AI 기술을 사용하여 가축을 감시 | 아마존 웹 서비스

At Amazon Web Services (AWS), 우리는 고객에게 다양하고 포괄적인 기술 솔루션을 제공하는 데 열정을 쏟을 뿐만 아니라 고객의 비즈니스 프로세스를 깊이 이해하는 데도 열중하고 있습니다. 우리는 제XNUMX자 관점과 객관적인 판단을 채택하여 고객이 가치 제안을 정리하고, 문제점을 수집하고, 적절한 솔루션을 제안하고, 가장 비용 효율적이고 사용 가능한 프로토타입을 만들어 체계적으로 비즈니스 목표를 달성할 수 있도록 지원합니다.

이 메서드는 거꾸로 작업 AWS에서. 기술과 솔루션은 제쳐두고, 고객이 기대하는 결과에서 출발하여 그 가치를 확인한 후, 역순으로 무엇을 해야 할지 도출한 후 최종적으로 솔루션을 구현하는 것을 의미합니다. 구현 단계에서 우리는 다음의 개념도 따릅니다. 가능한 최소한의 제품 몇 주 안에 가치를 창출할 수 있는 프로토타입을 신속하게 구성한 다음 이를 반복하기 위해 노력합니다.

오늘은 AWS와 New Hope Dairy가 협력하여 클라우드에 스마트 팜을 구축한 사례 연구를 검토해 보겠습니다. 이 블로그 게시물을 통해 AWS가 스마트 팜 구축을 위해 제공할 수 있는 기능과 AWS 전문가와 함께 클라우드에서 스마트 팜 애플리케이션을 구축하는 방법에 대해 깊이 이해할 수 있습니다.

프로젝트 배경

우유는 영양가 있는 음료이다. 중국은 국민 건강을 고려하여 유제품 산업 발전을 적극적으로 추진해 왔습니다. Euromonitor International의 데이터에 따르면 중국의 유제품 판매는 638.5년에 2020억 RMB에 이르렀고 810년에는 2025억 RMB에 이를 것으로 예상됩니다. 또한 지난 14년 동안의 연평균 성장률도 10%에 달했습니다. 빠른 발전을 보여주고 있습니다.

반면, 2022년 현재 중국 유제품 산업의 수익 대부분은 여전히 ​​액상 우유에서 발생합니다. 원유의 20%는 액상우유와 요구르트에 사용되고, 또 다른 XNUMX%는 액상우유에서 파생된 분유로 사용됩니다. 치즈, 크림 등 고도로 가공된 제품에는 극소량만 사용됩니다.

액상 우유는 가볍게 가공된 제품으로 그 생산량, 품질, 비용은 원유와 밀접하게 연관되어 있습니다. 이는 유제품 산업이 고도로 가공된 제품 생산에 집중하고, 신제품을 개발하고, 보다 혁신적인 생명공학 연구를 수행할 수 있는 역량을 확보하려면 먼저 원유의 생산과 품질을 개선하고 안정화해야 함을 의미합니다.

낙농 산업의 선두주자로서 New Hope Dairy는 목장 운영의 효율성을 개선하고 원유의 생산과 품질을 향상시킬 수 있는 방법을 고민해 왔습니다. New Hope Dairy는 AWS의 제XNUMX자 관점과 기술 전문 지식을 활용하여 낙농 산업의 혁신을 촉진하기를 희망합니다. New Hope Dairy의 부사장 겸 CIO인 Liutong Hu의 지원과 홍보를 통해 AWS 고객 팀은 낙농장에 대한 운영 및 잠재적 혁신 포인트를 정리하기 시작했습니다.

낙농장 문제

AWS는 클라우드 기술 분야의 전문가이지만 유제품 산업의 혁신을 구현하려면 유제품 관련 전문가의 전문적인 조언이 필요합니다. 따라서 우리는 농장이 직면한 몇 가지 문제와 과제를 이해하기 위해 New Hope Dairy의 생산 기술 센터 부소장인 Liangrong Song, 목장 관리팀 및 영양학자와 여러 차례 심층 인터뷰를 진행했습니다.

