AI テクノロジーを使用して牛を見守ります | アマゾン ウェブ サービス

At Amazon Webサービス（AWS）、当社はお客様にさまざまな包括的な技術ソリューションを提供することに情熱を注ぐだけでなく、お客様のビジネス プロセスを深く理解することにも熱心に取り組んでいます。 当社は、第三者の視点と客観的な判断を採用して、お客様が価値提案を整理し、問題点を収集し、適切なソリューションを提案し、最も費用対効果が高く使用可能なプロトタイプを作成して、お客様が体系的にビジネス目標を達成できるよう支援します。

このメソッドは呼び出されます 逆算して作業する AWSで。 それは、テクノロジーやソリューションを脇に置き、顧客が期待する結果から始めてその価値を確認し、次に何をすべきかを逆の順序で導き出し、最終的にソリューションを実装することを意味します。 実装段階では、次のコンセプトにも従います。 最低限の実行可能な製品 そして、数週間以内に価値を生み出すことができるプロトタイプを迅速に作成し、それを反復するよう努めます。

今日は、AWS と New Hope Dairy が協力してクラウド上にスマート ファームを構築したケーススタディを見てみましょう。 このブログ投稿から、AWS がスマート ファームの構築に何を提供できるのか、また AWS の専門家とともにクラウド上でスマート ファーム アプリケーションを構築する方法について深く理解することができます。

プロジェクトの背景

牛乳は栄養価の高い飲み物です。 中国は国民の健康を考慮し、乳業の発展を積極的に推進している。 ユーロモニター・インターナショナルのデータによると、中国の乳製品の売上高は638.5年に2020億人民元に達し、810年には2025億人民元に達すると予想されています。さらに、過去14年間の年平均成長率も10パーセントに達しています。急速な発展を見せています。

一方、2022年の時点でも、中国の乳業業界の収益のほとんどは依然として液体ミルクによるものです。 生乳の 20 パーセントは液体ミルクとヨーグルトに使用され、残りの XNUMX パーセントは液体ミルクの派生品である粉ミルクに使用されます。 チーズやクリームなど高度に加工された製品にはごく少量しか使用されません。

液体ミルクは軽く加工された製品であり、その生産量、品質、コストは生乳と密接に関係しています。 これは、乳業界が高度に加工された製品の生産、新製品の開発、より革新的なバイオテクノロジー研究の実施に集中できるよう生産能力を解放したい場合は、まず生乳の生産と品質を改善し安定させる必要があることを意味します。

New Hope Dairy は乳業界のリーダーとして、牧場運営の効率を向上させ、生乳の生産量と品質を向上させる方法を考えてきました。 New Hope Dairy は、サードパーティの視点と AWS の技術的専門知識を活用して、乳業業界のイノベーションを促進したいと考えています。 New Hope Dairy の副社長兼 CIO である Liutong Hu 氏のサポートと推進を受けて、AWS 顧客チームは酪農場の運営と潜在的なイノベーションポイントの整理を開始しました。

酪農場の課題

AWS はクラウドテクノロジーの分野の専門家ですが、乳製品業界にイノベーションを導入するには、乳製品の主題の専門家からの専門的なアドバイスが必要です。 そのため、私たちは農場が直面している問題と課題のいくつかを理解するために、ニューホープ乳業の生産技術センターの副所長である宋梁榮氏、牧場管理チーム、栄養士に何度も綿密なインタビューを実施しました。

まずは予備牛の棚卸し

牧場の乳牛はXNUMX種類に分けられます。 乳牛 および 予備牛。 乳牛は成熟して継続的に牛乳を生産しますが、予備牛はまだ牛乳を生産する年齢に達していない牛です。 大規模および中規模の農場では通常、より快適な生育環境を作り出すために、より広いオープンな活動エリアを予備牛に提供しています。

ただし、乳牛と予備牛はどちらも農場の資産であり、毎月在庫を確認する必要があります。 乳牛は毎日搾乳されますが、搾乳中は比較的静止しているため、在庫の追跡が簡単です。 しかし、予備牛は開けた場所にいて自由に歩き回っているため、在庫管理が不便です。 棚卸のたびに、複数の作業員が各地の予備牛を繰り返し数え、最終的にその数を確認する。 このプロセスには数人の作業員が XNUMX ～ XNUMX 日かかりますが、多くの場合、頭数を調整する際に問題が発生したり、各牛が数えられたかどうかが不確実になったりします。

