Mengawasi ternak Anda menggunakan teknologi AI | Layanan Web Amazon

At Layanan Web Amazon (AWS), kami tidak hanya bersemangat untuk menyediakan berbagai solusi teknis yang komprehensif kepada pelanggan, namun kami juga ingin memahami secara mendalam proses bisnis pelanggan kami. Kami mengadopsi perspektif pihak ketiga dan penilaian obyektif untuk membantu pelanggan memilah proposisi nilai mereka, mengumpulkan poin-poin penting, mengusulkan solusi yang tepat, dan menciptakan prototipe yang paling hemat biaya dan dapat digunakan untuk membantu mereka mencapai tujuan bisnis mereka secara sistematis.

Metode ini disebut bekerja mundur di AWS. Artinya mengesampingkan teknologi dan solusi, dimulai dari hasil yang diharapkan pelanggan, memastikan nilainya, dan kemudian menyimpulkan apa yang perlu dilakukan dalam urutan terbalik sebelum akhirnya menerapkan solusi. Pada tahap implementasi, kami juga mengikuti konsep produk minimum yang layak dan berusaha untuk segera membentuk prototipe yang dapat menghasilkan nilai dalam beberapa minggu, dan kemudian mengulanginya.

Hari ini, mari kita tinjau studi kasus di mana AWS dan New Hope Dairy berkolaborasi untuk membangun peternakan cerdas di cloud. Dari postingan blog ini, Anda dapat memperoleh pemahaman mendalam tentang apa yang AWS dapat sediakan untuk membangun smart farm dan cara membangun aplikasi smart farm di cloud dengan para ahli AWS.

Latar belakang proyek

Susu adalah minuman bergizi. Dengan mempertimbangkan kesehatan nasional, Tiongkok secara aktif mempromosikan pengembangan industri susu. Menurut data Euromonitor International, penjualan produk susu di Tiongkok mencapai 638.5 miliar RMB pada tahun 2020 dan diperkirakan mencapai 810 miliar RMB pada tahun 2025. Selain itu, tingkat pertumbuhan tahunan gabungan dalam 14 tahun terakhir juga mencapai 10 persen, menunjukkan perkembangan pesat.

Di sisi lain, hingga tahun 2022, sebagian besar pendapatan industri susu Tiongkok masih berasal dari susu cair. Enam puluh persen susu mentah digunakan untuk susu cair dan yogurt, dan 20 persen lainnya adalah susu bubuk—turunan dari susu cair. Hanya sejumlah kecil yang digunakan untuk produk olahan seperti keju dan krim.

Susu cair adalah produk yang diproses secara ringan dan keluaran, kualitas, serta biayanya terkait erat dengan susu mentah. Artinya, jika industri susu ingin mengosongkan kapasitasnya untuk fokus memproduksi produk olahan, menciptakan produk baru, dan melakukan penelitian bioteknologi yang lebih inovatif, maka industri susu harus terlebih dahulu meningkatkan dan menstabilkan produksi dan kualitas susu mentah.

Sebagai pemimpin industri susu, New Hope Dairy telah memikirkan cara meningkatkan efisiensi operasi peternakannya dan meningkatkan produksi serta kualitas susu mentah. New Hope Dairy berharap dapat menggunakan perspektif pihak ketiga dan keahlian teknologi AWS untuk memfasilitasi inovasi dalam industri susu. Dengan dukungan dan promosi dari Liutong Hu, VP dan CIO New Hope Dairy, tim pelanggan AWS mulai mengatur operasi dan titik inovasi potensial untuk peternakan sapi perah.

Tantangan peternakan sapi perah

AWS adalah pakar di bidang teknologi cloud, namun untuk menerapkan inovasi dalam industri susu, diperlukan saran profesional dari pakar di bidang susu. Oleh karena itu, kami melakukan beberapa wawancara mendalam dengan Liangrong Song, Wakil Direktur Pusat Teknologi Produksi New Hope Dairy, tim manajemen peternakan, dan ahli gizi untuk memahami beberapa masalah dan tantangan yang dihadapi peternakan.