첫 번째는 예비 젖소의 목록을 작성하는 것입니다.

목장의 젖소는 두 가지 유형으로 나뉩니다. 젖소 및 소를 예약하다. 젖소는 성숙하여 지속적으로 우유를 생산하는 반면, 예비 젖소는 아직 우유를 생산할 수 있는 연령에 도달하지 않은 젖소입니다. 대형 및 중형 농장은 일반적으로 예비 젖소에게 보다 편안한 성장 환경을 조성하기 위해 더 넓은 개방 활동 공간을 제공합니다.

그러나 젖소와 예비 젖소 모두 농장의 자산이므로 매달 목록을 작성해야 합니다. 젖소는 매일 착유를 하고 있으며, 착유 중에는 비교적 가만히 있기 때문에 재고 추적이 쉽습니다. 그러나 예비소는 개방된 공간에 자유롭게 돌아다니기 때문에 재고 관리가 불편하다. 재고를 조사할 때마다 여러 작업자가 서로 다른 지역의 예비 젖소를 반복적으로 계산하고 마지막으로 숫자를 확인합니다. 이 과정은 여러 작업자에게 XNUMX~XNUMX일이 소요되며, 각 소의 계수 여부에 대한 불확실성이나 계수를 정렬하는 데 문제가 있는 경우가 많습니다.

신속하고 정확하게 예약 젖소의 재고를 관리할 수 있는 방법이 있다면 상당한 시간을 절약할 수 있습니다.

두 번째는 절름발이 소를 식별하는 것입니다.

현재 대부분의 유제품 회사에서는 다음과 같은 품종을 사용합니다. 홀스타인 우유를 생산하기 위해. 홀스타인은 우리 대부분에게 친숙한 흑백 소입니다. 대부분의 유제품 회사가 동일한 품종을 사용함에도 불구하고 회사와 목장마다 우유 생산량과 품질에는 여전히 차이가 있습니다. 젖소의 건강이 우유 생산에 직접적인 영향을 미치기 때문이다.

그러나 소는 인간처럼 스스로 불편함을 표현할 수 없으며, 수의사가 수천 마리의 소에게 정기적으로 신체 검사를 실시하는 것은 실용적이지 않습니다. 그러므로 소의 건강상태를 빠르게 판단하기 위해서는 외부지표를 활용해야 합니다.

소의 건강에 대한 외부 지표는 다음과 같습니다. 몸 상태 점수 및 파행 정도. 신체 상태 점수는 주로 젖소의 체지방 비율과 관련이 있으며 장기적인 지표인 반면, 파행은 다리 문제나 발 감염 및 젖소의 기분, 건강 및 우유 생산에 영향을 미치는 기타 문제로 인해 발생하는 단기 지표입니다. 또한 다 자란 홀스타인 소의 무게는 500kg을 넘을 수 있어 발이 안정적이지 않으면 발에 심각한 해를 끼칠 수 있습니다. 따라서 파행이 발생하면 수의사가 최대한 빨리 개입해야 한다.

2014년 연구에 따르면 중국에서 심각한 절름발이 소의 비율은 최대 31%에 이릅니다. 연구 이후 상황은 나아졌을지 모르지만, 농장의 수의사 수는 극도로 제한되어 소를 정기적으로 모니터링하기가 어렵습니다. 파행이 발견되면 상황이 심각한 경우가 많으며 치료에 시간이 많이 걸리고 어렵고 우유 생산도 이미 영향을 받습니다.

소의 파행을 적시에 감지하고 경미한 파행 단계에 수의사가 개입하도록 유도할 수 있는 방법이 있다면 소의 전반적인 건강과 우유 생산량이 증가하고 농장의 성과도 향상될 것입니다.

마지막으로 사료비용 최적화가 있습니다.

