Tieni d'occhio il tuo bestiame utilizzando la tecnologia AI | Servizi Web di Amazon

At Amazon Web Services (AWS), non solo siamo appassionati nel fornire ai clienti una varietà di soluzioni tecniche complete, ma siamo anche desiderosi di comprendere a fondo i processi aziendali dei nostri clienti. Adottiamo una prospettiva di terze parti e un giudizio obiettivo per aiutare i clienti a individuare le loro proposte di valore, raccogliere punti critici, proporre soluzioni appropriate e creare i prototipi più convenienti e utilizzabili per aiutarli a raggiungere sistematicamente i loro obiettivi aziendali.

Questo metodo è chiamato lavorando a ritroso presso AWS. Significa mettere da parte tecnologie e soluzioni, partendo dai risultati attesi dai clienti, confermandone il valore, e poi deducendo cosa occorre fare in ordine inverso prima di implementare finalmente una soluzione. Durante la fase di implementazione, seguiamo anche il concetto di prodotto minimo vitale e sforzarsi di formare rapidamente un prototipo in grado di generare valore entro poche settimane, per poi ripeterlo.

Oggi esaminiamo un caso di studio in cui AWS e New Hope Dairy hanno collaborato per creare una fattoria intelligente sul cloud. Da questo post del blog potrai comprendere a fondo ciò che AWS può offrire per la creazione di una smart farm e come creare applicazioni smart farm sul cloud con gli esperti AWS.

Sfondo del progetto

Il latte è una bevanda nutriente. In considerazione della salute nazionale, la Cina ha promosso attivamente lo sviluppo dell’industria lattiero-casearia. Secondo i dati di Euromonitor International, la vendita di prodotti lattiero-caseari in Cina ha raggiunto i 638.5 miliardi di RMB nel 2020 e si prevede che raggiungerà gli 810 miliardi di RMB nel 2025. Inoltre, anche il tasso di crescita annuale composto negli ultimi 14 anni ha raggiunto il 10%. mostrando un rapido sviluppo.

D’altra parte, nel 2022, la maggior parte delle entrate dell’industria lattiero-casearia cinese proviene ancora dal latte liquido. Il 20% del latte crudo viene utilizzato per latte liquido e yogurt, e un altro XNUMX% è latte in polvere, un derivato del latte liquido. Solo una piccola quantità viene utilizzata per prodotti altamente trasformati come formaggi e panna.

Il latte liquido è un prodotto leggermente trasformato e la sua produzione, qualità e costo sono strettamente legati al latte crudo. Ciò significa che se l’industria lattiero-casearia vuole liberare capacità per concentrarsi sulla produzione di prodotti altamente trasformati, creare nuovi prodotti e condurre ricerche biotecnologiche più innovative, deve prima migliorare e stabilizzare la produzione e la qualità del latte crudo.

In qualità di leader del settore lattiero-caseario, New Hope Dairy ha riflettuto su come migliorare l'efficienza delle sue operazioni di ranch e aumentare la produzione e la qualità del latte crudo. New Hope Dairy spera di utilizzare la prospettiva di terze parti e le competenze tecnologiche di AWS per facilitare l'innovazione nel settore lattiero-caseario. Con il supporto e la promozione di Liutong Hu, vicepresidente e CIO di New Hope Dairy, il team del cliente AWS ha iniziato a organizzare operazioni e potenziali punti di innovazione per gli allevamenti.

Le sfide degli allevamenti lattiero-caseari

AWS è un esperto nel campo della tecnologia cloud, ma per implementare l'innovazione nel settore lattiero-caseario è necessaria la consulenza professionale di esperti in materia lattiero-casearia. Pertanto, abbiamo condotto diverse interviste approfondite con Liangrong Song, il vicedirettore del centro tecnologico di produzione di New Hope Dairy, il team di gestione del ranch e i nutrizionisti per comprendere alcuni dei problemi e delle sfide che l'azienda agricola deve affrontare.

Il primo è fare l'inventario delle mucche di riserva

Le mucche da latte del ranch si dividono in due tipologie: vacche da latte ed mucche di riserva. Le vacche da latte sono mature e producono latte ininterrottamente, mentre le vacche di riserva sono mucche che non hanno ancora raggiunto l'età per produrre latte. Le aziende agricole di grandi e medie dimensioni solitamente forniscono alle vacche da riserva un’area di attività aperta più ampia per creare un ambiente di crescita più confortevole.