Pertama, inventarisasi sapi cadangan

Sapi perah di peternakan dibagi menjadi dua jenis: sapi perah dan cadangan sapi. Sapi perah adalah sapi yang sudah matang dan terus menghasilkan susu, sedangkan sapi cadangan adalah sapi yang belum mencapai umur untuk menghasilkan susu. Peternakan skala besar dan menengah biasanya menyediakan area aktivitas terbuka yang lebih luas bagi sapi cadangan untuk menciptakan lingkungan pertumbuhan yang lebih nyaman.

Namun, baik sapi perah maupun sapi cadangan merupakan aset peternakan dan perlu diinventarisasi setiap bulan. Sapi perah diperah setiap hari, dan karena sapi tersebut relatif diam selama pemerahan, pelacakan inventaris menjadi mudah. Namun, sapi cadangan berada di ruang terbuka dan bebas berkeliaran sehingga menyulitkan inventarisasinya. Setiap kali inventarisasi dilakukan, beberapa pekerja menghitung sapi cadangan berulang kali dari berbagai daerah, dan terakhir jumlahnya diperiksa. Proses ini memakan waktu satu hingga dua hari bagi beberapa pekerja, dan seringkali terdapat masalah dalam menyelaraskan penghitungan atau ketidakpastian mengenai apakah setiap sapi telah dihitung.

Waktu yang signifikan dapat dihemat jika kita memiliki cara untuk menginventarisasi sapi cadangan dengan cepat dan akurat.

Kedua, mengidentifikasi sapi yang lumpuh

Saat ini, sebagian besar perusahaan susu menggunakan ras yang diberi nama Holstein untuk menghasilkan susu. Holstein adalah sapi hitam dan putih yang paling kita kenal. Meskipun sebagian besar perusahaan susu menggunakan ras yang sama, masih terdapat perbedaan dalam kuantitas dan kualitas produksi susu antar perusahaan dan peternakan. Sebab, kesehatan sapi perah berpengaruh langsung terhadap produksi susu.

Namun, sapi tidak dapat mengungkapkan ketidaknyamanannya sendiri seperti manusia, dan tidak praktis bagi dokter hewan untuk melakukan pemeriksaan fisik terhadap ribuan sapi secara rutin. Oleh karena itu, kita harus menggunakan indikator eksternal untuk menilai status kesehatan sapi dengan cepat.

Indikator eksternal kesehatan sapi antara lain skor kondisi tubuh dan derajat ketimpangan. Skor kondisi tubuh sebagian besar berkaitan dengan persentase lemak tubuh sapi dan merupakan indikator jangka panjang, sedangkan ketimpangan merupakan indikator jangka pendek yang disebabkan oleh masalah kaki atau infeksi kaki dan masalah lain yang mempengaruhi suasana hati, kesehatan, dan produksi susu sapi. Selain itu, sapi Holstein dewasa dapat memiliki berat lebih dari 500 kg, yang dapat menyebabkan kerusakan signifikan pada kaki mereka jika tidak stabil. Oleh karena itu, bila terjadi ketimpangan, dokter hewan harus melakukan intervensi sesegera mungkin.

Menurut sebuah penelitian pada tahun 2014, proporsi sapi yang sangat pincang di Tiongkok bisa mencapai 31 persen. Meskipun situasinya mungkin telah membaik sejak penelitian ini dilakukan, jumlah dokter hewan di peternakan sangat terbatas, sehingga sulit untuk memantau sapi secara rutin. Ketika ketimpangan terdeteksi, situasinya sering kali menjadi parah, pengobatan memakan waktu dan sulit, serta produksi ASI sudah terpengaruh.

Jika kita memiliki cara untuk mendeteksi ketimpangan pada sapi secara tepat waktu dan meminta dokter hewan untuk melakukan intervensi pada tahap ketimpangan ringan, kesehatan sapi secara keseluruhan dan produksi susu akan meningkat, dan kinerja peternakan akan meningkat.