予備の牛の在庫を迅速かつ正確に管理する方法があれば、時間を大幅に節約できます。

XNUMX つ目は足の不自由な牛を特定することです

現在、ほとんどの乳業会社は以下の品種を使用しています。 ホルスタイン 牛乳を生産するために。 ホルスタインは、私たちのほとんどがよく知っている黒と白の牛です。 ほとんどの乳業会社が同じ品種を使用しているにもかかわらず、会社や牧場によって牛乳の生産量と品質には依然として差があります。 乳牛の健康状態が牛乳の生産に直接影響するからです。

しかし、牛は人間のように自分で不快感を表現することができず、獣医師にとって数千頭の牛を定期的に健康診断することは現実的ではありません。 そのため、外部指標を活用して牛の健康状態を迅速に判断する必要があります。

牛の健康状態を示す外部指標には次のものがあります。 ボディコンディションスコア および 跛行の程度。 体調スコアは牛の体脂肪率に大きく関係しており、長期的な指標ですが、跛行は脚の問題や足の感染症、その他牛の気分、健康、乳量に影響を与える問題によって引き起こされる短期的な指標です。 さらに、ホルスタイン種の成牛の体重は500kgを超える場合があり、安定していないと足に重大な害を及ぼす可能性があります。 したがって、跛行が発生した場合は、獣医師ができるだけ早く介入する必要があります。

2014年の調査によると、中国における重度の跛行牛の割合は31パーセントに達する可能性があります。 この研究以降、状況は改善された可能性がありますが、農場にいる獣医師の数は非常に限られており、牛を定期的に監視することが困難になっています。 跛行が発見された場合、状況は重篤であることが多く、治療には時間がかかり困難であり、すでに乳生産に影響が出ています。

牛の跛行をタイムリーに検出し、軽度の跛行の段階で獣医師の介入を促す方法があれば、牛の全体的な健康状態と乳生産量が増加し、農場の業績も向上します。

最後に、飼料コストの最適化です。

畜産業において、飼料は最大の変動費です。 飼料の品質と在庫を確保するために、農場は多くの場合、国内外の供給業者から飼料原料を購入し、加工のために飼料配合工場に配送する必要があります。 現在の飼料原料には、大豆粕、トウモロコシ、アルファルファ、エンバク草など、さまざまな種類があり、多くの変動要因が存在します。 飼料原料の種類ごとに、独自の価格サイクルと価格変動があります。 大幅な変動時には、飼料の総コストが 15% 以上変動する可能性があり、重大な影響を及ぼします。

飼料のコストは変動しますが、乳製品の価格は長期的には比較的安定しています。 したがって、条件が変わらない場合でも、純粋に飼料コストの変化によって全体の利益が大幅に変動する可能性があります。

この変動を避けるためには、価格が安いときにより多くの食材を保管することを検討する必要があります。 しかし、放流では、価格が本当に底値にあるのか、現在の消費率に応じてどのくらいの量の飼料を購入する必要があるのか​​を考慮する必要もあります。

飼料消費量を正確に予測し、それを全体的な価格傾向と組み合わせて、飼料を購入する最適な時期と量を提案する方法があれば、コストを削減し、農場の効率を高めることができます。

これらの問題がお客様の改善という目標に直接関連していることは明らかです。 農場の運営効率、メソッドはそれぞれ 労働力を解放する, 増産 および コスト削減。 それぞれの課題を解決する難しさと価値について話し合い、 増産 を出発点として、足の不自由な牛の問題を解決することを優先しました。

研究

テクノロジーについて議論する前に、調査を行う必要がありました。 この調査は、AWS 顧客チームと共同で実施されました。 AWS ジェネレーティブ AI イノベーション センター、機械学習アルゴリズム モデルを管理し、 AWS AI 上海ラブレット、最新のコンピューター ビジョン研究と New Hope Dairy の専門農業チームに関するアルゴリズム コンサルティングを提供します。 研究はいくつかの部分に分かれていました。

• 跛行牛の伝統的な紙ベースの識別方法を理解し、跛行牛とは何かについての基本的な理解を深めます。
• 農場や産業で使用されているものを含む既存のソリューションを確認します。
• 物理的な状況と限界を理解するために農場環境調査を実施します。