Tuttavia, sia le vacche da latte che quelle da riserva sono beni dell'azienda agricola e devono essere inventariate mensilmente. Le mucche da latte vengono munte ogni giorno e, poiché sono relativamente ferme durante la mungitura, il monitoraggio dell'inventario è semplice. Tuttavia, le mucche di riserva si trovano in uno spazio aperto e vagano liberamente, il che rende scomodo il loro inventario. Ogni volta che viene effettuato l'inventario, diversi lavoratori contano ripetutamente le mucche di riserva provenienti da aree diverse e, infine, i numeri vengono controllati. Questo processo richiede da uno a due giorni per diversi lavoratori e spesso ci sono problemi con l’allineamento dei conteggi o incertezze sul fatto che ciascuna mucca sia stata conteggiata.

È possibile risparmiare molto tempo se disponiamo di un modo per effettuare l'inventario delle riserve delle mucche in modo rapido e accurato.

Il secondo è identificare i bovini zoppi

Attualmente, la maggior parte delle aziende lattiero-casearie utilizza una razza denominata Holstein per produrre latte. Le Holstein sono le mucche bianche e nere con cui la maggior parte di noi ha familiarità. Nonostante la maggior parte delle aziende lattiero-casearie utilizzi la stessa razza, esistono ancora differenze nella quantità e qualità della produzione di latte tra le diverse aziende e allevamenti. Questo perché la salute delle vacche da latte influisce direttamente sulla produzione di latte.

Tuttavia, le mucche non possono esprimere il disagio da sole come fanno gli esseri umani, e non è pratico per i veterinari sottoporre regolarmente migliaia di mucche a esami fisici. Pertanto, dobbiamo utilizzare indicatori esterni per giudicare rapidamente lo stato di salute delle mucche.

Gli indicatori esterni della salute di una mucca includono punteggio della condizione corporea ed grado di zoppia. Il punteggio della condizione corporea è in gran parte correlato alla percentuale di grasso corporeo della mucca ed è un indicatore a lungo termine, mentre la zoppia è un indicatore a breve termine causato da problemi alle gambe o infezioni ai piedi e altri problemi che influenzano l'umore, la salute e la produzione di latte della mucca. Inoltre, le mucche Holstein adulte possono pesare più di 500 kg, il che può causare danni significativi ai loro piedi se non sono stabili. Pertanto, quando si verifica una zoppia, i veterinari dovrebbero intervenire il prima possibile.

Secondo uno studio del 2014, la percentuale di mucche gravemente zoppe in Cina può raggiungere il 31%. Anche se la situazione potrebbe essere migliorata dopo lo studio, il numero dei veterinari negli allevamenti è estremamente limitato, rendendo difficile il monitoraggio regolare delle mucche. Quando viene rilevata una zoppia, la situazione è spesso grave, il trattamento è lungo e difficile e la produzione di latte è già compromessa.

Se avessimo un modo per rilevare tempestivamente la zoppia nelle mucche e sollecitare i veterinari a intervenire nella fase di zoppia lieve, la salute generale e la produzione di latte delle mucche aumenteranno e le prestazioni dell’allevamento miglioreranno.

Infine, c'è l'ottimizzazione dei costi di alimentazione

Nel settore dell’allevamento, il mangime rappresenta il costo variabile più importante. Per garantire la qualità e l’inventario dei mangimi, le aziende agricole spesso devono acquistare ingredienti per mangimi da fornitori nazionali ed esteri e consegnarli agli stabilimenti di formulazione di mangimi per la lavorazione. Esistono molti tipi di ingredienti per mangimi moderni, tra cui farina di soia, mais, erba medica, erba di avena e così via, il che significa che ci sono molte variabili in gioco. Ogni tipo di ingrediente per mangimi ha il proprio ciclo di prezzo e fluttuazioni di prezzo. Durante fluttuazioni significative, il costo totale del mangime può variare di oltre il 15%, provocando un impatto significativo.

I costi dei mangimi variano, ma i prezzi dei prodotti lattiero-caseari sono relativamente stabili nel lungo termine. Di conseguenza, in condizioni altrimenti invariate, il profitto complessivo può variare in modo significativo a causa semplicemente delle variazioni dei costi di alimentazione.