Terakhir, ada optimalisasi biaya pakan

Dalam industri peternakan, pakan merupakan biaya variabel terbesar. Untuk memastikan kualitas dan inventaris pakan, peternakan sering kali perlu membeli bahan pakan dari pemasok dalam dan luar negeri dan mengirimkannya ke pabrik formulasi pakan untuk diproses. Bahan pakan modern ada banyak jenisnya, antara lain bungkil kedelai, jagung, alfalfa, oat grass, dan lain sebagainya, artinya ada banyak variabel yang berperan. Setiap jenis bahan pakan mempunyai siklus harga dan fluktuasi harga tersendiri. Selama fluktuasi yang signifikan, total biaya pakan dapat berfluktuasi lebih dari 15 persen sehingga menimbulkan dampak yang signifikan.

Biaya pakan berfluktuasi, namun harga produk susu relatif stabil dalam jangka panjang. Akibatnya, dalam kondisi yang tidak berubah, keuntungan keseluruhan dapat berfluktuasi secara signifikan semata-mata karena perubahan biaya pakan.

Untuk menghindari fluktuasi ini, perlu mempertimbangkan untuk menyimpan lebih banyak bahan saat harga sedang rendah. Namun stocking juga perlu mempertimbangkan apakah harga benar-benar terjangkau dan berapa jumlah pakan yang harus dibeli sesuai dengan tingkat konsumsi saat ini.

Jika kita mempunyai cara untuk memperkirakan konsumsi pakan secara tepat dan menggabungkannya dengan tren harga keseluruhan untuk menyarankan waktu dan jumlah pakan terbaik untuk dibeli, kita dapat mengurangi biaya dan meningkatkan efisiensi di peternakan.

Jelas bahwa masalah ini terkait langsung dengan tujuan peningkatan pelanggan efisiensi operasional pertanian, dan metodenya masing-masing membebaskan tenaga kerja, meningkatkan produksi dan mengurangi biaya. Melalui diskusi tentang kesulitan dan nilai penyelesaian setiap masalah, kami memilih meningkatkan produksi sebagai titik tolak dan diprioritaskan penyelesaian permasalahan sapi pincang.

Penelitian

Sebelum membahas teknologi, harus dilakukan penelitian. Penelitian ini dilakukan bersama oleh tim pelanggan AWS, the Pusat Inovasi AI Generatif AWS, yang mengelola model algoritme pembelajaran mesin, dan Label Shanghai AI AWS, yang memberikan konsultasi algoritma pada penelitian visi komputer terbaru dan tim ahli peternakan dari New Hope Dairy. Penelitian ini dibagi menjadi beberapa bagian:

• Memahami metode identifikasi sapi lumpuh berbasis kertas tradisional dan mengembangkan pemahaman dasar tentang apa itu sapi lumpuh.
• Mengkonfirmasi solusi yang ada, termasuk yang digunakan di pertanian dan industri.
• Melakukan penelitian lingkungan peternakan untuk memahami situasi fisik dan keterbatasannya.

Melalui mempelajari materi dan mengamati video di lapangan, tim memperoleh pemahaman dasar tentang sapi lumpuh. Pembaca juga bisa mendapatkan gambaran dasar tentang postur tubuh sapi yang timpang melalui gambar animasi di bawah ini.

Berbeda dengan sapi yang relatif sehat.

Sapi lumpuh mempunyai perbedaan postur dan cara berjalan yang terlihat dibandingkan dengan sapi sehat.

Mengenai solusi yang ada, sebagian besar peternakan mengandalkan inspeksi visual oleh dokter hewan dan ahli gizi untuk mengidentifikasi sapi yang lumpuh. Di industri, terdapat solusi yang menggunakan pedometer dan akselerometer yang dapat dipakai untuk identifikasi, serta solusi yang menggunakan jembatan timbang yang dipartisi untuk identifikasi, namun keduanya relatif mahal. Untuk industri susu yang sangat kompetitif, kita perlu meminimalkan biaya identifikasi dan ketergantungan pada perangkat keras non-generik.

Setelah berdiskusi dan menganalisis informasi dengan dokter hewan dan ahli gizi di peternakan, para ahli Pusat Inovasi AI Generatif AWS memutuskan untuk menggunakan visi komputer (CV) untuk identifikasi, hanya mengandalkan perangkat keras biasa: kamera pengawasan sipil, yang tidak menambah beban tambahan apa pun pada sistem. sapi dan mengurangi biaya dan hambatan penggunaan.