축산업 내에서 사료는 가장 큰 변동비용이다. 사료의 품질과 재고를 보장하기 위해 농장에서는 국내 및 해외 공급업체로부터 사료 성분을 구매하여 가공을 위해 사료 제제 공장에 전달해야 하는 경우가 많습니다. 현대 사료 원료에는 대두박, 옥수수, 자주개자리, 귀리 등 다양한 종류가 있으며 이는 변수가 많다는 것을 의미합니다. 각 사료 성분 유형에는 고유한 가격 주기와 가격 변동이 있습니다. 큰 변동이 있는 동안 사료의 총 비용은 15% 이상 변동하여 상당한 영향을 미칠 수 있습니다.

사료 비용은 변동하지만 유제품 가격은 장기적으로 상대적으로 안정적입니다. 결과적으로, 다른 조건이 변경되지 않은 경우 전체 이익은 사료 비용 변화로 인해 크게 변동될 수 있습니다.

이러한 변동을 피하려면 가격이 낮을 때 더 많은 재료를 저장하는 것을 고려해야 합니다. 그러나 입식도 가격이 정말 바닥권에 있는지, 현재 소비율에 따라 사료를 얼마나 구입해야 하는지도 고려해야 한다.

사료 소비량을 정확하게 예측하고 이를 전체 가격 추세와 결합하여 최적의 사료 구매 시기와 수량을 제안할 수 있는 방법이 있다면 농장의 비용을 절감하고 효율성을 높일 수 있습니다.

이러한 문제는 고객의 개선 목표와 직접적인 관련이 있는 것이 분명합니다. 농장 운영 효율성, 방법은 각각 다음과 같습니다. 노동력을 해방하다, 생산 증가 및 비용 절감. 각 문제 해결의 어려움과 가치에 대한 논의를 통해 우리는 생산 증가 절름발이 소 문제 해결을 최우선 과제로 삼았습니다.

리써치

기술을 논의하기 전에 연구가 먼저 이루어져야 했습니다. 이번 연구는 AWS 고객팀이 공동으로 수행했습니다. AWS 제너레이티브 AI 혁신 센터, 머신러닝 알고리즘 모델을 관리하는 AWS AI 상하이 라벨렛에서는 최신 컴퓨터 비전 연구에 대한 알고리즘 컨설팅과 새희망유업의 농업 전문팀이 함께합니다. 연구는 여러 부분으로 나누어졌습니다:

• 절름소의 전통적인 종이 기반 식별 방법을 이해하고 절름발이가 무엇인지에 대한 기본 이해를 발전시킵니다.
• 농장과 산업계에서 사용되는 솔루션을 포함한 기존 솔루션을 확인합니다.
• 물리적 상황과 한계를 이해하기 위해 농장 환경 연구를 수행합니다.

자료 연구와 현장 영상 관찰을 통해 팀은 절름소에 대한 기본적인 이해를 얻었습니다. 독자들은 아래의 애니메이션 이미지를 통해 절름발이 소의 자세에 대한 기본 아이디어도 얻을 수 있습니다.

상대적으로 건강한 소와는 대조적입니다.

절름발이 소는 건강한 소에 비해 자세와 보행이 눈에 띄게 다릅니다.

기존 솔루션과 관련하여 대부분의 목장에서는 절름발이 소를 식별하기 위해 수의사와 영양사의 육안 검사에 의존합니다. 업계에는 식별을 위해 웨어러블 만보계와 가속도계를 사용하는 솔루션과 식별을 위해 분할된 계량대를 사용하는 솔루션이 있지만 둘 다 상대적으로 비용이 많이 듭니다. 경쟁이 치열한 낙농 산업에서는 식별 비용과 일반 하드웨어가 아닌 하드웨어에 대한 의존도를 최소화해야 합니다.

목장 수의사 및 영양사와 정보를 논의하고 분석한 후 AWS Generative AI 혁신 센터 전문가는 식별을 위해 컴퓨터 비전(CV)을 사용하기로 결정하고 일반 하드웨어인 민간 감시 카메라에만 의존하기로 결정했습니다. 비용과 사용 장벽을 줄입니다.

