לפקוח עין על הבקר שלך באמצעות טכנולוגיית AI | שירותי האינטרנט של אמזון

At אמזון שירותי אינטרנט (AWS), לא רק שאנו נלהבים לספק ללקוחות מגוון פתרונות טכניים מקיפים, אלא שאנו גם להוטים להבין לעומק את התהליכים העסקיים של הלקוחות שלנו. אנו מאמצים פרספקטיבה של צד שלישי ושיקול דעת אובייקטיבי כדי לעזור ללקוחות למיין את הצעות הערך שלהם, לאסוף נקודות כאב, להציע פתרונות מתאימים וליצור את אבות הטיפוס החסכוניים והשמישים ביותר כדי לעזור להם להשיג באופן שיטתי את היעדים העסקיים שלהם.

שיטה זו נקראת עובדים לאחור ב-AWS. זה אומר לשים בצד את הטכנולוגיה והפתרונות, להתחיל מהתוצאות הצפויות של הלקוחות, לאשר את הערך שלהם, ואז להסיק מה צריך לעשות בסדר הפוך לפני שמוציאים סוף סוף פתרון. במהלך שלב היישום, אנו גם עוקבים אחר הרעיון של מוצר מינימאלי אפשרי ולשאוף ליצור במהירות אב טיפוס שיכול לייצר ערך תוך מספר שבועות, ולאחר מכן לחזור עליו.

היום, בואו נסקור מקרה בוחן שבו AWS וחלבת New Hope שיתפו פעולה כדי לבנות חווה חכמה על הענן. מפוסט זה בבלוג, אתה יכול לקבל הבנה עמוקה לגבי מה AWS יכולה לספק לבניית חווה חכמה וכיצד לבנות יישומי חווה חכמה בענן עם מומחי AWS.

רקע פרויקט

חלב הוא משקה מזין. בהתחשב בבריאות הלאומית, סין מקדמת באופן פעיל את פיתוח תעשיית החלב. על פי נתוני Euromonitor International, מכירת מוצרי החלב בסין הגיעה ל-638.5 מיליארד יואן ב-2020 וצפויה להגיע ל-810 מיליארד יואן בשנת 2025. בנוסף, קצב הצמיחה השנתי המורכב ב-14 השנים האחרונות הגיע גם ל-10 אחוזים, מראה התפתחות מהירה.

מצד שני, נכון לשנת 2022, רוב ההכנסות בתעשיית החלב הסינית עדיין מגיעות מחלב נוזלי. 20 אחוז מהחלב הגולמי משמש לחלב נוזלי ויוגורט, ועוד XNUMX אחוז הם אבקת חלב - נגזרת של חלב נוזלי. רק כמות קטנה מאוד משמשת למוצרים מעובדים מאוד כמו גבינה ושמנת.

חלב נוזלי הוא מוצר מעובד קל ותפוקתו, האיכות והעלות שלו קשורות קשר הדוק לחלב גולמי. המשמעות היא שאם תעשיית החלב רוצה לשחרר יכולת להתמקד בייצור מוצרים מעובדים במיוחד, ליצור מוצרים חדשים ולערוך מחקר ביוטכנולוגיה חדשני יותר, עליה תחילה לשפר ולייצב את הייצור ואיכות החלב הגולמי.

כמובילת תעשיית החלב, New Hope Dairy חשבה כיצד לשפר את היעילות של פעילות החווה שלה ולהגדיל את הייצור והאיכות של החלב הגולמי. New Hope Dairy מקווה להשתמש בפרספקטיבה של צד שלישי ובמומחיות הטכנולוגית של AWS כדי לאפשר חדשנות בתעשיית החלב. עם תמיכה וקידום של Liutong Hu, סמנכ"ל ו-CIO של New Hope Dairy, צוות הלקוחות של AWS החל לארגן פעולות ונקודות חדשנות פוטנציאליות עבור הרפתות.

אתגרי רפת

AWS היא מומחית בתחום טכנולוגיית הענן, אך כדי ליישם חדשנות בתעשיית החלב, יש צורך בייעוץ מקצועי של מומחי נושאי החלב. לכן, ערכנו מספר ראיונות עומק עם ליאנגרונג סונג, סגן מנהל מרכז הייצור הטכנולוגי של מחלבת ניו הופ, צוות ניהול החווה ותזונאים כדי להבין כמה מהבעיות והאתגרים העומדים בפני החווה.

