

Egy sor probléma megoldása és a telepi állatorvos és táplálkozási szakértő által adott pontszámok kombinálása után átfogó sántasági pontszámot kaptunk a tehenekre vonatkozóan, amely segít azonosítani a különböző fokú sántaságokat, például súlyos, közepes és enyhe sántaságot. a tehenek többféle testtartási jellemzőjének azonosítása, segítve a további elemzést és megítélést.

Heteken belül kifejlesztettünk egy teljes körű megoldást a sánta tehenek azonosítására. A megoldás hardveres kamerája mindössze 300 RMB-ba került, és a Amazon SageMaker A kötegelt következtetés a g4dn.xlarge példány használatakor körülbelül 50 órát vett igénybe 2 órányi videóhoz, ami összesen csak 300 RMB-t jelent. A termelés megkezdésekor, ha hetente öt tétel tehenet észlelnek (körülbelül 10 órát feltételezve), és beleértve a gördülő mentett videókat és adatokat, egy közepes méretű, több ezer tehenet számláló farm havi kimutatási költsége kevesebb, mint 10,000 XNUMX RMB.

Jelenleg a gépi tanulási modellfolyamat a következő:

1. A rendszer nyers videót rögzít.
2. A teheneket észlelik és azonosítják.
3. Minden tehenet nyomon követ, és a kulcspontokat észleli.
4. Minden tehén mozgását elemzik.
5. A sántasági pontszámot meghatározzák.

Modell telepítés

Korábban már leírtuk a sánta tehenek gépi tanuláson alapuló azonosításának megoldását. Most telepítenünk kell ezeket a modelleket a SageMakeren. Ahogy az alábbi ábrán látható:

Üzleti megvalósítás

Természetesen az, amit eddig megbeszéltünk, csak a műszaki megoldásunk magja. Ahhoz, hogy a teljes megoldást integrálhassuk az üzleti folyamatba, a következő problémákkal is foglalkoznunk kell:

• Visszajelzés az adatokról: Például interfészt kell biztosítanunk az állatorvosok számára a feldolgozandó sánta tehenek kiszűrésére és megtekintésére, valamint adatokat kell gyűjtenünk a folyamat során, hogy azokat oktatási adatokként használják fel.
• Tehén azonosítás: Miután az állatorvos meglát egy sánta tehenet, ismernie kell a tehén személyazonosságát is, például számát és karámát.
• Tehén elhelyezése: Egy több száz tehenet tartalmazó karámban gyorsan keresse meg a céltehént.
• Adatbányászat: Tudja meg például, hogy a sántaság mértéke hogyan befolyásolja a táplálkozást, a kérődzést, a pihenést és a tejtermelést.
• Adatvezérelt: Például azonosítsa a sánta tehenek genetikai, fiziológiai és viselkedési jellemzőit az optimális tenyésztés és szaporodás elérése érdekében.

Csak ezeknek a problémáknak a megoldásával lehet a megoldás valóban megoldani az üzleti problémát, és az összegyűjtött adatok hosszú távú értéket generálhatnak. E problémák egy része rendszerintegrációs, míg mások technológiai és üzleti integrációs problémák. Ezekről a kérdésekről további információkat osztunk meg a következő cikkeinkben.

Összegzésként

Ebben a cikkben röviden elmagyaráztuk, hogy az AWS Customer Solutions csapata hogyan újít gyorsan az ügyfél üzleti tevékenysége alapján. Ennek a mechanizmusnak számos jellemzője van:

• Üzleti vezető: A technológia megbeszélése előtt prioritásként kezelje az ügyfél iparági és üzleti folyamatainak a helyszínen és személyesen történő megértését, majd mélyedjen el az ügyfél fájdalmaiban, kihívásaiban és problémáiban, hogy azonosítsa a technológiával megoldható fontos kérdéseket.
• Azonnal elérhető: Egyszerű, de teljes és használható prototípust biztosítson közvetlenül az ügyfélnek teszteléshez, érvényesítéshez és gyors iterációhoz heteken belül, nem hónapokon belül.
• Minimális költség: Minimalizálja, vagy akár meg is szüntesse az ügyfél költségeit, mielőtt az érték valóban érvényesülne, elkerülve ezzel a jövővel kapcsolatos aggodalmakat. Ez igazodik az AWS-hez takarékosság vezetési elv.

A tejiparral közösen végzett innovációs projektünkben nem csak az üzleti szemszögből indultunk ki, hogy üzleti szakértőkkel azonosítsuk a konkrét üzleti problémákat, hanem helyszíni vizsgálatokat is végeztünk a gazdaságban és a gyárban az ügyféllel. Meghatároztuk a kamera elhelyezését a helyszínen, telepítettük és telepítettük a kamerákat, valamint bevezettük a videó streaming megoldást. Az AWS Generative AI Innovation Center szakértői boncolgatták az ügyfél igényeit, és kidolgoztak egy algoritmust, amelyet aztán egy megoldástervező készített a teljes algoritmushoz.