Per evitare questa fluttuazione, è necessario considerare di immagazzinare più ingredienti quando i prezzi sono bassi. Ma l’allevamento deve anche considerare se il prezzo è davvero al minimo e quale quantità di mangime dovrebbe essere acquistata in base al tasso di consumo attuale.

Se abbiamo un modo per prevedere con precisione il consumo di mangime e combinarlo con l’andamento generale dei prezzi per suggerire il momento e la quantità migliori di mangime da acquistare, possiamo ridurre i costi e aumentare l’efficienza dell’allevamento.

È evidente che questi problemi sono direttamente correlati all'obiettivo di miglioramento del cliente efficienza operativa dell’azienda agricola, e i metodi sono rispettivamente liberando manodopera, aumento della produzione ed riduzione dei costi. Attraverso discussioni sulla difficoltà e sul valore della risoluzione di ciascun problema, abbiamo scelto aumento della produzione come punto di partenza e ha dato priorità alla risoluzione del problema delle vacche zoppe.

Ricerca

Prima di parlare di tecnologia, bisognava fare ricerca. La ricerca è stata condotta congiuntamente dal team clienti AWS, the Centro di innovazione dell'intelligenza artificiale generativa AWS, che ha gestito i modelli di algoritmi di apprendimento automatico, e Etichetta AWS AI Shanghai, che fornisce consulenza sugli algoritmi sulle ultime ricerche sulla visione artificiale e sul team di esperti agricoli di New Hope Dairy. La ricerca è stata suddivisa in più parti:

• Comprendere il tradizionale metodo cartaceo di identificazione delle mucche zoppe e sviluppare una comprensione di base di cosa siano le mucche zoppe.
• Confermare le soluzioni esistenti, comprese quelle utilizzate nelle aziende agricole e nell’industria.
• Condurre ricerche sull'ambiente agricolo per comprendere la situazione fisica e i limiti.

Attraverso lo studio dei materiali e l'osservazione di video sul posto, i team hanno acquisito una conoscenza di base delle mucche zoppe. I lettori possono anche farsi un'idea di base della postura delle mucche zoppe attraverso l'immagine animata qui sotto.

A differenza di una mucca relativamente sana.

Le mucche zoppe presentano differenze visibili nella postura e nell'andatura rispetto alle mucche sane.

Per quanto riguarda le soluzioni esistenti, la maggior parte degli allevamenti si affida all’ispezione visiva da parte di veterinari e nutrizionisti per identificare le mucche zoppe. Nel settore esistono soluzioni che utilizzano contapassi e accelerometri indossabili per l'identificazione, nonché soluzioni che utilizzano pese a ponte suddivise per l'identificazione, ma entrambe sono relativamente costose. Per il settore lattiero-caseario altamente competitivo, dobbiamo ridurre al minimo i costi di identificazione, i costi e la dipendenza da hardware non generico.

Dopo aver discusso e analizzato le informazioni con veterinari e nutrizionisti del ranch, gli esperti dell'AWS Generative AI Innovation Center hanno deciso di utilizzare la visione artificiale (CV) per l'identificazione, basandosi solo su hardware ordinario: telecamere di sorveglianza civili, che non aggiungono alcun onere aggiuntivo alla mucche e ridurre i costi e le barriere all’utilizzo.

Dopo aver deciso questa direzione, abbiamo visitato una fattoria di medie dimensioni con migliaia di mucche, abbiamo studiato l'ambiente del ranch e determinato la posizione e l'angolazione in cui posizionare la telecamera.

Proposta iniziale

Ora, per la soluzione. Il nucleo della nostra soluzione basata su CV è costituito dai seguenti passaggi:

• Identificazione della mucca: Identificare più mucche in un singolo fotogramma video e contrassegnare la posizione di ciascuna mucca.
• Tracciamento delle mucche: Durante la registrazione del video, dobbiamo monitorare continuamente le mucche man mano che i fotogrammi cambiano e assegnare un numero univoco a ciascuna mucca.
• Marcatura della postura: Riduci la dimensionalità dei movimenti della mucca convertendo le immagini della mucca in punti contrassegnati.
• Identificazione dell'anomalia: Identificare anomalie nella dinamica dei punti contrassegnati.
• Algoritmo della mucca zoppa: Normalizzare le anomalie per ottenere un punteggio per determinare il grado di zoppia della mucca.
• Determinazione della soglia: Ottenere una soglia basata sugli input degli esperti.