Setelah memutuskan arah ini, kami mengunjungi sebuah peternakan berukuran sedang dengan ribuan sapi di lokasinya, menyelidiki lingkungan peternakan, dan menentukan lokasi dan sudut penempatan kamera.

Usulan awal

Sekarang, untuk solusinya. Inti dari solusi berbasis CV kami terdiri dari langkah-langkah berikut:

• Identifikasi sapi: Identifikasi beberapa sapi dalam satu bingkai video dan tandai posisi setiap sapi.
• Pelacakan sapi: Saat video direkam, kita perlu terus melacak sapi seiring perubahan bingkai dan menetapkan nomor unik untuk setiap sapi.
• Penandaan postur: Kurangi dimensi pergerakan sapi dengan mengubah gambar sapi menjadi titik yang ditandai.
• Identifikasi anomali: Identifikasi anomali dalam dinamika titik-titik yang ditandai.
• Algoritma sapi lumpuh: Normalisasi anomali tersebut untuk mendapatkan skor guna mengetahui derajat ketimpangan sapi.
• Penentuan ambang batas: Dapatkan ambang batas berdasarkan masukan para ahli.

Menurut penilaian para ahli Pusat Inovasi AI Generatif AWS, beberapa langkah pertama merupakan persyaratan umum yang dapat diselesaikan menggunakan model sumber terbuka, sedangkan langkah terakhir mengharuskan kita menggunakan metode matematika dan intervensi ahli.

Kesulitan dalam penyelesaiannya

Untuk menyeimbangkan biaya dan performa, kami memilih model yolov5l, model terlatih berukuran sedang untuk pengenalan sapi, dengan lebar masukan 640 piksel, yang memberikan nilai bagus untuk pemandangan ini.

Meskipun YOLOv5 bertanggung jawab untuk mengenali dan menandai sapi dalam satu gambar, pada kenyataannya, video terdiri dari beberapa gambar (bingkai) yang terus berubah. YOLOv5 tidak dapat mengidentifikasi bahwa sapi dalam bingkai berbeda adalah milik individu yang sama. Untuk melacak dan menemukan lokasi sapi di beberapa gambar, diperlukan model lain yang disebut SORT.

SORT adalah singkatan dari pelacakan online dan realtime sederhana, Di mana secara online artinya hanya mempertimbangkan frame saat ini dan sebelumnya untuk dilacak tanpa mempertimbangkan frame lainnya, dan realtime artinya dapat segera mengidentifikasi identitas objek.

Setelah pengembangan SORT, banyak insinyur yang mengimplementasikan dan mengoptimalkannya, yang mengarah pada pengembangan OC-SORT, yang mempertimbangkan tampilan objek, DeepSORT (dan versi yang ditingkatkan, StrongSORT), yang mencakup tampilan manusia, dan ByteTrack, yang menggunakan penghubung asosiasi dua tahap untuk mempertimbangkan pengakuan berkeyakinan rendah. Setelah pengujian, kami menemukan bahwa untuk adegan kami, algoritme pelacakan penampilan DeepSORT lebih cocok untuk manusia daripada sapi, dan akurasi pelacakan ByteTrack sedikit lebih lemah. Hasilnya, kami akhirnya memilih OC-SORT sebagai algoritma pelacakan kami.

Selanjutnya, kita menggunakan DeepLabCut (disingkat DLC) untuk menandai titik kerangka sapi. DLC adalah model tanpa penanda, artinya meskipun titik yang berbeda, seperti kepala dan anggota badan, mungkin memiliki arti yang berbeda, semuanya hanyalah poin untuk DLC, yang hanya mengharuskan kita menandai titik dan melatih modelnya.

Hal ini menimbulkan pertanyaan baru: berapa banyak poin yang harus kita tandai pada setiap sapi dan di mana kita harus menandainya? Jawaban atas pertanyaan ini mempengaruhi beban kerja penandaan, pelatihan, dan efisiensi inferensi selanjutnya. Untuk mengatasi masalah ini, pertama-tama kita harus memahami cara mengidentifikasi sapi yang lumpuh.