チームは資料の学習や現場のビデオの観察を通じて、足の不自由な牛についての基本的な理解を深めました。 読者は、以下のアニメーション画像を通じて、足の不自由な牛の姿勢の基本的なアイデアを得ることができます。

比較的健康な牛とは対照的です。

足の不自由な牛は、健康な牛と比べて姿勢や歩き方に明らかな違いがあります。

既存の解決策に関しては、ほとんどの牧場は足の不自由な牛を識別するために獣医師と栄養士による目視検査に頼っています。 業界には、識別にウェアラブル歩数計や加速度計を使用するソリューションや、識別に分割された計量台を使用するソリューションがありますが、どちらも比較的高価です。 競争の激しい乳業業界では、識別コストと非汎用ハードウェアへのコストと依存を最小限に抑える必要があります。

AWS Generative AI Innovation Center の専門家は、牧場の獣医師や栄養士と情報を話し合って分析した結果、識別にコンピュータービジョン (CV) を使用し、通常のハードウェア、つまり民間の監視カメラのみに依存することに決めました。牛を保護し、コストと使用上の障壁を削減します。

この方向性を決めた後、数千頭の牛がいる中規模牧場を訪れ、牧場の環境を調査し、カメラの設置場所や角度を決めました。

当初の提案

さて、解決策です。 CV ベースのソリューションの中核は、次のステップで構成されます。

• 牛の識別: ビデオの単一フレーム内の複数の牛を識別し、各牛の位置をマークします。
• 牛の追跡: ビデオの録画中、フレームの変化に応じて牛を継続的に追跡し、各牛に固有の番号を割り当てる必要があります。
• 姿勢マーキング: 牛の画像をマークされた点に変換することで、牛の動きの次元を減らします。
• 異常の特定: マークされたポイントのダイナミクスの異常を特定します。
• 足の不自由な牛のアルゴリズム: 異常を正規化してスコアを取得し、牛の跛行の程度を判定します。
• 閾値の決定: 専門家の入力に基づいてしきい値を取得します。

AWS Generative AI Innovation Center の専門家の判断によると、最初のいくつかのステップはオープンソース モデルを使用して解決できる一般的な要件ですが、後のステップでは数学的手法と専門家の介入が必要です。

解決策の難しさ

コストとパフォーマンスのバランスを取るために、入力幅が 5 ピクセルで、このシーンに適した値を提供する、牛認識用の中型の事前トレーニング済みモデルである yolov640l モデルを選択しました。

YOLOv5 は 5 つの画像内の牛を認識してタグ付けする役割を担っていますが、実際には、ビデオは連続的に変化する複数の画像 (フレーム) で構成されています。 YOLOvXNUMX は、異なるフレーム内の牛が同じ個体に属していることを識別できません。 複数の画像にわたって牛を追跡して位置を特定するには、SORT と呼ばれる別のモデルが必要です。

ソートはの略です シンプルなオンライン追跡とリアルタイム追跡ここで、 オンライン 他のフレームは考慮せず、現在と前のフレームのみを追跡対象として考慮することを意味します。 リアルタイム これは、オブジェクトの ID をすぐに識別できることを意味します。

SORTの開発後、多くの技術者によって実装・最適化が行われ、物体の外観を考慮したOC-SORT、人間の外観を考慮したDeepSORT（およびそのバージョンアップ版StrongSORT）、およびオブジェクトの外観を考慮したByteTrackが開発されました。信頼性の低い認識を考慮するための XNUMX 段階の関連付けリンカー。 テストの結果、このシーンでは、DeepSORT の外観追跡アルゴリズムが牛よりも人間に適しており、ByteTrack の追跡精度がわずかに低いことがわかりました。 その結果、最終的に追跡アルゴリズムとして OC-SORT を選択しました。

次に、DeepLabCut (略して DLC) を使用して牛の骨格点をマークします。 DLC はマーカーレス モデルです。つまり、頭や手足などの異なる点には異なる意味があるかもしれませんが、それらはすべて単なるものです。 ポイント DLC では、ポイントをマークしてモデルをトレーニングするだけで済みます。

これにより、各牛に何点マークを付ける必要があるか、またどこにマークを付ける必要があるかという新たな疑問が生じます。 この質問に対する答えは、採点、トレーニング、およびその後の推論効率の作業負荷に影響します。 この問題を解決するには、まず足の不自由な牛を識別する方法を理解する必要があります。