Secondo il giudizio degli esperti dell’AWS Generative AI Innovation Center, i primi passaggi sono requisiti generici che possono essere risolti utilizzando modelli open source, mentre gli ultimi passaggi richiedono l’utilizzo di metodi matematici e l’intervento di esperti.

Difficoltà nella soluzione

Per bilanciare costi e prestazioni, abbiamo scelto il modello yolov5l, un modello pre-addestrato di medie dimensioni per il riconoscimento delle mucche, con una larghezza di input di 640 pixel, che offre un buon valore per questa scena.

Mentre YOLOv5 è responsabile del riconoscimento e dell'etichettatura delle mucche in un'unica immagine, in realtà i video sono costituiti da più immagini (fotogrammi) che cambiano continuamente. YOLOv5 non è in grado di identificare che le vacche in frame diversi appartengono allo stesso individuo. Per tracciare e localizzare una mucca su più immagini, è necessario un altro modello chiamato SORT.

ORDINA sta per semplice monitoraggio online e in tempo reale, Dove online significa che considera solo i fotogrammi correnti e quelli precedenti da tracciare senza considerare altri fotogrammi, e in tempo reale significa che può identificare immediatamente l'identità dell'oggetto.

Dopo lo sviluppo di SORT, molti ingegneri lo hanno implementato e ottimizzato, portando allo sviluppo di OC-SORT, che considera l'aspetto dell'oggetto, DeepSORT (e la sua versione aggiornata, StrongSORT), che include l'aspetto umano, e ByteTrack, che utilizza un collegamento di associazione a due fasi per considerare il riconoscimento con scarsa confidenza. Dopo i test, abbiamo scoperto che per la nostra scena, l'algoritmo di tracciamento dell'aspetto di DeepSORT è più adatto agli esseri umani che alle mucche e la precisione di tracciamento di ByteTrack è leggermente più debole. Di conseguenza, alla fine abbiamo scelto OC-SORT come algoritmo di tracciamento.

Successivamente, utilizziamo DeepLabCut (DLC in breve) per contrassegnare i punti scheletrici delle mucche. Il DLC è un modello senza marcatori, il che significa che sebbene punti diversi, come la testa e gli arti, possano avere significati diversi, sono tutti semplicemente punti per DLC, che richiede solo di contrassegnare i punti e addestrare il modello.

Ciò porta ad una nuova domanda: quanti punti dovremmo segnare su ciascuna mucca e dove dovremmo segnarli? La risposta a questa domanda influisce sul carico di lavoro di valutazione, formazione e successiva efficienza di inferenza. Per risolvere questo problema dobbiamo prima capire come identificare le mucche zoppe.

Sulla base della nostra ricerca e dei suggerimenti dei nostri clienti esperti, le mucche zoppe nei video mostrano le seguenti caratteristiche:

• Una schiena arcuata: Il collo e la schiena sono curvi, formando un triangolo con la radice dell'osso del collo (schiena arcuata).
• Cenni frequenti: Ogni passo può far perdere l'equilibrio o scivolare alla mucca, con conseguenti movimenti frequenti cenno del capo (testa dondolante).
• Andatura instabile: L'andatura della mucca cambia dopo pochi passi, con leggere pause (cambiamento dello schema dell'andatura).

Per quanto riguarda la curvatura del collo e della schiena e il cenno del capo, gli esperti dell'AWS Generative AI Innovation Center hanno stabilito che segnare solo sette punti posteriori (uno sulla testa, uno alla base del collo e cinque sulla schiena) sui bovini può comportare una buona identificazione. Poiché ora disponiamo di un quadro di identificazione, dovremmo anche essere in grado di riconoscere modelli di andatura instabili.

Successivamente, utilizziamo espressioni matematiche per rappresentare i risultati dell'identificazione e formare algoritmi.

L'identificazione umana di questi problemi non è difficile, ma per l'identificazione computerizzata sono necessari algoritmi precisi. Ad esempio, come fa un programma a conoscere il grado di curvatura della schiena di una mucca dato un insieme di punti di coordinate della schiena di una mucca? Come fa a sapere se una mucca sta annuendo?

In termini di curvatura della schiena, consideriamo prima di considerare la schiena della mucca come un angolo e poi troviamo il vertice di quell'angolo, che ci permette di calcolare l'angolo. Il problema con questo metodo è che la colonna vertebrale potrebbe avere una curvatura bidirezionale, rendendo difficile l’identificazione del vertice dell’angolo. Ciò richiede il passaggio ad altri algoritmi per risolvere il problema.

