Uw vee in de gaten houden met AI-technologie | Amazon-webservices

At Amazon Web Services (AWS), zijn we niet alleen gepassioneerd om klanten een verscheidenheid aan uitgebreide technische oplossingen te bieden, maar willen we ook graag een diepgaand inzicht krijgen in de bedrijfsprocessen van onze klanten. We hanteren het perspectief van een derde partij en een objectief oordeel om klanten te helpen hun waardeproposities te bepalen, pijnpunten te verzamelen, passende oplossingen voor te stellen en de meest kosteneffectieve en bruikbare prototypes te creëren om hen te helpen systematisch hun zakelijke doelstellingen te bereiken.

Deze methode heet achteruit werken bij AWS. Het betekent het terzijde schuiven van technologie en oplossingen, beginnend bij de verwachte resultaten van klanten, het bevestigen van hun waarde, en vervolgens afleiden wat er in omgekeerde volgorde moet gebeuren voordat uiteindelijk een oplossing wordt geïmplementeerd. Ook tijdens de implementatiefase volgen wij het concept van minimaal levensvatbaar product en ernaar streven om snel een prototype te vormen dat binnen een paar weken waarde kan genereren, en daar vervolgens op voort te borduren.

Laten we vandaag een casestudy bekijken waarin AWS en New Hope Dairy samenwerkten om een ​​slimme boerderij in de cloud te bouwen. Uit deze blogpost kunt u een diepgaand inzicht krijgen in wat AWS kan bieden voor het bouwen van een smart farm en hoe u met AWS-experts smart farm-applicaties in de cloud kunt bouwen.

Project achtergrond

Melk is een voedzame drank. Met het oog op de nationale gezondheidszorg heeft China de ontwikkeling van de zuivelindustrie actief bevorderd. Volgens gegevens van Euromonitor International bedroeg de verkoop van zuivelproducten in China in 638.5 2020 miljard RMB en zal deze in 810 naar verwachting 2025 miljard RMB bereiken. Bovendien heeft het samengestelde jaarlijkse groeipercentage in de afgelopen 14 jaar ook 10 procent bereikt, snelle ontwikkeling laten zien.

Aan de andere kant komt het grootste deel van de omzet in de Chinese zuivelindustrie anno 2022 nog steeds uit vloeibare melk. Zestig procent van de rauwe melk wordt gebruikt voor vloeibare melk en yoghurt, en nog eens twintig procent is melkpoeder, een derivaat van vloeibare melk. Bij sterk bewerkte producten als kaas en room wordt slechts een zeer kleine hoeveelheid gebruikt.

Vloeibare melk is een licht verwerkt product en de opbrengst, kwaliteit en kosten ervan zijn nauw verbonden met die van rauwe melk. Dit betekent dat als de zuivelindustrie capaciteit wil vrijmaken om zich te concentreren op het produceren van sterk bewerkte producten, het creëren van nieuwe producten en het uitvoeren van meer innovatief biotechnologisch onderzoek, zij eerst de productie en kwaliteit van rauwe melk moet verbeteren en stabiliseren.

Als leider in de zuivelindustrie heeft New Hope Dairy nagedacht over hoe ze de efficiëntie van haar ranchactiviteiten kan verbeteren en de productie en kwaliteit van rauwe melk kan verhogen. New Hope Dairy hoopt het perspectief van derden en de technologische expertise van AWS te gebruiken om innovatie in de zuivelindustrie te faciliteren. Met steun en promotie van Liutong Hu, VP en CIO van New Hope Dairy, begon het AWS-klantenteam activiteiten en potentiële innovatiepunten voor de melkveebedrijven te organiseren.

Uitdagingen voor melkveehouderijen

AWS is expert op het gebied van cloudtechnologie, maar om innovatie in de zuivelindustrie te implementeren is professioneel advies van experts op het gebied van de zuivel noodzakelijk. Daarom hebben we verschillende diepte-interviews gehouden met Liangrong Song, de adjunct-directeur van het Production Technology Center van New Hope Dairy, het ranchmanagementteam en voedingsdeskundigen om inzicht te krijgen in enkele van de problemen en uitdagingen waarmee de boerderij wordt geconfronteerd.