이 방향을 결정한 후 수천 마리의 소가 있는 중형 농장을 방문하여 목장 환경을 조사하고 카메라 배치 위치와 각도를 결정했습니다.

초기 제안

이제 해결책이 있습니다. CV 기반 솔루션의 핵심은 다음 단계로 구성됩니다.

• 소 식별: 단일 비디오 프레임에서 여러 소를 식별하고 각 소의 위치를 ​​표시합니다.
• 소 추적: 비디오를 녹화하는 동안 프레임이 변경됨에 따라 소를 지속적으로 추적하고 각 소에 고유 번호를 할당해야 합니다.
• 자세 표시: 소 이미지를 표시된 지점으로 변환하여 소 움직임의 차원성을 줄입니다.
• 이상 징후 식별: 표시된 지점의 역학에서 이상 현상을 식별합니다.
• 절름발이 소 알고리즘: 소의 파행 정도를 결정하기 위한 점수를 얻기 위해 이상 현상을 정규화합니다.
• 임계값 결정: 전문가의 의견을 바탕으로 임계값을 얻습니다.

AWS Generative AI 혁신 센터 전문가의 판단에 따르면 처음 몇 단계는 오픈 소스 모델을 사용하여 해결할 수 있는 일반적인 요구 사항이며, 후자의 단계에서는 수학적 방법과 전문가의 개입을 사용해야 합니다.

해결의 어려움

비용과 성능의 균형을 맞추기 위해 우리는 소 인식을 위한 중간 크기의 사전 훈련된 모델인 yolov5l 모델을 선택했으며 입력 너비는 640픽셀로 이 장면에 좋은 가치를 제공합니다.

YOLOv5는 단일 이미지에서 소를 인식하고 태그하는 역할을 담당하지만 실제로 비디오는 지속적으로 변화하는 여러 이미지(프레임)로 구성됩니다. YOLOv5는 서로 다른 프레임의 소가 동일한 개체에 속하는지 식별할 수 없습니다. 여러 이미지에서 소를 추적하고 찾으려면 SORT라는 또 다른 모델이 필요합니다.

SORT는 다음을 의미합니다. 간단한 온라인 및 실시간 추적어디로 온라인 이는 다른 프레임은 고려하지 않고 현재 및 이전 프레임만 추적하여 고려한다는 의미입니다. 실시간 즉, 개체의 신원을 즉시 식별할 수 있다는 의미입니다.

SORT 개발 이후 많은 엔지니어들이 이를 구현하고 최적화하여 사물의 외형을 고려한 OC-SORT, 사람의 외형을 포함하는 DeepSORT(그리고 그 업그레이드 버전인 StrongSORT), ByteTrack을 개발하게 되었습니다. 낮은 신뢰도 인식을 고려하는 XNUMX단계 연관 링커. 테스트 결과, 우리 장면에서는 DeepSORT의 모양 추적 알고리즘이 소보다 인간에게 더 적합하고 ByteTrack의 추적 정확도가 약간 더 낮다는 것을 발견했습니다. 결과적으로 우리는 궁극적으로 추적 알고리즘으로 OC-SORT를 선택했습니다.

다음으로 DeepLabCut(간단히 DLC)을 사용하여 소의 골격 지점을 표시합니다. DLC는 마커리스 모델입니다. 즉, 머리와 팔다리 등 서로 다른 지점이 서로 다른 의미를 가질 수 있지만 모두 그저 전철기 DLC의 경우 포인트를 표시하고 모델을 훈련하기만 하면 됩니다.

이는 새로운 질문으로 이어집니다. 각 젖소에 몇 개의 점을 표시해야 하며 어디에 표시해야 합니까? 이 질문에 대한 대답은 표시, 훈련 및 후속 추론 효율성의 작업량에 영향을 미칩니다. 이 문제를 해결하려면 먼저 절름발이 소를 식별하는 방법을 이해해야 합니다.