In termini di annuire, abbiamo prima considerato l'utilizzo della distanza di Fréchet per determinare se la mucca annuisce, confrontando la differenza nella curva della postura complessiva della mucca. Tuttavia, il problema è che i punti scheletrici della mucca potrebbero essere spostati, causando una distanza significativa tra curve simili. Per risolvere questo problema, dobbiamo eliminare la posizione della testa rispetto alla casella di riconoscimento e normalizzarla.

Dopo aver normalizzato la posizione della testa, abbiamo riscontrato un nuovo problema. Nell'immagine che segue, il grafico a sinistra mostra il cambiamento nella posizione della testa della mucca. Possiamo vedere che a causa di problemi di precisione del riconoscimento, la posizione del punto della testa tremerà leggermente costantemente. Dobbiamo rimuovere questi piccoli movimenti e trovare l'andamento del movimento relativamente ampio della testa. È qui che è necessaria una certa conoscenza dell'elaborazione del segnale. Utilizzando un filtro Savitzky-Golay, possiamo attenuare un segnale e ottenere la sua tendenza generale, rendendoci più semplice identificare il nodding, come mostrato dalla curva arancione nel grafico a destra.

Inoltre, dopo decine di ore di riconoscimento video, abbiamo scoperto che alcune mucche con una curvatura della schiena estremamente elevata in realtà non avevano la schiena curva. Ulteriori indagini hanno rivelato che ciò era dovuto al fatto che la maggior parte delle mucche utilizzate per addestrare il modello DLC erano per lo più nere o bianche e nere, e non c'erano molte mucche che erano per lo più bianche o vicine al bianco puro, con il risultato che il modello le riconosceva in modo errato quando avevano grandi aree bianche sul corpo, come mostrato dalla freccia rossa nella figura sotto. Questo può essere corretto attraverso un ulteriore addestramento del modello.

Oltre a risolvere i problemi precedenti, c'erano altri problemi generici da risolvere:

• Ci sono due percorsi nel fotogramma video e anche le mucche in lontananza potrebbero essere riconosciute, causando problemi.
• Anche i percorsi nel video hanno una certa curvatura e la lunghezza del corpo della mucca si accorcia quando la mucca si trova ai lati del percorso, rendendo facile l'identificazione errata della postura.
• A causa della sovrapposizione di più vacche o dell’occlusione dal recinto, la stessa vacca potrebbe essere identificata come due vacche.
• A causa dei parametri di tracciamento e dei salti occasionali dei fotogrammi della telecamera, è impossibile tracciare correttamente le mucche, con conseguenti problemi di confusione nell'identità.

A breve termine, sulla base dell'allineamento con New Hope Dairy sulla fornitura di un prodotto minimo vitale e quindi sull'iterazione su di esso, questi problemi possono solitamente essere risolti mediante algoritmi di giudizio anomalo combinati con il filtraggio della confidenza e, se non possono essere risolti, diventeranno dati non validi, che richiedono una formazione aggiuntiva e un'iterazione continua dei nostri algoritmi e modelli.

A lungo termine, Etichetta AWS AI Shanghai hanno fornito suggerimenti per esperimenti futuri per risolvere i problemi precedenti in base alla loro ricerca incentrata sugli oggetti: Colmare il divario con l'apprendimento incentrato sugli oggetti nel mondo reale ed Segmentazione di oggetti video amodali autosupervisionati. Oltre a invalidare questi dati anomali, i problemi possono anche essere risolti sviluppando modelli a livello di oggetto più precisi per la stima della posa, la segmentazione amodale e il tracciamento supervisionato. Tuttavia, le tradizionali pipeline di visione per queste attività richiedono in genere un’etichettatura estesa. L'apprendimento incentrato sugli oggetti si concentra sull'affrontare il problema del legame dei pixel con gli oggetti senza ulteriore supervisione. Il processo di associazione non solo fornisce informazioni sulla posizione degli oggetti, ma produce anche rappresentazioni di oggetti robuste e adattabili per le attività a valle. Poiché la pipeline incentrata sugli oggetti si concentra su impostazioni auto-supervisionate o scarsamente supervisionate, possiamo migliorare le prestazioni senza aumentare in modo significativo i costi di etichettatura per i nostri clienti.