ראשית, עריכת מלאי של פרות מילואים

הפרות החולבות בחווה מתחלקות לשני סוגים: פרות חולבות ו פרות מילואים. פרות חולבות בוגרות ומייצרות חלב ללא הרף, בעוד שפרות מילואים הן פרות שטרם הגיעו לגיל להפקת חלב. חוות גדולות ובינוניות מספקות לרוב לפרות מילואים שטח פעילות פתוח גדול יותר כדי ליצור סביבת גידול נוחה יותר.

עם זאת, גם פרות חולבות וגם פרות מילואים הן נכסים של החווה וצריך לבצע מלאי מדי חודש. פרות חולבות נחלבות מדי יום, ומכיוון שהן דוממות יחסית במהלך החליבה, קל לעקוב אחר המלאי. עם זאת, פרות מילואים נמצאות בשטח פתוח ומסתובבות בחופשיות, מה שהופך את זה לא נוח למלא אותן. בכל פעם שנערך מלאי, מספר עובדים סופרים שוב ושוב את פרות המילואים מאזורים שונים, ולבסוף, המספרים נבדקים. תהליך זה אורך יום עד יומיים עבור מספר עובדים, ולעתים קרובות יש בעיות עם יישור הספירות או אי ודאות לגבי האם כל פרה נספרה.

ניתן לחסוך זמן משמעותי אם יש לנו דרך לאסוף פרות במהירות ובדייקנות.

שנית היא זיהוי בקר צולע

נכון לעכשיו, רוב חברות החלב משתמשות בגזע בשם הולשטיין לייצר חלב. הולשטיין הם הפרות השחורות והלבנות שרובנו מכירים. למרות שרוב חברות החלב משתמשות באותו גזע, עדיין קיימים הבדלים בכמות ואיכות ייצור החלב בין חברות וחוות שונות. הסיבה לכך היא שבריאותן של פרות חולבות משפיעה ישירות על ייצור החלב.

עם זאת, פרות אינן יכולות לבטא אי נוחות בעצמן כמו שבני אדם יכולים, ואין זה מעשי עבור וטרינרים לבצע אלפי פרות בדיקות גופניות באופן קבוע. לכן, עלינו להשתמש באינדיקטורים חיצוניים כדי לשפוט במהירות את מצב הבריאות של פרות.

האינדיקטורים החיצוניים לבריאות הפרה כוללים ציון מצב הגוף ו דרגת צליעה. ציון מצב הגוף קשור במידה רבה לאחוז השומן של הפרה ומהווה אינדיקטור לטווח ארוך, בעוד שצליעה היא אינדיקטור לטווח קצר הנגרמת מבעיות ברגליים או דלקות בכף הרגל ובעיות אחרות המשפיעות על מצב הרוח, בריאותה וייצור החלב של הפרה. בנוסף, פרות הולשטיין בוגרות יכולות לשקול מעל 500 ק"ג, מה שעלול לגרום נזק משמעותי לרגליהן אם הן אינן יציבות. לכן, כאשר מתרחשת צליעה, על הוטרינרים להתערב בהקדם האפשרי.

על פי מחקר משנת 2014, שיעור הפרות הצולעות בסין יכול להגיע ל-31 אחוזים. למרות שהמצב עשוי להשתפר מאז המחקר, מספר הווטרינרים בחוות מוגבל ביותר, מה שמקשה על מעקב קבוע אחר פרות. כאשר מתגלים צליעה, המצב לעיתים חמור, והטיפול לוקח זמן וקשה, וייצור החלב כבר מושפע.

אם תהיה לנו דרך לזהות בזמן צליעה בפרות ולהניע הוטרינרים להתערב בשלב הצליעה הקלה, הבריאות הכללית וייצור החלב של הפרות יגדלו, וביצועי החווה ישתפרו.