Ten eerste is het inventariseren van reservekoeien

De melkkoeien op de ranch zijn onderverdeeld in twee typen: melkkoeien en koeien reserveren. Melkkoeien zijn volwassen en geven continu melk, terwijl reservekoeien koeien zijn die nog niet de leeftijd hebben bereikt om melk te produceren. Grote en middelgrote boerderijen bieden reservekoeien doorgaans een groter open activiteitengebied om een ​​comfortabelere groeiomgeving te creëren.

Zowel melkkoeien als reservekoeien zijn echter activa van het bedrijf en moeten maandelijks worden geïnventariseerd. Melkkoeien worden elke dag gemolken, en omdat ze tijdens het melken relatief stil staan, is het bijhouden van de voorraad eenvoudig. Reservekoeien staan ​​echter in een open ruimte en lopen vrij rond, wat het lastig maakt om ze te inventariseren. Elke keer dat er een inventaris wordt gemaakt, tellen verschillende medewerkers herhaaldelijk de reservekoeien uit verschillende gebieden, en ten slotte worden de aantallen gecontroleerd. Dit proces neemt voor meerdere werknemers één tot twee dagen in beslag, en vaak zijn er problemen met het afstemmen van de tellingen of onzekerheden over de vraag of elke koe is geteld.

Er kan aanzienlijke tijd worden bespaard als we een manier hebben om reservekoeien snel en nauwkeurig te inventariseren.

Ten tweede is het identificeren van kreupel vee

Momenteel gebruiken de meeste zuivelbedrijven een ras genaamd Holstein om melk te produceren. Holsteins zijn de zwart-witte koeien waar de meesten van ons bekend mee zijn. Ondanks dat de meeste zuivelbedrijven hetzelfde ras gebruiken, zijn er nog steeds verschillen in de hoeveelheid en kwaliteit van de melkproductie tussen verschillende bedrijven en ranches. Dit komt omdat de gezondheid van melkkoeien rechtstreeks van invloed is op de melkproductie.

Koeien kunnen echter niet op eigen kracht ongemak uiten zoals mensen dat kunnen, en het is niet praktisch voor dierenartsen om duizenden koeien regelmatig lichamelijk te laten onderzoeken. Daarom moeten we externe indicatoren gebruiken om de gezondheidsstatus van koeien snel te kunnen beoordelen.

De externe indicatoren voor de gezondheid van een koe zijn onder meer: lichaamsconditiescore en mate van kreupelheid. De lichaamsconditiescore houdt grotendeels verband met het lichaamsvetpercentage van de koe en is een langetermijnindicator, terwijl kreupelheid een kortetermijnindicator is die wordt veroorzaakt door pootproblemen of voetinfecties en andere problemen die het humeur, de gezondheid en de melkproductie van de koe beïnvloeden. Bovendien kunnen volwassen Holstein-koeien meer dan 500 kg wegen, wat aanzienlijke schade aan hun voeten kan veroorzaken als ze niet stabiel zijn. Daarom moeten dierenartsen, wanneer kreupelheid optreedt, zo snel mogelijk ingrijpen.

Volgens een onderzoek uit 2014 kan het aandeel ernstig kreupele koeien in China oplopen tot 31 procent. Hoewel de situatie sinds het onderzoek mogelijk is verbeterd, is het aantal dierenartsen op boerderijen uiterst beperkt, waardoor het lastig is om koeien regelmatig te controleren. Wanneer kreupelheid wordt vastgesteld, is de situatie vaak ernstig en is de behandeling tijdrovend en moeilijk, terwijl de melkproductie al wordt aangetast.

Als we een manier hebben om kreupelheid bij koeien tijdig te detecteren en dierenartsen ertoe aanzetten om in te grijpen in het stadium van milde kreupelheid, zullen de algehele gezondheid en melkproductie van de koeien toenemen en zullen de prestaties van het bedrijf verbeteren.