당사의 연구와 전문 고객의 의견을 바탕으로 동영상에 나오는 절름발이 소는 다음과 같은 특성을 나타냅니다.

• 아치형 등: 목과 등은 구부러져 목뼈의 뿌리와 삼각형을 이룹니다(등 아치형).
• 자주 고개를 끄덕이는 경우: 각 단계는 젖소가 균형을 잃거나 미끄러지는 원인이 되어 빈번한 낙상을 초래할 수 있습니다. 꼬박 (머리를 흔들며).
• 불안정한 보행: 소의 보행은 몇 걸음 후에 약간의 정지(보행 패턴 변경)와 함께 변경됩니다.

AWS Generative AI Innovation Center의 전문가들은 목과 등의 곡률 및 고개 끄덕임과 관련하여 소의 뒷점 XNUMX개(머리에 XNUMX개, 목 밑부분에 XNUMX개, 뒷면에 XNUMX개)만 표시할 수 있다고 판단했습니다. 결과적으로 식별이 잘 됩니다. 이제 우리는 식별 프레임을 가지게 되었기 때문에 불안정한 보행 패턴도 인식할 수 있어야 합니다.

다음으로, 식별 결과를 표현하고 알고리즘을 형성하기 위해 수학적 표현을 사용합니다.

이러한 문제를 사람이 식별하는 것은 어렵지 않지만 컴퓨터 식별을 위해서는 정밀한 알고리즘이 필요합니다. 예를 들어, 프로그램은 주어진 소 등 좌표점 세트에서 소 등의 곡률 정도를 어떻게 알 수 있습니까? 소가 고개를 끄덕이고 있는지 어떻게 알 수 있나요?

등의 곡률 측면에서 우리는 먼저 소의 등을 각도로 간주한 다음 해당 각도의 꼭지점을 찾아 각도를 계산할 수 있습니다. 이 방법의 문제점은 척추에 양방향 곡률이 있어 각도의 꼭지점을 식별하기 어려울 수 있다는 것입니다. 문제를 해결하려면 다른 알고리즘으로 전환해야 합니다.

고개를 끄덕이는 것에 관해서는 먼저 Fréchet 거리를 사용하여 소의 전반적인 자세 곡선의 차이를 비교하여 소가 고개를 끄덕이고 있는지 확인하는 것을 고려했습니다. 그러나 문제는 소의 골격 지점이 변위되어 유사한 곡선 사이에 상당한 거리가 발생할 수 있다는 것입니다. 이 문제를 해결하려면 인식 상자를 기준으로 머리의 상대적인 위치를 꺼내서 정규화해야 합니다.

머리 위치를 정규화한 후 새로운 문제에 직면했습니다. 다음 이미지에서 왼쪽 그래프는 소의 머리 위치 변화를 보여줍니다. 인식 정확도 문제로 인해 머리점의 위치가 지속적으로 조금씩 흔들리는 것을 볼 수 있습니다. 이러한 작은 움직임을 제거하고 머리의 상대적으로 큰 움직임 추세를 찾아야 합니다. 여기에서는 신호 처리에 대한 지식이 필요합니다. Savitzky-Golay 필터를 사용하면 신호를 평탄화하고 전반적인 추세를 얻을 수 있으므로 오른쪽 그래프의 주황색 곡선에 표시된 것처럼 고개를 끄덕이는 것을 더 쉽게 식별할 수 있습니다.

또한, 수십 시간의 영상 인식 후에 우리는 허리 곡률이 극도로 높은 일부 소는 실제로 등이 굽지 않은 것을 발견했습니다. 추가 조사에 따르면 이는 DLC 모델을 훈련하는 데 사용된 소의 대부분이 대부분 검은색 또는 흑백이고 대부분 흰색이거나 순수한 흰색에 가까운 소가 많지 않았기 때문에 모델이 이를 잘못 인식했기 때문인 것으로 나타났습니다. 아래 그림의 빨간색 화살표와 같이 몸에 큰 흰색 영역이 있었습니다. 이는 추가 모델 학습을 통해 수정될 수 있습니다.