לבסוף, יש אופטימיזציה של עלויות הזנה

בתעשיית בעלי החיים, הזנה היא העלות המשתנה הגדולה ביותר. כדי להבטיח את האיכות והמלאי של המזון, חוות צריכות לעתים קרובות לרכוש מרכיבי מזון מספקים מקומיים ומחו"ל ולספק אותם למפעלי ניסוח מזון לעיבוד. ישנם סוגים רבים של מרכיבי מזון מודרניים, כולל קמח סויה, תירס, אספסת, עשב שיבולת שועל וכן הלאה, מה שאומר שישנם משתנים רבים במשחק. לכל סוג של מרכיב מזון יש מחזור מחירים משלו ותנודות מחירים. במהלך תנודות משמעותיות, העלות הכוללת של ההזנה יכולה לנוע ביותר מ-15 אחוז, מה שגורם להשפעה משמעותית.

עלויות ההזנה משתנות, אך מחירי מוצרי החלב יציבים יחסית לטווח הארוך. כתוצאה מכך, בתנאים שלא השתנו, הרווח הכולל יכול להשתנות באופן משמעותי אך ורק בשל שינויים בעלויות הזנה.

כדי למנוע תנודה זו, יש לשקול אחסון מרכיבים נוספים כאשר המחירים נמוכים. אבל גרב צריך גם לשקול אם המחיר הוא באמת בשוקת ואיזו כמות של מזון יש לרכוש בהתאם לקצב הצריכה הנוכחי.

אם יש לנו דרך לחזות במדויק את צריכת המזון ולשלב אותה עם מגמת המחיר הכוללת כדי להציע את הזמן והכמות הטובים ביותר של הזנה לרכישה, נוכל להפחית עלויות ולהגדיל את היעילות בחווה.

ניכר כי נושאים אלו קשורים ישירות למטרה של הלקוח להשתפר יעילות תפעולית של החווה, והשיטות הן בהתאמה לשחרר כוח אדם, הגדלת הייצור ו הפחתת עלויות. דרך דיונים על הקושי והערך של פתרון כל סוגיה, בחרנו הגדלת הייצור כנקודת מוצא ובעדיפות לפתרון בעיית הפרות הצולעות.

מחקר

לפני הדיון בטכנולוגיה, היה צריך לערוך מחקר. המחקר נערך במשותף על ידי צוות הלקוחות של AWS, ה AWS Generative AI Innovation Center, שניהלה את מודלים של אלגוריתמי למידת מכונה, ו תווית AWS AI Shanghai, המספקת ייעוץ אלגוריתמי על מחקר הראייה הממוחשבת העדכני ביותר וצוות החקלאות המומחים של מחלבת ניו הופ. המחקר חולק למספר חלקים:

• הבנת שיטת הזיהוי המסורתית מבוססת נייר של פרות צולעות ופיתוח הבנה בסיסית של מהן פרות צולעות.
• אישור פתרונות קיימים, לרבות אלו המשמשים בחוות ובתעשייה.
• ביצוע מחקר סביבת חווה להבנת המצב הפיזי והמגבלות.

באמצעות לימוד חומרים וצפייה בסרטונים באתר, הצוותים השיגו הבנה בסיסית של פרות צולעות. הקוראים יכולים גם לקבל מושג בסיסי על היציבה של פרות צולעות דרך התמונה המונפשת למטה.

בניגוד לפרה בריאה יחסית.

לפרות צולעות יש הבדלים ניכרים ביציבה והליכה בהשוואה לפרות בריאות.

לגבי הפתרונות הקיימים, רוב החוות מסתמכות על בדיקה ויזואלית של וטרינרים ותזונאים כדי לזהות פרות צולעות. בתעשייה קיימים פתרונות המשתמשים במד צעדים ומד תאוצה לבישים לזיהוי, וכן פתרונות המשתמשים בגשרים מחולקים לזיהוי, אך שניהם יקרים יחסית. עבור תעשיית החלב התחרותית ביותר, עלינו למזער את עלויות הזיהוי ואת העלויות והתלות בחומרה לא גנרית.

לאחר שדנו וניתחו את המידע עם וטרינרים ותזונאים בחווה, מומחי AWS Generative AI Innovation Center החליטו להשתמש בראייה ממוחשבת (CV) לצורך זיהוי, תוך הסתמכות רק על חומרה רגילה: מצלמות מעקב אזרחיות, שאינן מוסיפות נטל נוסף למערכת. פרות ולהפחית עלויות ומחסומי שימוש.