Berdasarkan penelitian kami dan masukan dari klien ahli kami, sapi lumpuh dalam video menunjukkan ciri-ciri sebagai berikut:

• Punggung melengkung: Leher dan punggung melengkung membentuk segitiga dengan pangkal tulang leher (melengkung-punggung).
• Sering mengangguk: Setiap langkah dapat menyebabkan sapi kehilangan keseimbangan atau terpeleset sehingga sering terjadi mengangguk (kepala terayun-ayun).
• Gaya berjalan tidak stabil: Gaya berjalan sapi berubah setelah beberapa langkah, dengan sedikit jeda (perubahan pola gaya berjalan).

Sehubungan dengan kelengkungan leher dan punggung serta anggukan kepala, para ahli dari AWS Generative AI Innovation Center telah menetapkan bahwa menandai hanya tujuh titik punggung (satu di kepala, satu di pangkal leher, dan lima di punggung) pada sapi dapat menghasilkan identifikasi yang baik. Karena kita sekarang memiliki kerangka identifikasi, kita juga harus mampu mengenali pola gaya berjalan yang tidak stabil.

Selanjutnya, kami menggunakan ekspresi matematika untuk merepresentasikan hasil identifikasi dan membentuk algoritma.

Identifikasi masalah ini oleh manusia tidaklah sulit, namun algoritma yang tepat diperlukan untuk identifikasi komputer. Misalnya, bagaimana sebuah program mengetahui derajat kelengkungan punggung sapi berdasarkan sekumpulan titik koordinat punggung sapi? Bagaimana cara mengetahui jika seekor sapi sedang mengangguk?

Dalam kaitannya dengan kelengkungan punggung, pertama-tama kita pertimbangkan untuk memperlakukan punggung sapi sebagai suatu sudut, lalu kita mencari titik sudut tersebut, sehingga kita dapat menghitung sudutnya. Masalah dengan metode ini adalah tulang belakang mungkin memiliki kelengkungan dua arah, sehingga titik sudutnya sulit diidentifikasi. Hal ini memerlukan peralihan ke algoritma lain untuk menyelesaikan masalah.

Dalam hal mengangguk, pertama-tama kami mempertimbangkan penggunaan jarak Fréchet untuk menentukan apakah sapi tersebut mengangguk dengan membandingkan perbedaan kurva postur sapi secara keseluruhan. Namun, masalahnya adalah titik-titik kerangka sapi mungkin bergeser, sehingga menyebabkan jarak yang signifikan antara kurva-kurva yang serupa. Untuk mengatasi masalah ini, kita perlu mengambil posisi kepala relatif terhadap kotak pengenalan dan menormalkannya.

Setelah normalisasi posisi kepala, kami menemui masalah baru. Pada gambar berikut, grafik sebelah kiri menunjukkan perubahan posisi kepala sapi. Kita dapat melihat bahwa karena masalah akurasi pengenalan, posisi titik kepala akan terus bergetar sedikit. Kita perlu menghilangkan pergerakan kecil ini dan menemukan tren pergerakan kepala yang relatif besar. Di sinilah diperlukan pengetahuan tentang pemrosesan sinyal. Dengan menggunakan filter Savitzky-Golay, kita dapat memperhalus sinyal dan memperoleh tren keseluruhannya, sehingga memudahkan kita mengidentifikasi anggukan, seperti yang ditunjukkan oleh kurva oranye pada grafik di sebelah kanan.

Selain itu, setelah puluhan jam pengenalan video, kami menemukan bahwa beberapa sapi dengan kelengkungan punggung yang sangat tinggi ternyata tidak memiliki punggung yang bungkuk. Penyelidikan lebih lanjut mengungkapkan bahwa hal ini karena sebagian besar sapi yang digunakan untuk melatih model DLC sebagian besar berwarna hitam atau hitam putih, dan tidak banyak sapi yang sebagian besar berwarna putih atau mendekati putih bersih, sehingga model salah mengenalinya saat mereka memiliki area putih besar di tubuhnya, seperti yang ditunjukkan oleh panah merah pada gambar di bawah. Hal ini dapat diperbaiki melalui pelatihan model lebih lanjut.