Dopo aver risolto una serie di problemi e combinato i punteggi forniti dal veterinario dell'allevamento e dal nutrizionista, abbiamo ottenuto un punteggio completo di zoppia per le vacche, che ci aiuta a identificare le vacche con diversi gradi di zoppia come grave, moderata e lieve, e può anche identificare molteplici attributi di postura del corpo delle mucche, aiutando ulteriori analisi e giudizi.

Nel giro di poche settimane abbiamo sviluppato una soluzione end-to-end per identificare le vacche zoppe. La fotocamera hardware per questa soluzione costa solo 300 RMB e il Amazon Sage Maker l'inferenza batch, quando si utilizza l'istanza g4dn.xlarge, ha richiesto circa 50 ore per 2 ore di video, per un totale di soli 300 RMB. Quando entra in produzione, se vengono rilevati cinque lotti di mucche a settimana (presupponendo circa 10 ore) e includendo i video e i dati salvati a rotazione, il costo di rilevamento mensile per un ranch di medie dimensioni con diverse migliaia di mucche è inferiore a 10,000 RMB.

Attualmente, il processo del nostro modello di machine learning è il seguente:

1. Viene registrato il video grezzo.
2. Le mucche vengono rilevate e identificate.
3. Ogni mucca viene monitorata e vengono rilevati i punti chiave.
4. Il movimento di ogni mucca viene analizzato.
5. Viene determinato un punteggio di zoppia.

Distribuzione del modello

Abbiamo già descritto la soluzione per identificare le mucche zoppe basata sull'apprendimento automatico. Ora dobbiamo distribuire questi modelli su SageMaker. Come mostrato nella figura seguente:

Implementazione aziendale

Naturalmente, ciò di cui abbiamo discusso finora è solo il nucleo della nostra soluzione tecnica. Per integrare l’intera soluzione nel processo aziendale, dobbiamo anche affrontare i seguenti problemi:

• Feedback sui dati: Ad esempio, dobbiamo fornire ai veterinari un'interfaccia per filtrare e visualizzare le mucche zoppe che devono essere trattate e raccogliere dati durante questo processo da utilizzare come dati di addestramento.
• Identificazione della mucca: Dopo che un veterinario ha visto una mucca zoppa, deve anche conoscere l'identità della mucca, come il numero e il recinto.
• Posizionamento della mucca: In un recinto con centinaia di mucche, individua rapidamente la mucca bersaglio.
• Estrazione dei dati: Scopri ad esempio come il grado di zoppia influisce sull'alimentazione, sulla ruminazione, sul riposo e sulla produzione di latte.
• Basato sui dati: Ad esempio, identificare le caratteristiche genetiche, fisiologiche e comportamentali delle mucche zoppe per ottenere un allevamento e una riproduzione ottimali.

Solo affrontando questi problemi la soluzione può veramente risolvere il problema aziendale e i dati raccolti possono generare valore a lungo termine. Alcuni di questi problemi riguardano l'integrazione dei sistemi, mentre altri riguardano la tecnologia e l'integrazione aziendale. Condivideremo ulteriori informazioni su questi problemi nei prossimi articoli.

Sommario

In questo articolo, abbiamo spiegato brevemente come il team AWS Customer Solutions innova rapidamente in base all'attività del cliente. Questo meccanismo ha diverse caratteristiche:

• Attività guidata: Dare priorità alla comprensione del settore e dei processi aziendali del cliente in loco e di persona prima di discutere di tecnologia, quindi approfondire i punti critici, le sfide e i problemi del cliente per identificare questioni importanti che possono essere risolte con la tecnologia.
• Immediatamente Disponibile: Fornisci un prototipo semplice ma completo e utilizzabile direttamente al cliente per test, convalida e iterazione rapida in poche settimane, non in mesi.
• Costo minimo: Minimizzare o addirittura eliminare i costi del cliente prima che il valore sia realmente convalidato, evitando preoccupazioni sul futuro. Questo è in linea con l'AWS frugalità principio di leadership.

Nel nostro progetto di innovazione collaborativa con l’industria lattiero-casearia, non solo siamo partiti dalla prospettiva aziendale per identificare specifici problemi aziendali con esperti aziendali, ma abbiamo anche condotto indagini in loco presso l’azienda agricola e lo stabilimento con il cliente. Abbiamo determinato il posizionamento della telecamera sul posto, installato e distribuito le telecamere e implementato la soluzione di streaming video. Gli esperti dell'AWS Generative AI Innovation Center hanno analizzato i requisiti del cliente e sviluppato un algoritmo, che è stato poi progettato da un solution architect per l'intero algoritmo.