לאחר שהחלטנו על כיוון זה, ביקרנו בחווה בינונית עם אלפי פרות באתר, חקרנו את סביבת החווה וקבענו את המיקום והזווית של הצבת המצלמה.

הצעה ראשונית

עכשיו, לפתרון. הליבה של הפתרון מבוסס קורות החיים שלנו מורכבת מהשלבים הבאים:

• זיהוי פרה: זהה מספר פרות בפריים בודד של וידאו וסמן את המיקום של כל פרה.
• מעקב אחר פרות: בזמן הקלטת הווידאו, עלינו לעקוב ברציפות אחר פרות כשהמסגרות משתנות ולהקצות מספר ייחודי לכל פרה.
• סימון יציבה: צמצם את הממדיות של תנועות הפרה על ידי המרת תמונות פרה לנקודות מסומנות.
• זיהוי חריגות: זיהוי חריגות בדינמיקה של הנקודות המסומנות.
• אלגוריתם פרה צולעת: נרמל את החריגות כדי לקבל ציון לקביעת מידת צליעת הפרה.
• קביעת סף: השג סף המבוסס על תשומות מומחים.

לפי שיקול הדעת של מומחי AWS Generative AI Innovation Center, הצעדים הראשונים הם דרישות כלליות שניתן לפתור באמצעות מודלים של קוד פתוח, בעוד שהשלבים האחרונים מחייבים אותנו להשתמש בשיטות מתמטיות והתערבות מומחים.

קשיים בפתרון

כדי לאזן בין עלות וביצועים, בחרנו בדגם yolov5l, דגם בינוני בגודלו מראש לזיהוי פרות, עם רוחב קלט של 640 פיקסלים, מה שנותן תמורה טובה לסצנה זו.

בעוד ש-YOLOv5 אחראית על זיהוי ותיוג פרות בתמונה אחת, במציאות, סרטונים מורכבים ממספר תמונות (פריימים) המשתנות ללא הרף. YOLOv5 לא יכול לזהות שפרות במסגרות שונות שייכות לאותו אדם. כדי לעקוב ולאתר פרה על פני מספר תמונות, יש צורך בדגם נוסף בשם SORT.

SORT מייצג מעקב מקוון פשוט ובזמן אמת, שם באינטרנט פירושו שהוא מחשיב רק את הפריימים הנוכחיים והקודמים למעקב ללא התחשבות בכל פריימים אחרים, וכן זמן אמת פירושו שהוא יכול לזהות את זהות האובייקט באופן מיידי.

לאחר הפיתוח של SORT, מהנדסים רבים הטמיעו אותו ויעלו אותו, מה שהוביל לפיתוח OC-SORT, המתחשב במראה האובייקט, DeepSORT (וגרסתו המשודרגת, StrongSORT), הכוללת מראה אנושי, ו-ByteTrack, העושה שימוש קישור דו-שלבי לשקול הכרה ברמת אמון נמוכה. לאחר בדיקה, גילינו שלסצנה שלנו, אלגוריתם מעקב המראה של DeepSORT מתאים יותר לבני אדם מאשר לפרות, ודיוק המעקב של ByteTrack מעט חלש יותר. כתוצאה מכך, בסופו של דבר בחרנו ב-OC-SORT בתור אלגוריתם המעקב שלנו.

לאחר מכן, אנו משתמשים ב-DeepLabCut (בקיצור DLC) כדי לסמן את נקודות השלד של הפרות. DLC הוא דגם ללא סמן, מה שאומר שלמרות שנקודות שונות, כגון הראש והגפיים, עשויות להיות בעלות משמעויות שונות, כולן פשוט נקודות עבור DLC, שמחייב אותנו רק לסמן את הנקודות ולהכשיר את הדגם.

זה מוביל לשאלה חדשה: כמה נקודות עלינו לסמן על כל פרה והיכן עלינו לסמן אותן? התשובה לשאלה זו משפיעה על עומס העבודה של סימון, הכשרה ויעילות ההסקה שלאחר מכן. כדי לפתור בעיה זו, עלינו להבין תחילה כיצד לזהות פרות צולעות.