Selain penyelesaian permasalahan sebelumnya, terdapat permasalahan umum lainnya yang perlu diselesaikan:

• Ada dua jalur dalam bingkai video, dan sapi di kejauhan mungkin juga dikenali sehingga menyebabkan masalah.
• Jalur dalam video juga memiliki kelengkungan tertentu, dan panjang tubuh sapi menjadi lebih pendek ketika sapi berada di sisi jalan, sehingga posturnya mudah salah dikenali.
• Karena tumpang tindih beberapa sapi atau oklusi dari pagar, sapi yang sama dapat diidentifikasi sebagai dua sapi.
• Karena parameter pelacakan dan kadang-kadang ada lompatan bingkai pada kamera, mustahil untuk melacak sapi dengan benar, yang mengakibatkan masalah kebingungan ID.

Dalam jangka pendek, berdasarkan keselarasan dengan New Hope Dairy dalam menghasilkan produk minimum yang layak dan kemudian mengulanginya, masalah ini biasanya dapat diselesaikan dengan algoritme penilaian outlier yang dikombinasikan dengan pemfilteran kepercayaan, dan jika masalah tersebut tidak dapat diselesaikan, masalah tersebut akan menjadi lebih buruk. data tidak valid, sehingga kami harus melakukan pelatihan tambahan dan terus mengulangi algoritme dan model kami.

Dalam jangka panjang, Label Shanghai AI AWS memberikan saran eksperimen di masa depan untuk memecahkan masalah sebelumnya berdasarkan penelitian yang berpusat pada objek: Menjembatani Kesenjangan dalam Pembelajaran Berpusat pada Objek di Dunia Nyata dan Segmentasi Objek Video Amodal yang diawasi sendiri. Selain membatalkan validasi data outlier tersebut, masalah ini juga dapat diatasi dengan mengembangkan model tingkat objek yang lebih tepat untuk estimasi pose, segmentasi amodal, dan pelacakan yang diawasi. Namun, saluran visi tradisional untuk tugas-tugas ini biasanya memerlukan pelabelan yang ekstensif. Pembelajaran yang berpusat pada objek berfokus pada mengatasi masalah pengikatan piksel ke objek tanpa pengawasan tambahan. Proses pengikatan tidak hanya memberikan informasi tentang lokasi objek tetapi juga menghasilkan representasi objek yang kuat dan mudah beradaptasi untuk tugas-tugas hilir. Karena alur yang berpusat pada objek berfokus pada pengaturan dengan pengawasan mandiri atau pengawasan lemah, kami dapat meningkatkan kinerja tanpa meningkatkan biaya pelabelan secara signifikan bagi pelanggan kami.

Setelah menyelesaikan serangkaian masalah dan menggabungkan skor yang diberikan oleh dokter hewan peternakan dan ahli gizi, kami memperoleh skor ketimpangan komprehensif untuk sapi, yang membantu kami mengidentifikasi sapi dengan tingkat ketimpangan berbeda seperti parah, sedang, dan ringan, dan bisa juga mengidentifikasi berbagai atribut postur tubuh sapi, membantu analisis dan penilaian lebih lanjut.

Dalam beberapa minggu, kami mengembangkan solusi menyeluruh untuk mengidentifikasi sapi yang lumpuh. Kamera perangkat keras untuk solusi ini hanya berharga 300 RMB, dan Amazon SageMaker inferensi batch, saat menggunakan instance g4dn.xlarge, membutuhkan waktu sekitar 50 jam untuk 2 jam video, dengan total hanya 300 RMB. Saat memasuki produksi, jika lima batch sapi terdeteksi per minggu (dengan asumsi sekitar 10 jam), dan termasuk video dan data yang disimpan, biaya deteksi bulanan untuk peternakan berukuran sedang dengan beberapa ribu sapi kurang dari 10,000 RMB.