Tenslotte is er nog de optimalisatie van de voerkosten

Binnen de veehouderij is voer de grootste variabele kostenpost. Om de kwaliteit en voorraad van voer te garanderen, moeten boerderijen vaak voeringrediënten kopen van binnenlandse en buitenlandse leveranciers en deze ter verwerking aan fabrieken voor voerformulering leveren. Er zijn veel soorten moderne voeringrediënten, waaronder sojameel, maïs, luzerne, havergras, enzovoort, wat betekent dat er veel variabelen in het spel zijn. Elk type voeringrediënt kent zijn eigen prijscyclus en prijsschommelingen. Tijdens aanzienlijke schommelingen kunnen de totale voerkosten met meer dan 15 procent fluctueren, wat een aanzienlijke impact heeft.

De voerkosten fluctueren, maar de prijzen van zuivelproducten zijn op de lange termijn relatief stabiel. Bijgevolg kan de totale winst onder verder onveranderde omstandigheden aanzienlijk fluctueren, uitsluitend als gevolg van veranderingen in de voerkosten.

Om deze schommelingen te voorkomen, is het noodzakelijk om te overwegen om meer ingrediënten op te slaan als de prijzen laag zijn. Maar bij de veehouderij moet ook worden overwogen of de prijs werkelijk op het dieptepunt zit en welke hoeveelheid voer moet worden gekocht in overeenstemming met de huidige consumptie.

Als we een manier hebben om de voerconsumptie nauwkeurig te voorspellen en deze te combineren met de algehele prijsontwikkeling om het beste tijdstip en de beste hoeveelheid voer voor aankoop aan te geven, kunnen we de kosten verlagen en de efficiëntie op de boerderij verhogen.

Het is duidelijk dat deze problemen rechtstreeks verband houden met het doel van de klant om te verbeteren operationele efficiëntie van de boerderij, en de methoden zijn respectievelijk arbeid vrijmaken, productie verhogen en kosten verlagen. Via discussies over de moeilijkheid en waarde van het oplossen van elk probleem hebben we een keuze gemaakt productie verhogen als uitgangspunt en prioriteit gegeven aan het oplossen van het probleem van kreupele koeien.

Onderzoek

Voordat er over technologie kon worden gesproken, moest er onderzoek worden gedaan. Het onderzoek werd gezamenlijk uitgevoerd door het AWS-klantenteam, de AWS Generatief AI-innovatiecentrum, die de machine learning-algoritmemodellen beheerde, en AWS AI Shanghai-label, dat algoritme-advies biedt over het nieuwste computervisieonderzoek en het deskundige landbouwteam van New Hope Dairy. Het onderzoek bestond uit verschillende delen:

• Inzicht in de traditionele, op papier gebaseerde identificatiemethode van kreupele koeien en het ontwikkelen van een basiskennis van wat kreupele koeien zijn.
• Bevestiging van bestaande oplossingen, inclusief die welke worden gebruikt op boerderijen en in de industrie.
• Onderzoek naar de landbouwomgeving uitvoeren om de fysieke situatie en beperkingen te begrijpen.

Door materialen te bestuderen en video's ter plaatse te bekijken, kregen de teams basiskennis over kreupele koeien. Via onderstaande animatie kunnen lezers ook een basisidee krijgen van de houding van kreupele koeien.

In tegenstelling tot een relatief gezonde koe.

Lamme koeien hebben zichtbare verschillen in houding en gang vergeleken met gezonde koeien.

Wat de bestaande oplossingen betreft, vertrouwen de meeste ranches op visuele inspectie door dierenartsen en voedingsdeskundigen om kreupele koeien te identificeren. In de industrie zijn er oplossingen die draagbare stappentellers en versnellingsmeters gebruiken voor identificatie, evenals oplossingen die gepartitioneerde weegbruggen gebruiken voor identificatie, maar beide zijn relatief duur. Voor de zeer competitieve zuivelindustrie moeten we de identificatiekosten en de kosten van en de afhankelijkheid van niet-generieke hardware minimaliseren.