בהתבסס על המחקר שלנו והשומות של הלקוחות המומחים שלנו, פרות צולעות בסרטוני וידאו מציגות את המאפיינים הבאים:

• גב מקומר: הצוואר והגב מעוקלים ויוצרים משולש עם שורש עצם הצוואר (גב קשתי).
• הנהנים תכופים: כל צעד עלול לגרום לפרה לאבד שיווי משקל או להחליק, וכתוצאה מכך תכופות מהנהן (ראש מתנדנד).
• הליכה לא יציבה: ההליכה של הפרה משתנה לאחר מספר צעדים, עם הפסקות קלות (שינוי דפוס ההליכה).

בהתייחס לעקמומיות הצוואר והגב כמו גם הנהון, מומחים ממרכז החדשנות של AWS Generative AI קבעו שסימון רק שבע נקודות גב (אחת על הראש, אחת בבסיס הצוואר וחמש על הגב) על בקר יכול להביא לזיהוי טוב. מכיוון שיש לנו כעת מסגרת של זיהוי, עלינו להיות מסוגלים לזהות גם דפוסי הליכה לא יציבים.

לאחר מכן, אנו משתמשים בביטויים מתמטיים כדי לייצג את תוצאות הזיהוי וליצור אלגוריתמים.

זיהוי אנושי של בעיות אלה אינו קשה, אך נדרשים אלגוריתמים מדויקים לזיהוי מחשב. לדוגמה, איך תוכנית יודעת את מידת העקמומיות של גב הפרה בהינתן קבוצה של נקודות קואורדינטות לגב הפרה? איך הוא יודע אם פרה מהנהנת?

מבחינת עקמומיות הגב, קודם כל שוקלים להתייחס לגב הפרה כאל זווית ואז נמצא את הקודקוד של זווית זו, מה שמאפשר לנו לחשב את הזווית. הבעיה בשיטה זו היא שלעמוד השדרה עשוי להיות עקמומיות דו-כיוונית, מה שמקשה על זיהוי קודקוד הזווית. זה מצריך מעבר לאלגוריתמים אחרים כדי לפתור את הבעיה.

מבחינת הנהון, שקלנו תחילה להשתמש במרחק Fréchet כדי לקבוע אם הפרה מהנהנת על ידי השוואת ההבדל בעקומה של היציבה הכללית של הפרה. עם זאת, הבעיה היא שנקודות השלד של הפרה עלולות להיות עקורות, מה שגורם למרחק משמעותי בין עקומות דומות. כדי לפתור בעיה זו, עלינו להוציא את מיקום הראש ביחס לקופסת הזיהוי ולנרמל אותה.

לאחר נורמליזציה של תנוחת הראש, נתקלנו בבעיה חדשה. בתמונה שלאחר מכן, הגרף משמאל מציג את השינוי במיקום ראש הפרה. אנו יכולים לראות שבשל בעיות דיוק זיהוי, מיקום נקודת הראש ירעד מעט כל הזמן. עלינו להסיר את התנועות הקטנות הללו ולמצוא את מגמת התנועה הגדולה יחסית של הראש. זה המקום שבו יש צורך בידע מסוים בעיבוד אותות. על ידי שימוש במסנן Savitzky-Golay, נוכל להחליק אות ולקבל את המגמה הכוללת שלו, מה שמקל עלינו לזהות הנהון, כפי שמוצג על ידי העקומה הכתומה בגרף בצד ימין.

בנוסף, לאחר עשרות שעות של זיהוי וידאו, גילינו שלפרות מסוימות עם עקמומיות גב גבוהה במיוחד לא היה גב שפוף. חקירה נוספת העלתה כי הסיבה לכך היא שרוב הפרות ששימשו לאילוף דגם ה-DLC היו לרוב שחור או שחור ולבן, ולא היו הרבה פרות שרובן היו לבנות או קרובות ללבן טהור, וכתוצאה מכך הדגם זיהה אותן בצורה שגויה כאשר היו להם אזורים לבנים גדולים על גופם, כפי שמוצג על ידי החץ האדום באיור למטה. ניתן לתקן זאת באמצעות הכשרת מודלים נוספת.