이전 문제를 해결하는 것 외에도 해결해야 할 다른 일반적인 문제가 있었습니다.

• 영상 프레임에는 경로가 두 개 있는데, 멀리 있는 소도 인식해 문제가 발생할 수 있습니다.
• 영상 속 길 역시 일정한 곡률을 갖고 있으며, 소가 길 옆에 있을 때 소의 몸 길이가 짧아져 자세를 잘못 식별하기 쉽습니다.
• 여러 마리의 소가 겹치거나 울타리가 가려져 같은 소가 두 마리의 소로 식별될 수 있습니다.
• 추적 매개변수와 간헐적인 카메라 프레임 건너뛰기로 인해 젖소를 올바르게 추적하는 것이 불가능하여 ID 혼동 문제가 발생합니다.

단기적으로는 최소한의 실행 가능한 제품을 제공하고 이를 반복하는 New Hope Dairy와의 조정을 기반으로 이러한 문제는 일반적으로 신뢰도 필터링과 결합된 이상치 판단 알고리즘으로 해결될 수 있으며, 해결되지 않는 경우에는 유효하지 않은 데이터로 인해 추가 교육을 수행하고 알고리즘과 모델을 지속적으로 반복해야 합니다.

장기적으로 AWS AI 상하이 라벨렛 객체 중심 연구를 기반으로 이전 문제를 해결하기 위한 향후 실험 제안을 제공했습니다. 실제 객체 중심 학습과의 격차 해소 및 자기 감독형 Amodal 비디오 객체 분할. 이러한 이상치 데이터를 무효화하는 것 외에도 자세 추정, 모달 분할 및 지도 추적을 위한 보다 정확한 객체 수준 모델을 개발하여 문제를 해결할 수도 있습니다. 그러나 이러한 작업을 위한 기존 비전 파이프라인에는 일반적으로 광범위한 라벨링이 필요합니다. 객체 중심 학습은 추가적인 감독 없이 픽셀과 객체의 바인딩 문제를 해결하는 데 중점을 둡니다. 바인딩 프로세스는 객체의 위치에 대한 정보를 제공할 뿐만 아니라 다운스트림 작업에 대한 강력하고 적응 가능한 객체 표현을 제공합니다. 객체 중심 파이프라인은 자체 감독 또는 약한 감독 설정에 중점을 두기 때문에 고객의 라벨링 비용을 크게 늘리지 않고도 성능을 향상시킬 수 있습니다.

일련의 문제를 해결하고 농장 수의사와 영양사가 제시한 점수를 종합한 후, 우리는 소에 대한 포괄적인 파행 점수를 얻었습니다. 이를 통해 중증, 중등도, 경증 등 다양한 파행 정도를 식별하는 데 도움이 됩니다. 젖소의 다양한 신체 자세 특성을 식별하여 추가 분석 및 판단을 돕습니다.

몇 주 만에 우리는 절름발이 소를 식별하기 위한 엔드투엔드 솔루션을 개발했습니다. 이 솔루션의 하드웨어 카메라 가격은 300RMB에 불과하며 아마존 세이지 메이커 일괄 추론은 g4dn.xlarge 인스턴스를 사용할 때 50시간의 비디오에 약 2시간이 걸렸으며 총 비용은 300RMB에 불과했습니다. 생산에 들어갈 때 매주 10개의 소 배치가 감지되고(약 10,000시간 가정) 롤링 저장된 비디오 및 데이터를 포함하면 소 수천 마리가 있는 중형 목장의 월 감지 비용은 XNUMX위안 미만입니다.

현재 당사의 기계 학습 모델 프로세스는 다음과 같습니다.

1. 원시 비디오가 녹화됩니다.
2. 소가 감지되고 식별됩니다.
3. 각 젖소를 추적하고 핵심 포인트를 감지합니다.
4. 각 소의 움직임이 분석됩니다.
5. 파행 점수가 결정됩니다.