Saat ini, proses model pembelajaran mesin kami adalah sebagai berikut:

1. Video mentah direkam.
2. Sapi terdeteksi dan diidentifikasi.
3. Setiap sapi dilacak, dan poin-poin penting terdeteksi.
4. Setiap pergerakan sapi dianalisis.
5. Skor ketimpangan ditentukan.

Penerapan model

Kami telah menjelaskan solusi untuk mengidentifikasi sapi lumpuh berdasarkan pembelajaran mesin sebelumnya. Sekarang, kita perlu menerapkan model ini di SageMaker. Seperti yang ditunjukkan pada gambar berikut:

Implementasi bisnis

Tentu saja, apa yang telah kita diskusikan sejauh ini hanyalah inti dari solusi teknis kami. Untuk mengintegrasikan seluruh solusi ke dalam proses bisnis, kita juga harus mengatasi permasalahan berikut:

• Umpan balik data: Misalnya, kita harus menyediakan antarmuka kepada dokter hewan untuk memfilter dan melihat sapi lumpuh yang perlu diproses dan mengumpulkan data selama proses ini untuk digunakan sebagai data pelatihan.
• Identifikasi sapi: Setelah dokter hewan melihat sapi lumpuh, mereka juga perlu mengetahui identitas sapi tersebut, seperti nomor dan kandangnya.
• Posisi sapi: Di kandang yang berisi ratusan sapi, temukan sapi target dengan cepat.
• Penambangan data: Misalnya, cari tahu bagaimana tingkat ketimpangan mempengaruhi pemberian makan, ruminasi, istirahat, dan produksi susu.
• Berdasarkan data: Misalnya saja mengidentifikasi ciri-ciri genetik, fisiologis, dan perilaku sapi lumpuh untuk mencapai perkembangbiakan dan reproduksi yang optimal.

Hanya dengan mengatasi masalah-masalah ini solusinya dapat benar-benar menyelesaikan masalah bisnis, dan data yang dikumpulkan dapat menghasilkan nilai jangka panjang. Beberapa dari masalah ini adalah masalah integrasi sistem, sementara yang lainnya adalah masalah integrasi teknologi dan bisnis. Kami akan membagikan informasi lebih lanjut tentang masalah ini di artikel mendatang.

Kesimpulan

Dalam artikel ini, kami menjelaskan secara singkat bagaimana tim AWS Customer Solutions berinovasi dengan cepat berdasarkan bisnis pelanggan. Mekanisme ini memiliki beberapa ciri:

• Bisnis yang dipimpin: Prioritaskan untuk memahami industri pelanggan dan proses bisnis di lokasi dan secara langsung sebelum membahas teknologi, lalu selidiki poin-poin, tantangan, dan masalah pelanggan untuk mengidentifikasi masalah penting yang dapat diselesaikan dengan teknologi.
• Segera tersedia: Berikan prototipe yang sederhana namun lengkap dan dapat digunakan langsung kepada pelanggan untuk pengujian, validasi, dan iterasi cepat dalam beberapa minggu, bukan bulan.
• Biaya minimal: Meminimalkan atau bahkan menghilangkan biaya pelanggan sebelum nilainya benar-benar divalidasi, sehingga menghindari kekhawatiran tentang masa depan. Ini sejalan dengan AWS kesederhanaan prinsip kepemimpinan.

Dalam proyek inovasi kolaboratif kami dengan industri susu, kami tidak hanya memulai dari perspektif bisnis untuk mengidentifikasi masalah bisnis tertentu dengan pakar bisnis, namun juga melakukan investigasi di lokasi di peternakan dan pabrik bersama pelanggan. Kami menentukan penempatan kamera di lokasi, memasang dan menerapkan kamera, serta menerapkan solusi streaming video. Para ahli dari AWS Generative AI Innovation Center membedah kebutuhan pelanggan dan mengembangkan algoritme, yang kemudian direkayasa oleh arsitek solusi untuk keseluruhan algoritme.

Dengan setiap inferensi, kami dapat memperoleh ribuan video berjalan sapi yang didekomposisi dan diberi tag, masing-masing dengan ID video asli, ID sapi, skor ketimpangan, dan berbagai skor detail. Logika perhitungan lengkap dan data gaya berjalan mentah juga disimpan untuk optimasi algoritma selanjutnya.