私たちの調査と専門家クライアントからの意見に基づいて、ビデオの中の跛行牛は次の特徴を示します。

• アーチ状の背中: 首と背中は湾曲しており、首の骨の付け根で三角形を形成しています（アーチバック）。
• 頻繁にうなずく： 一歩ごとに牛はバランスを失ったり滑ったりする可能性があり、その結果、頻繁に転倒する可能性があります。 うなずく （頭が揺れる）。
• 不安定な歩行： 牛の歩様は、数歩歩くと少し止まりながら変化します（歩様パターンの変化）。

首と背中の湾曲、うなずきに関して、AWS Generative AI Innovation Center の専門家は、牛の背中のポイントを XNUMX か所 (頭の XNUMX か所、首の付け根に XNUMX か所、背中に XNUMX か所) だけマークするだけで問題が生じる可能性があると判断しました。良い識別につながります。 識別の枠組みができたので、不安定な歩行パターンも認識できるはずです。

次に、数式を使用して識別結果を表し、アルゴリズムを形成します。

これらの問題を人間が特定することは難しくありませんが、コンピュータが特定するには正確なアルゴリズムが必要です。 たとえば、一連の牛の背中の座標点が与えられた場合、プログラムはどのようにして牛の背中の湾曲の程度を知るのでしょうか? 牛がうなずいているかどうかはどうやってわかるのでしょうか？

背中の曲率に関しては、まず牛の背中を角度として扱い、次にその角度の頂点を見つけて角度を計算します。 この方法の問題は、脊椎が双方向に湾曲している可能性があり、角度の頂点を特定することが困難になることです。 この問題を解決するには、他のアルゴリズムに切り替える必要があります。

うなずきに関しては、まずフレシェ距離を用いて牛の全体的な姿勢の曲線の違いを比較してうなずいているかどうかを判定することを考えました。 ただし、問題は、牛の骨格点がずれて、類似した曲線間に大きな距離が生じる可能性があることです。 この問題を解決するには、認識ボックスに対する頭の位置を取り出し、それを正規化する必要があります。

頭の位置を正規化した後、新たな問題が発生しました。 次の画像の左側のグラフは、牛の頭の位置の変化を示しています。 認識精度の問題により、常にヘッドポイントの位置がわずかに揺れていることがわかります。 このような小さな動きを取り除き、比較的大きな頭の動きの傾向を見つける必要があります。 ここでは、信号処理に関する知識が必要になります。 Savitzky-Golay フィルターを使用すると、信号を平滑化し、その全体的な傾向を取得できるため、右のグラフのオレンジ色の曲線で示すように、うなずきを識別しやすくなります。

さらに、数十時間にわたるビデオ認識の結果、背中の湾曲が非常に高い一部の牛が実際には猫背ではないことがわかりました。 さらなる調査により、これは、DLC モデルのトレーニングに使用された牛のほとんどが黒または白黒であり、ほとんどが白または純白に近い牛があまりなかったためであり、その結果、モデルがそれらを誤って認識してしまうことが判明しました。下の図の赤い矢印で示すように、彼らの体には大きな白い部分がありました。 これは、モデルをさらにトレーニングすることで修正できます。

前述の問題の解決に加えて、解決する必要のある他の一般的な問題がありました。

• ビデオフレーム内に XNUMX つのパスがあり、遠くの牛も認識されてしまう可能性があり、問題が発生します。
• 動画内の道も一定の曲率を持っており、牛が道の脇にいると体長が短くなり、姿勢を誤認しやすくなります。
• 複数の牛が重なっていたり、柵から遮蔽されたりすることにより、同じ牛がXNUMX頭の牛として識別される場合があります。
• 追跡パラメータとカメラの時折のフレームスキップにより、牛を正しく追跡することが不可能となり、ID の混乱の問題が発生します。

短期的には、実行可能な最小限の製品を提供し、それを反復するという New Hope Dairy との連携に基づいて、これらの問題は通常、外れ値判定アルゴリズムと信頼性フィルタリングを組み合わせることによって解決できます。解決できない場合は、次のような問題が発生します。無効なデータのため、追加のトレーニングを実行し、アルゴリズムとモデルを継続的に反復する必要があります。