모델 배포

우리는 이전에 기계 학습을 기반으로 절름발이 소를 식별하는 솔루션에 대해 설명했습니다. 이제 SageMaker에 이러한 모델을 배포해야 합니다. 다음 그림과 같이:

사업 시행

물론 지금까지 논의한 내용은 기술 솔루션의 핵심일 뿐입니다. 전체 솔루션을 비즈니스 프로세스에 통합하려면 다음 문제도 해결해야 합니다.

• 데이터 피드백: 예를 들어, 수의사에게 처리가 필요한 절름발이 소를 필터링하고 볼 수 있는 인터페이스를 제공하고 이 과정에서 데이터를 수집하여 훈련 데이터로 사용할 수 있어야 합니다.
• 소 식별: 수의사는 절름발이 소를 본 후 번호, 펜 등 소의 신원도 알아야 합니다.
• 암소 위치: 수백 마리의 소가 있는 우리에서 대상 소를 빠르게 찾습니다.
• 데이터 수집: 예를 들어, 파행의 정도가 수유, 반추, 휴식 및 우유 생산에 어떤 영향을 미치는지 알아보세요.
• 데이터 기반: 예를 들어, 절름발이 소의 유전적, 생리적, 행동적 특성을 식별하여 최적의 번식과 번식을 달성합니다.

이러한 문제를 해결해야만 솔루션이 비즈니스 문제를 진정으로 해결할 수 있고, 수집된 데이터는 장기적인 가치를 창출할 수 있습니다. 이러한 문제 중 일부는 시스템 통합 문제이고 일부는 기술 및 비즈니스 통합 문제입니다. 우리는 향후 기사에서 이러한 문제에 대한 추가 정보를 공유할 것입니다.

요약

이 기사에서는 AWS 고객 솔루션 팀이 고객의 비즈니스를 기반으로 빠르게 혁신하는 방법을 간략하게 설명했습니다. 이 메커니즘에는 다음과 같은 몇 가지 특징이 있습니다.

• 비즈니스 주도: 기술을 논의하기 전에 현장과 직접 만나 고객의 산업과 비즈니스 프로세스를 먼저 이해하고, 고객의 Pain Point, Challenge, 문제점을 심층적으로 분석하여 기술로 해결할 수 있는 중요한 문제를 파악합니다.
• 즉각 가능: 테스트, 검증 및 신속한 반복을 위해 몇 개월이 아닌 몇 주 내에 간단하지만 완벽하고 사용 가능한 프로토타입을 고객에게 직접 제공합니다.
• 최소 비용 : 가치가 실제로 검증되기 전에 고객의 비용을 최소화하거나 제거하여 미래에 대한 우려를 피하십시오. 이는 AWS와 일치합니다. 절약 리더십 원칙.

유제품 업계와의 협업 혁신 프로젝트에서는 비즈니스 전문가와 함께 구체적인 비즈니스 문제를 파악하기 위해 비즈니스 관점에서 시작했을 뿐만 아니라, 고객과 함께 농장과 공장에서 현장 조사를 진행했습니다. 우리는 현장에서 카메라 배치를 결정하고, 카메라를 설치 및 배포하고, 비디오 스트리밍 솔루션을 배포했습니다. AWS Generative AI 혁신 센터의 전문가들은 고객의 요구 사항을 분석하고 알고리즘을 개발한 후 솔루션 아키텍트가 전체 알고리즘에 대해 엔지니어링했습니다.

각각의 추론을 통해 우리는 원본 비디오 ID, 소 ID, 절름발이 점수 및 다양한 세부 점수가 포함된 수천 개의 분해되고 태그가 지정된 소 산책 비디오를 얻을 수 있었습니다. 완전한 계산 논리와 원시 보행 데이터도 후속 알고리즘 최적화를 위해 유지되었습니다.