Na de informatie te hebben besproken en geanalyseerd met ranchdierenartsen en voedingsdeskundigen, besloten de experts van het AWS Generative AI Innovation Center om computer vision (CV) te gebruiken voor identificatie, waarbij ze zich alleen baseerden op gewone hardware: civiele bewakingscamera’s, die geen extra last toevoegen aan de koeien en verlagen de kosten en gebruiksbarrières.

Nadat we deze richting hadden gekozen, bezochten we een middelgrote boerderij met duizenden koeien ter plaatse, onderzochten de omgeving van de ranch en bepaalden de locatie en hoek van de cameraplaatsing.

Eerste voorstel

Nu, voor de oplossing. De kern van onze CV-gebaseerde oplossing bestaat uit de volgende stappen:

• Koe-identificatie: Identificeer meerdere koeien in één videoframe en markeer de positie van elke koe.
• Koe volgen: Terwijl de video wordt opgenomen, moeten we koeien continu volgen terwijl de frames veranderen en aan elke koe een uniek nummer toewijzen.
• Houdingmarkering: Verminder de dimensionaliteit van koebewegingen door koeafbeeldingen om te zetten in gemarkeerde punten.
• Anomalie-identificatie: Identificeer afwijkingen in de dynamiek van de gemarkeerde punten.
• Lame koe-algoritme: Normaliseer de afwijkingen om een ​​score te verkrijgen waarmee de mate van kreupelheid van de koe kan worden bepaald.
• Drempelbepaling: Zorg voor een drempel op basis van input van experts.

Volgens het oordeel van de experts van het AWS Generative AI Innovation Center zijn de eerste paar stappen generieke vereisten die kunnen worden opgelost met behulp van open-sourcemodellen, terwijl de laatste stappen vereisen dat we wiskundige methoden en deskundige tussenkomst gebruiken.

Moeilijkheden bij de oplossing

Om kosten en prestaties in evenwicht te brengen, hebben we gekozen voor het yolov5l-model, een middelgroot, vooraf getraind model voor koeherkenning, met een invoerbreedte van 640 pixels, wat een goede waarde biedt voor deze scène.

Hoewel YOLOv5 verantwoordelijk is voor het herkennen en taggen van koeien in één afbeelding, bestaan ​​video's in werkelijkheid uit meerdere afbeeldingen (frames) die voortdurend veranderen. YOLOv5 kan niet vaststellen dat koeien in verschillende frames tot dezelfde persoon behoren. Om een ​​koe op meerdere afbeeldingen te volgen en te lokaliseren, is een ander model nodig, genaamd SORT.

SORT staat voor eenvoudige online en realtime tracking, Waar online. betekent dat het alleen rekening houdt met de huidige en voorgaande frames om te volgen, zonder rekening te houden met andere frames, en realtime betekent dat het de identiteit van het object onmiddellijk kan identificeren.

Na de ontwikkeling van SORT hebben veel ingenieurs het geïmplementeerd en geoptimaliseerd, wat heeft geleid tot de ontwikkeling van OC-SORT, dat rekening houdt met het uiterlijk van het object, DeepSORT (en de verbeterde versie ervan, StrongSORT), dat het menselijk uiterlijk omvat, en ByteTrack, dat gebruik maakt van een tweetraps associatielinker om herkenning met weinig vertrouwen te overwegen. Na het testen ontdekten we dat het algoritme voor het volgen van het uiterlijk van DeepSORT voor onze scène geschikter is voor mensen dan voor koeien, en dat de volgnauwkeurigheid van ByteTrack iets zwakker is. Als gevolg hiervan hebben we uiteindelijk voor OC-SORT gekozen als ons trackingalgoritme.

Vervolgens gebruiken we DeepLabCut (kortweg DLC) om de skeletpunten van de koeien te markeren. DLC is een model zonder markeringen, wat betekent dat hoewel verschillende punten, zoals het hoofd en de ledematen, verschillende betekenissen kunnen hebben, ze allemaal gewoon punten voor DLC, waarvoor we alleen de punten hoeven te markeren en het model moeten trainen.