בנוסף לפתרון הבעיות הקודמות, היו בעיות גנריות אחרות שצריך לפתור:

• יש שני נתיבים במסגרת הווידאו, וגם פרות במרחק עלולות להיות מזוהות, מה שגורם לבעיות.
• גם לשבילים בסרטון יש עיקול מסוים, ואורך גופה של הפרה מתקצר כשהפרה נמצאת בצידי השביל, מה שמקל על זיהוי שגוי של היציבה.
• עקב חפיפה של מספר פרות או חסימה מהגדר, אותה פרה עשויה להיות מזוהה כשתי פרות.
• עקב פרמטרי מעקב ודילוג מדי פעם על פריים של המצלמה, אי אפשר לעקוב נכון אחר הפרות, מה שגורם לבלבול מזהה.

בטווח הקצר, בהתבסס על ההתאמה עם מחלבת ניו הופ על אספקת מוצר מינימלי בר-קיימא ולאחר מכן לחזור עליו, ניתן לפתור בעיות אלו בדרך כלל על ידי אלגוריתמים לשיפוט חריגים בשילוב עם סינון אמון, ואם לא ניתן לפתור אותן, הן יהפכו נתונים לא חוקיים, המחייבים אותנו לבצע אימון נוסף ולחזור על האלגוריתמים והמודלים שלנו באופן רציף.

בטווח הרחוק, תווית AWS AI Shanghai סיפקו הצעות לניסויים עתידיים כדי לפתור את הבעיות הקודמות על סמך המחקר הממוקד באובייקטים שלהם: גישור על הפער ללמידה ממוקדת אובייקטים בעולם האמיתי ו Amodal Video Object Segmentation בפיקוח עצמי. מלבד אי תוקף הנתונים החריגים הללו, ניתן לטפל בבעיות גם על ידי פיתוח מודלים מדויקים יותר ברמת האובייקט להערכת פוזות, פילוח אמודאלי ומעקב מפוקח. עם זאת, צינורות ראייה מסורתיים עבור משימות אלה דורשים בדרך כלל תיוג נרחב. למידה ממוקדת אובייקט מתמקדת בהתמודדות עם בעיית הקישור של פיקסלים לאובייקטים ללא פיקוח נוסף. תהליך הקישור לא רק מספק מידע על מיקומם של אובייקטים אלא גם מביא לייצוגי אובייקט חזקים וניתנים להתאמה עבור משימות במורד הזרם. מכיוון שהצינור הממוקד באובייקט מתמקד בהגדרות בפיקוח עצמי או בפיקוח חלש, אנו יכולים לשפר את הביצועים מבלי להגדיל משמעותית את עלויות התיוג עבור הלקוחות שלנו.

לאחר פתרון שורה של בעיות ושילוב הציונים שנתנו הוטרינר והתזונאית במשק, השגנו ציון צליעה מקיף לפרות, שעוזר לנו לזהות פרות בדרגות שונות של צליעה כמו חמורה, בינונית וקונה, ויכולה גם לזהות תכונות תנוחת גוף מרובות של פרות, לעזור להמשך ניתוח ושיפוט.

תוך שבועות פיתחנו פתרון מקצה לקצה לזיהוי פרות צולעות. מצלמת החומרה לפתרון זה עלתה רק 300 RMB, וה אמזון SageMaker הסקת אצווה, בעת שימוש במופע g4dn.xlarge, לקח בערך 50 שעות עבור שעתיים של וידאו, בסך הכל 2 RMB בלבד. כאשר הוא נכנס לייצור, אם מתגלים חמש קבוצות של פרות בשבוע (בהנחה של כ-300 שעות), וכולל את הסרטונים והנתונים השמורים, עלות האיתור החודשית עבור חווה בינונית עם כמה אלפי פרות היא פחות מ-10 יואן.

נכון לעכשיו, תהליך מודל למידת המכונה שלנו הוא כדלקמן:

1. וידאו גולמי מוקלט.
2. פרות מזוהות ומזוהות.
3. עוקבים אחר כל פרה ומזהים נקודות מפתח.
4. כל תנועה של פרה מנותחת.
5. נקבע ציון צליעה.