파행 데이터는 수의사의 조기 개입에 사용될 수 있을 뿐만 아니라 교차 분석을 위한 착유기 데이터와 결합되어 추가 검증 차원을 제공하고 다음과 같은 몇 가지 추가 비즈니스 질문에 답할 수 있습니다. 우유 생산량? 파행이 젖소의 우유 생산에 미치는 영향은 무엇입니까? 절름소의 주요 원인은 무엇이며, 어떻게 예방할 수 있나요? 이 정보는 농장 운영에 대한 새로운 아이디어를 제공할 것입니다.

절름발이 소를 식별하는 이야기는 여기서 끝나지만, 농장 혁신의 이야기는 이제 막 시작되었습니다. 후속 기사에서는 다른 문제를 해결하기 위해 고객과 긴밀하게 협력하는 방법에 대해 계속 논의할 것입니다.

---

저자에 관하여

황하오 AWS Generative AI Innovation Center의 응용 과학자입니다. 그는 CV(Computer Vision) 및 VLM(Visual-Language Model)을 전문으로 합니다. 최근에 그는 제너레이티브 AI 기술에 큰 관심을 갖게 되었고 이미 고객과 협력하여 이러한 첨단 기술을 비즈니스에 적용했습니다. 또한 ICCV 및 AAAI와 같은 AI 컨퍼런스의 리뷰어이기도 합니다.

허 페이양 AWS Generative AI Innovation Center의 수석 데이터 과학자입니다. 그녀는 GenAI/ML 솔루션을 활용하여 가장 시급하고 혁신적인 비즈니스 요구 사항을 해결하기 위해 다양한 산업 분야의 고객과 협력합니다. 여가 시간에는 스키와 여행을 즐깁니다.

리우 슈에펭 아시아 태평양 및 중화권 지역의 AWS Generative AI 혁신 센터에서 과학팀을 이끌고 있습니다. 그의 팀은 고객의 생성 AI 채택을 가속화한다는 목표로 생성 AI 프로젝트에서 AWS 고객과 협력하고 있습니다.

샤오 티안준 그는 AWS AI Shanghai Lablet의 수석 응용 과학자로 컴퓨터 비전 노력을 공동으로 이끌고 있습니다. 현재 그의 주요 초점은 다중 모드 기반 모델과 객체 중심 학습 영역에 있습니다. 그는 영상 분석, 3D 비전, 자율 주행 등 다양한 응용 분야에서 이들의 잠재력을 적극적으로 조사하고 있습니다.

장다이 중국 지리 비즈니스 부문의 AWS 수석 솔루션 아키텍트입니다. 그는 비즈니스 프로세스, 사용자 경험 및 클라우드 기술에 대한 컨설팅을 제공하여 다양한 규모의 기업이 비즈니스 목표를 달성하도록 돕습니다. 그는 다작의 블로그 작가이자 The Modern Autodidact 및 Designing Experience라는 두 권의 책을 집필한 작가이기도 합니다.

젠위 젱 AWS의 수석 고객 솔루션 관리자로서 New Hope 그룹과 같은 고객이 클라우드로 전환하는 동안 지원하고 클라우드 기반 기술 솔루션을 통해 비즈니스 가치를 실현할 수 있도록 지원하는 책임을 맡고 있습니다. 인공지능에 큰 관심을 가지고 있는 그는 AI를 활용하여 고객 비즈니스의 혁신적인 변화를 주도할 수 있는 방법을 끊임없이 모색하고 있습니다.

캐롤 민 두 개의 중요한 기업 고객인 Jiannanchun Group과 New Hope Group을 포함하여 GCR GEO West의 주요 계정을 담당하는 수석 비즈니스 개발 관리자입니다. 그녀는 고객을 중시하며 항상 고객의 클라우드 여정을 지원하고 가속화하는 데 열정을 쏟고 있습니다.

닉 지앙 중국 AIML SSO 팀의 수석 영업 전문가입니다. 그는 혁신적인 AIML 솔루션을 이전하고 고객이 AWS 내에서 AI 관련 워크로드를 구축하도록 돕는 데 중점을 두고 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/