Dit leidt tot een nieuwe vraag: hoeveel punten moeten we op elke koe markeren en waar moeten we ze markeren? Het antwoord op deze vraag heeft invloed op de werklast van het beoordelen, trainen en de daaruit voortvloeiende efficiëntie van inferenties. Om dit probleem op te lossen, moeten we eerst begrijpen hoe we kreupele koeien kunnen identificeren.

Op basis van ons onderzoek en de input van onze deskundige klanten vertonen kreupele koeien in video’s de volgende kenmerken:

• Een gebogen rug: De nek en rug zijn gebogen en vormen een driehoek met de wortel van het nekbeen (gebogen rug).
• Vaak knikken: Elke stap kan ertoe leiden dat de koe haar evenwicht verliest of uitglijdt, met als gevolg dat ze vaak uitglijdt knikkend (knikken).
• Onstabiele gang: De gang van de koe verandert na enkele stappen, met korte pauzes (verandering van het looppatroon).

Met betrekking tot nek- en rugkromming en knikken hebben experts van het AWS Genative AI Innovation Center vastgesteld dat het markeren van slechts zeven rugpunten (één op het hoofd, één aan de basis van de nek en vijf op de rug) op vee kan resulteren in een goede identificatie. Omdat we nu over een identificatiekader beschikken, zouden we ook instabiele looppatronen moeten kunnen herkennen.

Vervolgens gebruiken we wiskundige uitdrukkingen om de identificatieresultaten weer te geven en algoritmen te vormen.

Menselijke identificatie van deze problemen is niet moeilijk, maar voor computeridentificatie zijn nauwkeurige algoritmen vereist. Hoe weet een programma bijvoorbeeld de mate van kromming van de rug van een koe, gegeven een reeks coördinaatpunten van de rug van een koe? Hoe weet hij of een koe knikt?

Wat de kromming van de rug betreft, overwegen we eerst de rug van de koe als een hoek te beschouwen en vervolgens vinden we het hoekpunt van die hoek, waardoor we de hoek kunnen berekenen. Het probleem met deze methode is dat de wervelkolom mogelijk een bidirectionele kromming heeft, waardoor het hoekpunt van de hoek moeilijk te identificeren is. Dit vereist het overschakelen naar andere algoritmen om het probleem op te lossen.

Wat het knikken betreft, hebben we eerst overwogen om de Fréchet-afstand te gebruiken om te bepalen of de koe knikt, door het verschil in de curve van de algemene houding van de koe te vergelijken. Het probleem is echter dat de skeletpunten van de koe kunnen worden verplaatst, waardoor er een aanzienlijke afstand tussen soortgelijke curven ontstaat. Om dit probleem op te lossen, moeten we de positie van het hoofd ten opzichte van het herkenningsvak verwijderen en normaliseren.

Na het normaliseren van de positie van het hoofd kwamen we een nieuw probleem tegen. In de afbeelding die volgt, laat de grafiek links de verandering in de positie van de kop van de koe zien. We kunnen zien dat als gevolg van problemen met de herkenningsnauwkeurigheid de positie van het hoofdpunt voortdurend lichtjes zal trillen. We moeten deze kleine bewegingen verwijderen en de relatief grote bewegingstrend van het hoofd vinden. Dit is waar enige kennis van signaalverwerking nodig is. Door een Savitzky-Golay-filter te gebruiken, kunnen we een signaal afvlakken en de algemene trend ervan bepalen, waardoor we gemakkelijker knikken kunnen identificeren, zoals weergegeven door de oranje curve in de grafiek rechts.