Con ogni inferenza, potremmo ottenere migliaia di video di passeggiate di mucche scomposti ed etichettati, ciascuno con l'ID video originale, l'ID della mucca, il punteggio di zoppia e vari punteggi dettagliati. Sono stati conservati anche la logica di calcolo completa e i dati grezzi dell'andatura per la successiva ottimizzazione dell'algoritmo.

I dati sulla zoppia possono essere utilizzati non solo per un intervento precoce da parte dei veterinari, ma anche combinati con i dati delle mungitrici per analisi incrociate, fornendo un'ulteriore dimensione di convalida e rispondendo ad alcune domande aziendali aggiuntive, come: Quali sono le caratteristiche fisiche delle vacche con il tasso più elevato di zoppia? produzione di latte? Qual è l’effetto della zoppia sulla produzione di latte nelle mucche? Qual è la causa principale delle mucche zoppe e come si può prevenire? Queste informazioni forniranno nuove idee per le operazioni agricole.

La storia dell’identificazione delle mucche zoppe finisce qui, ma la storia dell’innovazione agricola è appena iniziata. Negli articoli successivi continueremo a discutere di come lavoriamo a stretto contatto con i clienti per risolvere altri problemi.

---

Informazioni sugli autori

Hao Huang è uno scienziato applicato presso l'AWS Generative AI Innovation Center. È specializzato in Computer Vision (CV) e Visual-Language Model (VLM). Di recente ha sviluppato un forte interesse per le tecnologie di intelligenza artificiale generativa e ha già collaborato con clienti per applicare queste tecnologie all'avanguardia al loro business. È anche revisore per conferenze AI come ICCV e AAAI.

Peiyang He è un data scientist senior presso l'AWS Generative AI Innovation Center. Lavora con clienti in un ampio spettro di settori per risolvere le loro esigenze aziendali più urgenti e innovative sfruttando le soluzioni GenAI/ML. Nel tempo libero le piace sciare e viaggiare.

Xuefeng Liu guida un team scientifico presso l'AWS Generative AI Innovation Center nelle regioni dell'Asia Pacifico e della Grande Cina. Il suo team collabora con i clienti AWS su progetti di intelligenza artificiale generativa, con l'obiettivo di accelerare l'adozione dell'intelligenza artificiale generativa da parte dei clienti.

Tianjun Xiao è uno scienziato applicato senior presso AWS AI Shanghai Lablet, co-guidando le attività di visione artificiale. Attualmente, il suo focus principale risiede nei regni dei modelli di base multimodali e dell'apprendimento incentrato sugli oggetti. Sta studiando attivamente il loro potenziale in diverse applicazioni, tra cui analisi video, visione 3D e guida autonoma.

Zhang Dai è un architetto di soluzioni senior di AWS per il settore geografico cinese. Aiuta aziende di varie dimensioni a raggiungere i propri obiettivi di business fornendo consulenza su processi aziendali, user experience e tecnologia cloud. È un prolifico scrittore di blog e anche autore di due libri: The Modern Autodidact e Designing Experience.

Jianyu Zeng è un Senior Customer Solutions Manager presso AWS, la cui responsabilità è supportare i clienti, come il gruppo New Hope, durante la transizione al cloud e assisterli nella realizzazione di valore aziendale attraverso soluzioni tecnologiche basate sul cloud. Con un forte interesse per l'intelligenza artificiale, esplora costantemente modi per sfruttare l'intelligenza artificiale per promuovere cambiamenti innovativi nelle attività dei nostri clienti.

Carol Tong Min è un manager senior dello sviluppo aziendale, responsabile dei clienti chiave in GCR GEO West, tra cui due importanti clienti aziendali: Jiannanchun Group e New Hope Group. È ossessionata dai clienti e ha sempre la passione di supportare e accelerare il percorso dei clienti verso il cloud.

Nick Jiang è uno specialista senior delle vendite presso il team AIML SSO in Cina. Si concentra sul trasferimento di soluzioni AIML innovative e sull'aiuto dei clienti nella creazione di carichi di lavoro relativi all'intelligenza artificiale all'interno di AWS.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/