Data ketimpangan tidak hanya dapat digunakan untuk intervensi dini oleh dokter hewan, tetapi juga dikombinasikan dengan data mesin pemerah susu untuk analisis silang, memberikan dimensi validasi tambahan dan menjawab beberapa pertanyaan bisnis tambahan, seperti: Apa ciri-ciri fisik sapi dengan tingkat ketimpangan tertinggi? hasil susu? Apa pengaruh ketimpangan terhadap produksi susu pada sapi? Apa penyebab utama sapi lumpuh dan bagaimana cara mencegahnya? Informasi ini akan memberikan ide-ide baru untuk operasional peternakan.

Kisah mengidentifikasi sapi lumpuh berakhir di sini, namun kisah inovasi peternakan baru saja dimulai. Pada artikel selanjutnya, kami akan terus membahas bagaimana kami bekerja sama dengan pelanggan untuk memecahkan masalah lainnya.

---

Tentang Penulis

Hao Huang adalah ilmuwan terapan di AWS Generative AI Innovation Center. Dia berspesialisasi dalam Computer Vision (CV) dan Visual-Language Model (VLM). Baru-baru ini, dia telah mengembangkan minat yang kuat pada teknologi AI generatif dan telah berkolaborasi dengan pelanggan untuk menerapkan teknologi mutakhir ini ke bisnis mereka. Dia juga seorang reviewer untuk konferensi AI seperti ICCV dan AAAI.

Peiyang Dia adalah ilmuwan data senior di AWS Generative AI Innovation Center. Dia bekerja dengan pelanggan di beragam spektrum industri untuk memecahkan kebutuhan bisnis mereka yang paling mendesak dan inovatif dengan memanfaatkan solusi GenAI/ML. Di waktu luangnya, dia menikmati bermain ski dan jalan-jalan.

Xuefeng Liu memimpin tim sains di AWS Generative AI Innovation Center di kawasan Asia Pasifik dan Tiongkok Raya. Timnya bermitra dengan pelanggan AWS dalam proyek AI generatif, dengan tujuan mempercepat adopsi AI generatif oleh pelanggan.

Tianjun Xiao adalah ilmuwan terapan senior di AWS AI Shanghai Lablet, yang ikut memimpin upaya visi komputer. Saat ini, fokus utamanya terletak pada bidang model landasan multimodal dan pembelajaran yang berpusat pada objek. Dia secara aktif menyelidiki potensinya dalam beragam aplikasi, termasuk analisis video, visi 3D, dan mengemudi otonom.

Zhang Dai adalah arsitek solusi senior AWS untuk China Geo Business Sector. Dia membantu perusahaan dari berbagai ukuran mencapai tujuan bisnis mereka dengan memberikan konsultasi mengenai proses bisnis, pengalaman pengguna, dan teknologi cloud. Dia adalah penulis blog yang produktif dan juga penulis dua buku: The Modern Autodidact dan Designing Experience.

Jian Yu Zeng adalah manajer solusi pelanggan senior di AWS, yang bertanggung jawab mendukung pelanggan, seperti grup New Hope, selama transisi cloud dan membantu mereka mewujudkan nilai bisnis melalui solusi teknologi berbasis cloud. Dengan minat yang kuat pada kecerdasan buatan, dia terus mencari cara memanfaatkan AI untuk mendorong perubahan inovatif dalam bisnis pelanggan kami.

Carol Tong Min adalah manajer pengembangan bisnis senior, yang bertanggung jawab atas Akun Utama di GCR GEO West, termasuk dua pelanggan perusahaan penting: Grup Jiannanchun dan Grup Harapan Baru. Dia terobsesi dengan pelanggan, dan selalu bersemangat dalam mendukung dan mempercepat perjalanan cloud pelanggan.

Nick Jiang adalah spesialis penjualan senior di tim AIML SSO di Tiongkok. Dia fokus dalam mentransfer solusi AIML yang inovatif dan membantu pelanggan membangun beban kerja terkait AI dalam AWS.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/