פריסת מודלים

תיארנו בעבר את הפתרון לזיהוי פרות צולעות על סמך למידת מכונה. כעת, עלינו לפרוס את הדגמים הללו ב- SageMaker. כפי שמוצג באיור הבא:

יישום עסקי

כמובן, מה שדיברנו עד כה הוא רק הליבה של הפתרון הטכני שלנו. כדי לשלב את כל הפתרון בתהליך העסקי, עלינו לטפל גם בבעיות הבאות:

• משוב נתונים: לדוגמה, עלינו לספק לווטרינרים ממשק לסינון וצפייה של פרות צולעות שיש לעבד ולאסוף נתונים במהלך תהליך זה שישמשו כנתוני הכשרה.
• זיהוי פרה: לאחר שהוטרינר רואה פרה צולעת, הוא צריך לדעת גם את זהותה של הפרה, כמו מספרה ומכלאה.
• מיקום פרה: במכלאה עם מאות פרות, אתר במהירות את פרת המטרה.
• כריית מידע: לדוגמה, גלה כיצד מידת הצליעה משפיעה על האכלה, הגירה, מנוחה וייצור חלב.
• מונחה נתונים: לדוגמה, זהה את המאפיינים הגנטיים, הפיזיולוגיים וההתנהגותיים של פרות צולעות כדי להשיג רבייה ורבייה מיטביים.

רק על ידי טיפול בבעיות אלו הפתרון יכול לפתור באמת את הבעיה העסקית, והנתונים שנאספו יכולים לייצר ערך לטווח ארוך. חלק מהבעיות הללו הן בעיות אינטגרציה של מערכות, בעוד שאחרות הן בעיות טכנולוגיה ושילוב עסקי. אנו נשתף מידע נוסף על נושאים אלה במאמרים עתידיים.

<br> סיכום

במאמר זה, הסברנו בקצרה כיצד צוות פתרונות הלקוחות של AWS מחדשים במהירות בהתבסס על העסק של הלקוח. למנגנון זה מספר מאפיינים:

• עסקים מובילים: תעדוף הבנת התהליכים העסקיים והתעשייה של הלקוח באתר ובאופן אישי לפני הדיון בטכנולוגיה, ולאחר מכן התעמק בנקודות הכאב, האתגרים והבעיות של הלקוח כדי לזהות בעיות חשובות שניתן לפתור באמצעות טכנולוגיה.
• זמין מיידית: ספק אב טיפוס פשוט אך שלם ושמיש ישירות ללקוח לצורך בדיקה, אימות ואיטרציה מהירה תוך שבועות, לא חודשים.
• עלות מינימלית: צמצם או אפילו בטל את העלויות של הלקוח לפני שהערך יאושר באמת, תוך הימנעות מחששות לגבי העתיד. זה מתיישב עם ה-AWS הִסתַפְּקוּת עקרון מנהיגות.

בפרויקט החדשנות השיתופי שלנו עם תעשיית החלב, לא רק התחלנו מנקודת המבט העסקית לזהות בעיות עסקיות ספציפיות עם מומחים עסקיים, אלא גם ערכנו חקירות במקום בחווה ובמפעל עם הלקוח. קבענו את מיקום המצלמה באתר, התקנו ופרסנו את המצלמות ופרחנו את פתרון הזרמת הווידאו. מומחים מ-AWS Generative AI Innovation Center ניתחו את דרישות הלקוח ופיתחו אלגוריתם, שהונדס לאחר מכן על ידי ארכיטקט פתרונות לכל האלגוריתם.

עם כל מסקנות, נוכל להשיג אלפי סרטוני הליכת פרה מפורקים ומתויגים, כל אחד עם מזהה הסרטון המקורי, מזהה פרה, ציון צליעה וציונים מפורטים שונים. היגיון החישוב המלא ונתוני ההליכה הגולמיים נשמרו גם לצורך אופטימיזציה של האלגוריתמים הבאים.