長期的には、 AWS AI 上海ラブレット オブジェクト中心の研究に基づいて、前述の問題を解決するための将来の実験の提案を提供しました。 現実世界のオブジェクト中心学習とのギャップを埋める および 自己監視型 Amodal ビデオ オブジェクト セグメンテーション。 これらの外れ値データを無効にするだけでなく、ポーズ推定、アモーダル セグメンテーション、教師付き追跡のためのより正確なオブジェクト レベルのモデルを開発することによって、問題に対処することもできます。 ただし、これらのタスク用の従来のビジョン パイプラインでは、通常、広範なラベル付けが必要です。 オブジェクト中心の学習は、追加の監視なしでピクセルとオブジェクトのバインディングの問題に取り組むことに焦点を当てています。 バインディング プロセスは、オブジェクトの位置に関する情報を提供するだけでなく、下流のタスクに対して堅牢で適応性のあるオブジェクト表現も提供します。 オブジェクト中心のパイプラインは自己監視設定または弱い監視設定に焦点を当てているため、お客様のラベル付けコストを大幅に増加させることなくパフォーマンスを向上させることができます。

一連の問題を解決し、農場の獣医師と栄養士が与えたスコアを組み合わせた結果、牛の包括的な跛行スコアが得られました。これは、重度、中等度、軽度など、さまざまな程度の跛行を持つ牛を識別するのに役立ちます。牛の複数の体位特性を特定し、さらなる分析と判断に役立ちます。

数週間以内に、私たちは足の不自由な牛を識別するためのエンドツーエンドのソリューションを開発しました。 このソリューションのハードウェア カメラの価格はわずか 300 RMB です。 アマゾンセージメーカー g4dn.xlarge インスタンスを使用した場合のバッチ推論には、50 時間のビデオに対して約 2 時間かかり、合計はわずか 300 RMB でした。 本番環境に入ると、週に 10 バッチの牛が検出された場合 (約 10,000 時間と仮定)、ローリング保存されたビデオとデータを含めると、数千頭の牛を抱える中規模牧場の月次検出コストは XNUMX RMB 未満になります。

現在、機械学習モデルのプロセスは次のとおりです。

1. 生のビデオが記録されます。
2. 牛を検出して識別します。
3. 各牛が追跡され、重要なポイントが検出されます。
4. 各牛の動きが分析されます。
5. 跛行スコアが決定される。

モデルの展開

以前、機械学習に基づいて足の不自由な牛を識別するソリューションについて説明しました。 次に、これらのモデルを SageMaker にデプロイする必要があります。 次の図に示すように:

事業の実施

もちろん、これまで説明してきたことは技術ソリューションの中核にすぎません。 ソリューション全体をビジネス プロセスに統合するには、次の問題にも対処する必要があります。

• データフィードバック: たとえば、処理が必要な足の不自由な牛をフィルタリングして表示し、このプロセス中にトレーニング データとして使用するデータを収集するためのインターフェイスを獣医師に提供する必要があります。
• 牛の識別: 獣医師は、足の不自由な牛を診察した後、番号やペンなど、牛の身元を知る必要もあります。
• 牛の位置: 数百頭の牛がいる囲いの中で、ターゲットの牛を素早く見つけます。
• データマイニング： たとえば、跛行の程度が摂食、反芻、休息、乳生産にどのような影響を与えるかを調べます。
• データ駆動型： たとえば、足の不自由な牛の遺伝的、生理学的、行動的特徴を特定して、最適な繁殖と繁殖を実現します。

これらの問題に対処することによってのみ、ソリューションはビジネス上の問題を真に解決することができ、収集されたデータは長期的な価値を生み出すことができます。 これらの問題には、システム統合の問題もあれば、テクノロジーとビジネスの統合の問題もあります。 これらの問題については、今後の記事でさらに詳しい情報を共有する予定です。

まとめ

この記事では、AWS カスタマー ソリューション チームが顧客のビジネスに基づいてどのように迅速にイノベーションを起こすかについて簡単に説明しました。 このメカニズムにはいくつかの特徴があります。

• ビジネス主導: テクノロジーについて議論する前に、顧客の業界とビジネス プロセスを現場で直接理解することを優先してから、顧客の問題点、課題、問題を掘り下げて、テクノロジーで解決できる重要な問題を特定します。
• すぐに利用可能: シンプルだが完全で使用可能なプロトタイプを顧客に直接提供し、数か月ではなく数週間以内にテスト、検証、迅速な反復を行います。
• 最小コスト： 価値が真に検証される前に顧客のコストを最小限に抑えるか排除することで、将来に関する懸念を回避します。 これは AWS と一致します 倹約 リーダーシップの原則。