Bovendien ontdekten we na tientallen uren videoherkenning dat sommige koeien met een extreem hoge rugkromming eigenlijk geen gebogen rug hadden. Uit verder onderzoek bleek dat dit kwam doordat de meeste koeien die werden gebruikt om het DLC-model te trainen grotendeels zwart of zwart-wit waren, en er niet veel koeien waren die grotendeels wit of bijna puur wit waren, waardoor het model ze ten onrechte herkende wanneer ze hadden grote witte gebieden op hun lichaam, zoals weergegeven door de rode pijl in de onderstaande afbeelding. Dit kan worden gecorrigeerd door verdere modeltraining.

Naast het oplossen van de voorgaande problemen waren er nog andere algemene problemen die moesten worden opgelost:

• Er zijn twee paden in het videoframe en koeien in de verte kunnen ook worden herkend, wat problemen veroorzaakt.
• Ook hebben de paden in de video een bepaalde kromming en wordt de lichaamslengte van de koe korter wanneer de koe zich aan de zijkanten van het pad bevindt, waardoor de houding gemakkelijk verkeerd te identificeren is.
• Als gevolg van de overlap van meerdere koeien of afsluiting van het hek, kan dezelfde koe als twee koeien worden geïdentificeerd.
• Vanwege trackingparameters en het af en toe overslaan van frames door de camera, is het onmogelijk om de koeien correct te volgen, wat leidt tot ID-verwarring.

Op de korte termijn kunnen deze problemen, op basis van de afstemming met New Hope Dairy over het leveren van een minimaal levensvatbaar product en het daarop herhalen daarvan, doorgaans worden opgelost door algoritmen voor het beoordelen van uitschieters in combinatie met vertrouwensfiltering. Als ze niet kunnen worden opgelost, zullen ze ongeldige gegevens, waardoor we aanvullende training moeten uitvoeren en onze algoritmen en modellen voortdurend moeten herhalen.

Op de lange termijn, AWS AI Shanghai-label gaf suggesties voor toekomstige experimenten om de voorgaande problemen op te lossen op basis van hun objectcentrische onderzoek: De kloof overbruggen naar objectgericht leren in de echte wereld en Zelfgecontroleerde segmentatie van Amodal-videoobjecten. Naast het ontkrachten van deze uitbijtergegevens, kunnen de problemen ook worden aangepakt door nauwkeurigere modellen op objectniveau te ontwikkelen voor pose-schatting, amodale segmentatie en begeleide tracking. Traditionele visiepijplijnen voor deze taken vereisen echter doorgaans uitgebreide etikettering. Objectcentrisch leren richt zich op het aanpakken van het bindingsprobleem van pixels aan objecten zonder extra toezicht. Het bindingsproces biedt niet alleen informatie over de locatie van objecten, maar resulteert ook in robuuste en aanpasbare objectrepresentaties voor daaropvolgende taken. Omdat de objectcentrische pijplijn zich richt op instellingen met zelf- of zwak toezicht, kunnen we de prestaties verbeteren zonder de etiketteringskosten voor onze klanten aanzienlijk te verhogen.

Na het oplossen van een reeks problemen en het combineren van de scores van de boerderijdierenarts en voedingsdeskundige, hebben we een uitgebreide kreupelheidsscore voor koeien verkregen, die ons helpt koeien met verschillende graden van kreupelheid te identificeren, zoals ernstig, matig en mild. identificeer meerdere kenmerken van de lichaamshouding van koeien, wat verdere analyse en beoordeling helpt.

Binnen enkele weken ontwikkelden we een end-to-end oplossing voor het identificeren van kreupele koeien. De hardwarecamera voor deze oplossing kostte slechts 300 RMB, en de Amazon Sage Maker batch-inferentie duurde bij gebruik van de instantie g4dn.xlarge ongeveer 50 uur voor 2 uur video, in totaal slechts 300 RMB. Wanneer het in productie gaat, en als er vijf batches koeien per week worden gedetecteerd (uitgaande van ongeveer 10 uur), en inclusief de doorlopend opgeslagen video's en gegevens, bedragen de maandelijkse detectiekosten voor een middelgrote boerderij met enkele duizenden koeien minder dan 10,000 RMB.