ניתן להשתמש בנתוני צליעה לא רק להתערבות מוקדמת על ידי וטרינרים, אלא גם בשילוב עם נתוני מכונות חליבה לצורך ניתוח צולב, המספקים מימד אימות נוסף ומענה על כמה שאלות עסקיות נוספות, כגון: מהם המאפיינים הפיזיים של פרות עם הגבוהים ביותר תנובת חלב? מהי השפעת הצליעה על ייצור החלב בפרות? מהו הגורם העיקרי לפרות צולעות, וכיצד ניתן למנוע זאת? מידע זה יספק רעיונות חדשים לפעילות החווה.

הסיפור של זיהוי פרות צולעות מסתיים כאן, אבל סיפור חדשנות החווה רק התחיל. במאמרים הבאים, נמשיך לדון כיצד אנו עובדים בשיתוף פעולה הדוק עם לקוחות כדי לפתור בעיות אחרות.

---

על הכותבים

האו הואנג הוא מדען יישומי במרכז החדשנות של AWS Generative AI. הוא מתמחה בראייה ממוחשבת (CV) ומודל שפה חזותי (VLM). לאחרונה, הוא פיתח עניין רב בטכנולוגיות AI גנרטיביות וכבר שיתף פעולה עם לקוחות כדי ליישם את הטכנולוגיות החדשניות הללו בעסק שלהם. הוא גם מבקר בכנסים של AI כמו ICCV ו-AAAI.

פייאנג הוא הוא מדען נתונים בכיר במרכז החדשנות של AWS Generative AI. היא עובדת עם לקוחות במגוון רחב של תעשיות כדי לפתור את הצרכים העסקיים הדחופים והחדשניים ביותר שלהם תוך מינוף פתרונות GenAI/ML. בזמנה הפנוי היא נהנית מסקי ומטיילים.

Xuefeng Liu מוביל צוות מדע במרכז החדשנות של AWS Generative AI באזורי אסיה פסיפיק וסין הגדולה. הצוות שלו משתף פעולה עם לקוחות AWS בפרויקטים של בינה מלאכותית גנרטיבית, במטרה להאיץ את אימוץ הבינה המלאכותית הגנרטיבית של הלקוחות.

טיאנג'ון שיאו הוא מדען יישומי בכיר ב-AWS AI Shanghai Lablet, שמוביל את מאמצי הראייה הממוחשבת. נכון לעכשיו, המיקוד העיקרי שלו נמצא בתחומים של מודלים של בסיס רב-מודאלי ולמידה ממוקדת אובייקטים. הוא חוקר באופן פעיל את הפוטנציאל שלהם ביישומים מגוונים, כולל ניתוח וידאו, ראיית תלת מימד ונהיגה אוטונומית.

ג'אנג דאי הוא ארכיטקט פתרונות בכיר של AWS עבור המגזר העסקי הגיאוגרפי של סין. הוא עוזר לחברות בגדלים שונים להשיג את יעדיהן העסקיים על ידי מתן ייעוץ בנושא תהליכים עסקיים, חווית משתמש וטכנולוגיית ענן. הוא כותב בלוג פורה וגם מחברם של שני ספרים: האוטודידקט המודרני וחוויית עיצוב.

ג'יאניו זנג הוא מנהל פתרונות לקוחות בכיר ב-AWS, שאחריותו לתמוך בלקוחות, כמו קבוצת New Hope, במהלך המעבר שלהם לענן ולסייע להם במימוש ערך עסקי באמצעות פתרונות טכנולוגיים מבוססי ענן. עם עניין רב בבינה מלאכותית, הוא כל הזמן בוחן דרכים למנף בינה מלאכותית כדי להניע שינויים חדשניים בעסקים של הלקוחות שלנו.

קרול טונג דקות הוא מנהל פיתוח עסקי בכיר, אחראי על חשבונות מפתח ב-GCR GEO West, כולל שני לקוחות ארגוניים חשובים: Jiannanchun Group ו-New Hope Group. היא אובססיבית ללקוחות, ותמיד נלהבת לתמוך ולהאיץ את מסע הענן של הלקוחות.

ניק ג'יאנג הוא מומחה בכיר במכירות בצוות AIML SSO בסין. הוא מתמקד בהעברת פתרונות AIML חדשניים ובעזרה ללקוח לבנות את עומסי העבודה הקשורים לבינה מלאכותית בתוך AWS.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/