Minden egyes következtetéssel több ezer lebontott és megcímkézett tehénsétáló videót kaphattunk, mindegyik az eredeti videóazonosítóval, tehénazonosítóval, sántasági pontszámmal és különféle részletes pontszámokkal. A teljes számítási logikát és a nyers járási adatokat is megőriztük a későbbi algoritmus-optimalizáláshoz.

A sántasági adatok nemcsak az állatorvosok korai beavatkozására használhatók fel, hanem a fejőgép adataival is kombinálhatók keresztanalízishez, további validálási dimenziót biztosítva és megválaszolva néhány további üzleti kérdést, mint például: Melyek a legmagasabb fizikai jellemzőkkel rendelkező tehenek tejhozam? Milyen hatással van a sántaság a tehenek tejtermelésére? Mi a sánta tehenek fő oka, és hogyan előzhető meg? Ezek az információk új ötleteket adnak a mezőgazdasági üzemekhez.

A sánta tehenek azonosításának története itt véget ér, de a farminnováció története még csak most kezdődött. A következő cikkekben továbbra is megvitatjuk, hogyan dolgozunk szorosan az ügyfelekkel más problémák megoldása érdekében.

---

A szerzőkről

Hao Huang az AWS Generatív AI Innovációs Központ alkalmazott tudósa. Szakterülete a Computer Vision (CV) és a Visual-Language Model (VLM). A közelmúltban nagy érdeklődést mutatott a generatív mesterséges intelligencia technológiák iránt, és már együttműködött az ügyfelekkel, hogy ezeket az élvonalbeli technológiákat üzleti tevékenységükben alkalmazzák. Emellett olyan AI-konferenciák lektora, mint az ICCV és az AAAI.

Peiyang He az AWS Generatív AI Innovációs Központ vezető adattudósa. A legkülönbözőbb iparágakban dolgozó ügyfelekkel dolgozik, hogy a GenAI/ML megoldások felhasználásával megoldja legsürgetőbb és leginnovatívabb üzleti igényeiket. Szabadidejében szeret síelni és utazni.

Xuefeng Liu tudományos csoportot vezet az AWS Generative AI Innovation Centerben az ázsiai-csendes-óceáni és a nagy-kínai régiókban. Csapata az AWS-ügyfelekkel együttműködik a generatív mesterségesintelligencia-projektekben, azzal a céllal, hogy felgyorsítsa az ügyfelek számára a generatív AI alkalmazását.

Tianjun Xiao az AWS AI Shanghai Lablet vezető alkalmazott tudósa, a számítógépes látással kapcsolatos erőfeszítések társvezetője. Jelenleg elsősorban a multimodális alapozási modellek és az objektum-centrikus tanulás területére összpontosít. Aktívan vizsgálja a bennük rejlő lehetőségeket különböző alkalmazásokban, beleértve a videóelemzést, a 3D-s látást és az autonóm vezetést.

Zhang Dai az AWS vezető megoldástervezője a China Geo Business szektorban. Különféle méretű cégeket segít üzleti céljaik elérésében üzleti folyamatokkal, felhasználói élményekkel és felhőtechnológiával kapcsolatos tanácsadással. Termékeny blogíró, és két könyv szerzője is: The Modern Autodidact és Designing Experience.

Jianyu Zeng az AWS vezető ügyfélmegoldás-menedzsere, akinek az a feladata, hogy támogassa az ügyfeleket, például a New Hope csoportot a felhőalapú átállás során, és segítse őket az üzleti érték megvalósításában felhőalapú technológiai megoldásokon keresztül. Mivel erősen érdeklődik a mesterséges intelligencia iránt, folyamatosan kutatja a mesterséges intelligencia felhasználásának módjait, hogy innovatív változásokat hajtson végre ügyfeleink vállalkozásaiban.

Carol Tong Min vezető üzletfejlesztési menedzser, aki a GCR GEO West kulcsfontosságú ügyfeleiért felelős, beleértve két fontos vállalati ügyfelet: Jiannanchun Group és New Hope Group. Az ügyfelek megszállottja, és mindig szenvedélyesen támogatja és felgyorsítja az ügyfelek felhőalapú útját.

Nick Jiang vezető értékesítési szakember az AIML SSO csapatánál Kínában. Arra összpontosít, hogy innovatív AIML-megoldásokat adjon át, és segítse az ügyfeleket az AI-val kapcsolatos munkaterhelések felépítésében az AWS-en belül.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/