Momenteel is ons machine learning-modelproces als volgt:

1. Er wordt onbewerkte video opgenomen.
2. Koeien worden gedetecteerd en geïdentificeerd.
3. Elke koe wordt gevolgd en belangrijke punten worden gedetecteerd.
4. De bewegingen van elke koe worden geanalyseerd.
5. Er wordt een kreupelheidsscore bepaald.

Modelimplementatie

De oplossing voor het identificeren van kreupele koeien op basis van machine learning hebben we eerder beschreven. Nu moeten we deze modellen op SageMaker implementeren. Zoals weergegeven in de volgende afbeelding:

Zakelijke implementatie

Wat we tot nu toe hebben besproken, is uiteraard slechts de kern van onze technische oplossing. Om de gehele oplossing in het bedrijfsproces te integreren, moeten we ook de volgende problemen aanpakken:

• Gegevensfeedback: We moeten dierenartsen bijvoorbeeld een interface bieden om kreupele koeien die moeten worden verwerkt te filteren en bekijken en tijdens dit proces gegevens verzamelen om te gebruiken als trainingsgegevens.
• Koe-identificatie: Nadat een dierenarts een kreupele koe heeft gezien, moet hij ook de identiteit van de koe weten, zoals het nummer en de pen.
• Koe positionering: Zoek in een hok met honderden koeien snel de doelkoe.
• Datamining: Ontdek bijvoorbeeld welke invloed de mate van kreupelheid heeft op het voeden, herkauwen, rusten en de melkproductie.
• Datagedreven: Identificeer bijvoorbeeld de genetische, fysiologische en gedragskenmerken van kreupele koeien om een ​​optimale voortplanting en voortplanting te bereiken.

Alleen door deze problemen aan te pakken kan de oplossing het bedrijfsprobleem echt oplossen, en kunnen de verzamelde gegevens waarde op de lange termijn genereren. Sommige van deze problemen zijn systeemintegratieproblemen, terwijl andere problemen op het gebied van technologie en bedrijfsintegratie zijn. In toekomstige artikelen zullen we meer informatie over deze kwesties delen.

Samengevat

In dit artikel hebben we kort uitgelegd hoe het AWS Customer Solutions-team snel innoveert op basis van de business van de klant. Dit mechanisme heeft verschillende kenmerken:

• Zakelijk geleid: Geef prioriteit aan het begrijpen van de branche en bedrijfsprocessen van de klant ter plaatse en persoonlijk voordat u technologie bespreekt, en verdiep u vervolgens in de pijnpunten, uitdagingen en problemen van de klant om belangrijke problemen te identificeren die met technologie kunnen worden opgelost.
• Direct beschikbaar: Lever een eenvoudig maar compleet en bruikbaar prototype rechtstreeks aan de klant voor testen, validatie en snelle iteratie binnen enkele weken in plaats van maanden.
• Minimale kosten: Minimaliseer of elimineer zelfs de kosten van de klant voordat de waarde echt wordt gevalideerd, zodat u zich geen zorgen meer hoeft te maken over de toekomst. Dit sluit aan bij de AWS soberheid leiderschapsprincipe.

In ons gezamenlijke innovatieproject met de zuivelindustrie zijn we niet alleen vanuit het bedrijfsperspectief begonnen om specifieke bedrijfsproblemen met bedrijfsexperts te identificeren, maar hebben we ook samen met de klant onderzoek ter plaatse uitgevoerd op de boerderij en in de fabriek. We bepaalden de cameraplaatsing op locatie, installeerden en implementeerden de camera's en implementeerden de videostreamingoplossing. Experts van het AWS Generative AI Innovation Center ontleedden de eisen van de klant en ontwikkelden een algoritme, dat vervolgens door een oplossingsarchitect voor het hele algoritme werd ontworpen.

Met elke gevolgtrekking konden we duizenden ontlede en getagde koeienloopvideo's verkrijgen, elk met de originele video-ID, koe-ID, kreupelheidsscore en diverse gedetailleerde scores. De volledige berekeningslogica en ruwe loopgegevens werden ook bewaard voor daaropvolgende algoritme-optimalisatie.