乳業との協業イノベーションプロジェクトでは、ビジネス視点から専門家とともに具体的なビジネス課題を洗い出すだけでなく、お客様とともに農場や工場の現地調査も実施しました。 現場でのカメラの配置を決定し、カメラを設置して展開し、ビデオ ストリーミング ソリューションを展開しました。 AWS Generative AI Innovation Center の専門家が顧客の要件を分析してアルゴリズムを開発し、その後ソリューションアーキテクトがアルゴリズム全体を設計しました。

それぞれの推論により、何千もの分解されタグ付けされた牛の歩行ビデオを取得できました。それぞれのビデオには、元のビデオ ID、牛 ID、跛行スコア、およびさまざまな詳細スコアが含まれていました。 完全な計算ロジックと生の歩行データも、その後のアルゴリズムの最適化のために保持されました。

跛行データは、獣医師による早期介入に使用できるだけでなく、搾乳機データと組み合わせて相互分析することもでき、追加の検証次元を提供し、次のような追加のビジネス上の質問に答えることができます。乳量は？ 跛行は牛の乳生産にどのような影響を及ぼしますか? 牛の跛行の主な原因は何ですか?また、それを防ぐにはどうすればよいですか? この情報は、農場運営に新しいアイデアを提供します。

足の不自由な牛を特定する物語はここで終わりますが、農場の革新の物語はまだ始まったばかりです。 今後の記事では、他の問題を解決するためにお客様と緊密に連携する方法について引き続き説明します。

---

著者について

ハオ・ファン は、AW​​S Generative AI Innovation Center の応用科学者です。 専門はコンピュータ ビジョン (CV) と視覚言語モデル (VLM) です。 最近、彼は生成 AI テクノロジーに強い関心を持ち、すでに顧客と協力してこれらの最先端テクノロジーをビジネスに適用しています。 ICCV や AAAI などの AI カンファレンスの査読者でもあります。

ペイヤン・ヘ は、AW​​S Generative AI Innovation Center のシニア データ サイエンティストです。 彼女は、GenAI/ML ソリューションを活用して、最も差し迫った革新的なビジネス ニーズを解決するために、さまざまな業界の顧客と協力しています。 余暇には、スキーや旅行を楽しんでいます。

劉雪峰 アジアパシフィックおよび中華圏地域の AWS Generative AI イノベーション センターで科学チームを率いています。 彼のチームは、顧客による生成 AI の導入を加速することを目標に、生成 AI プロジェクトで AWS の顧客と提携しています。

シャオ・ティエンジュン AWS AI Shanghai Lablet の上級応用科学者であり、コンピューター ビジョンの取り組みを共同主導しています。 現在、彼の主な焦点は、マルチモーダル基礎モデルとオブジェクト中心学習の領域にあります。 彼は、ビデオ分析、3D ビジョン、自動運転など、さまざまなアプリケーションにおけるその可能性を積極的に研究しています。

張戴 は、中国地域ビジネス部門の AWS シニア ソリューション アーキテクトです。 ビジネス プロセス、ユーザー エクスペリエンス、クラウド テクノロジーに関するコンサルティングを提供することで、さまざまな規模の企業がビジネス目標を達成できるよう支援しています。 彼は多作のブログ ライターであり、『The Modern Autodidact』と『Designing Experience』という XNUMX 冊の本の著者でもあります。

曾建宇 AWS の上級顧客ソリューション マネージャーです。彼の責任は、New Hope グループなどの顧客のクラウド移行をサポートし、クラウドベースのテクノロジー ソリューションを通じてビジネス価値の実現を支援することです。 人工知能に強い関心を持っており、AI を活用してお客様のビジネスに革新的な変化をもたらす方法を常に模索しています。

キャロル・トン・ミン 彼はシニア ビジネス開発マネージャーであり、Jiannachun Group と New Hope Group という XNUMX つの重要な企業顧客を含む GCR GEO West の主要アカ​​ウントを担当しています。 彼女は顧客のことを第一に考えており、顧客のクラウド ジャーニーのサポートと加速に常に情熱を持っています。

ニック・ジャン 中国の AIML SSO チームのシニア スペシャリスト セールスです。 彼は、革新的な AIML ソリューションを移行し、顧客が AWS 内で AI 関連のワークロードを構築できるよう支援することに重点を置いています。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/