Gegevens over kreupelheid kunnen niet alleen worden gebruikt voor vroegtijdige interventie door dierenartsen, maar kunnen ook worden gecombineerd met gegevens van melkmachines voor kruisanalyse, wat een extra validatiedimensie oplevert en een aantal aanvullende zakelijke vragen beantwoordt, zoals: Wat zijn de fysieke kenmerken van koeien met de hoogste melkopbrengst? Wat is het effect van kreupelheid op de melkproductie bij koeien? Wat is de belangrijkste oorzaak van kreupele koeien en hoe kan dit worden voorkomen? Deze informatie zal nieuwe ideeën opleveren voor landbouwactiviteiten.

Het verhaal van het identificeren van kreupele koeien eindigt hier, maar het verhaal van landbouwinnovatie is nog maar net begonnen. In volgende artikelen zullen we blijven bespreken hoe we nauw samenwerken met klanten om andere problemen op te lossen.

---

Over de auteurs

Ha Huang is een toegepaste wetenschapper bij het AWS Generative AI Innovation Center. Hij is gespecialiseerd in Computer Vision (CV) en Visual-Language Model (VLM). Onlangs heeft hij een sterke interesse ontwikkeld in generatieve AI-technologieën en heeft hij al samengewerkt met klanten om deze geavanceerde technologieën toe te passen op hun bedrijf. Hij is ook recensent voor AI-conferenties zoals ICCV en AAAI.

Peiyang Hij is senior datawetenschapper bij het AWS Generative AI Innovation Center. Ze werkt met klanten in een breed spectrum van industrieën om hun meest dringende en innovatieve zakelijke behoeften op te lossen door gebruik te maken van GenAI/ML-oplossingen. In haar vrije tijd houdt ze van skiën en reizen.

Xuefeng Liu leidt een wetenschappelijk team bij het AWS Genative AI Innovation Center in de regio's Azië-Pacific en Groot-China. Zijn team werkt samen met AWS-klanten aan generatieve AI-projecten, met als doel de adoptie van generatieve AI door klanten te versnellen.

Tianjun Xiao is een senior toegepast wetenschapper bij het AWS AI Shanghai Lablet en geeft mede leiding aan de inspanningen op het gebied van computervisie. Momenteel ligt zijn primaire focus op het gebied van multimodale basismodellen en objectcentrisch leren. Hij onderzoekt actief hun potentieel in diverse toepassingen, waaronder videoanalyse, 3D-visie en autonoom rijden.

Zhang Dai is een AWS senior oplossingsarchitect voor de China Geo Business Sector. Hij helpt bedrijven van verschillende groottes hun bedrijfsdoelen te bereiken door advies te geven over bedrijfsprocessen, gebruikerservaring en cloudtechnologie. Hij is een productief blogschrijver en auteur van twee boeken: The Modern Autodidact en Designing Experience.

Jianyu Zeng is een senior klantoplossingenmanager bij AWS, wiens verantwoordelijkheid het is om klanten, zoals de New Hope-groep, te ondersteunen tijdens hun cloudtransitie en hen te helpen bij het realiseren van bedrijfswaarde door middel van cloudgebaseerde technologieoplossingen. Met een sterke interesse in kunstmatige intelligentie onderzoekt hij voortdurend manieren om AI in te zetten om innovatieve veranderingen in de bedrijven van onze klanten te stimuleren.

Carol TongMin is een senior business development manager, verantwoordelijk voor Key Accounts in GCR GEO West, waaronder twee belangrijke zakelijke klanten: Jiannanchun Group en New Hope Group. Ze is geobsedeerd door klanten en altijd gepassioneerd door het ondersteunen en versnellen van het cloudtraject van klanten.

Nick Jiang is een senior specialist in de verkoop bij het AIML SSO-team in China. Hij richt zich op het overbrengen van innovatieve AIML-oplossingen en het helpen van klanten bij het opbouwen van de AI-gerelateerde workloads binnen AWS.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/