Hold øye med storfeet ditt ved hjelp av AI-teknologi | Amazon Web Services

At Amazon Web Services (AWS), ikke bare brenner vi for å gi kunder en rekke omfattende tekniske løsninger, men vi er også opptatt av å forstå kundenes forretningsprosesser dypt. Vi bruker et tredjepartsperspektiv og objektiv vurdering for å hjelpe kundene med å sortere ut sine verdiforslag, samle smertepoeng, foreslå passende løsninger og lage de mest kostnadseffektive og brukbare prototypene for å hjelpe dem systematisk å nå sine forretningsmål.

Denne metoden kalles jobber bakover hos AWS. Det betyr å legge til side teknologi og løsninger, starte fra de forventede resultatene til kundene, bekrefte deres verdi, og deretter trekke ut hva som må gjøres i omvendt rekkefølge før du endelig implementerer en løsning. I gjennomføringsfasen følger vi også konseptet med minimum levedyktig produkt og streber etter å raskt danne en prototype som kan generere verdi innen noen få uker, og deretter gjenta den.

La oss i dag gjennomgå en casestudie der AWS og New Hope Dairy samarbeidet om å bygge en smart gård på skyen. Fra dette blogginnlegget kan du få en dyp forståelse av hva AWS kan gi for å bygge en smart farm og hvordan du bygger smart farm-applikasjoner på skyen med AWS-eksperter.

Prosjektbakgrunn

Melk er en næringsrik drikk. Av hensyn til nasjonal helse har Kina aktivt fremmet utviklingen av meieriindustrien. I følge data fra Euromonitor International nådde salget av meieriprodukter i Kina 638.5 milliarder RMB i 2020 og forventes å nå 810 milliarder RMB i 2025. I tillegg har den sammensatte årlige vekstraten de siste 14 årene også nådd 10 prosent, viser rask utvikling.

På den annen side, fra og med 2022, kommer fortsatt mesteparten av inntektene i den kinesiske meieriindustrien fra flytende melk. Seksti prosent av den rå melken brukes til flytende melk og yoghurt, og ytterligere 20 prosent er melkepulver - et derivat av flytende melk. Kun en svært liten mengde brukes til høyt bearbeidede produkter som ost og fløte.

Flytende melk er et lett bearbeidet produkt og dets produksjon, kvalitet og kostnad er nært knyttet til rå melk. Dette betyr at dersom meieriindustrien ønsker å frigjøre kapasitet til å fokusere på å produsere høyforedlede produkter, lage nye produkter og drive mer innovativ bioteknologisk forskning, må den først forbedre og stabilisere produksjonen og kvaliteten på råmelk.

Som en leder i meieriindustrien har New Hope Dairy tenkt på hvordan man kan forbedre effektiviteten til ranchdriften og øke produksjonen og kvaliteten på rå melk. New Hope Dairy håper å bruke tredjepartsperspektivet og den teknologiske ekspertisen til AWS for å legge til rette for innovasjon i meieriindustrien. Med støtte og promotering fra Liutong Hu, VP og CIO i New Hope Dairy, begynte AWS-kundeteamet å organisere operasjoner og potensielle innovasjonspunkter for melkebrukene.

Utfordringer med melkebruk

AWS er ​​ekspert innen skyteknologi, men for å implementere innovasjon i meieriindustrien er det nødvendig med faglige råd fra meierifaglige eksperter. Derfor gjennomførte vi flere dybdeintervjuer med Liangrong Song, visedirektøren for produksjonsteknologisenteret til New Hope Dairy, ranchens lederteam og ernæringsfysiologer for å forstå noen av problemene og utfordringene gården står overfor.

Først tar vi inventar av reservekyr

Melkekyrne på ranchen er delt inn i to typer: Meieri kuer og reservekyr. Melkekyr er modne og produserer kontinuerlig melk, mens reservekyr er kyr som ennå ikke har nådd alderen til å produsere melk. Store og mellomstore gårder gir vanligvis reservekyr et større åpent aktivitetsområde for å skape et mer behagelig oppvekstmiljø.

Imidlertid er både melkekyr og reservekyr eiendeler på gården og må inventariseres månedlig. Melkekyr melkes hver dag, og fordi de står relativt stille under melking, er lagersporing enkelt. Reservekyrne står imidlertid på et åpent rom og går fritt rundt, noe som gjør det upraktisk å inventarisere dem. Hver gang det blir tatt inventar, teller flere arbeidere reservekyrne gjentatte ganger fra forskjellige områder, og til slutt kontrolleres tallene. Denne prosessen bruker én til to dager for flere arbeidere, og ofte er det problemer med å samkjøre tellingene eller usikkerhet om hvorvidt hver ku er talt.

Betydelig tid kan spares hvis vi har en måte å lagre kyr raskt og nøyaktig.

Det andre er å identifisere halt storfe

For tiden bruker de fleste meieribedrifter en rase som heter Holstein å produsere melk. Holsteiner er de svarte og hvite kyrne de fleste av oss kjenner til. Til tross for at de fleste meieribedrifter bruker samme rase, er det fortsatt forskjeller i melkeproduksjonsmengde og kvalitet mellom forskjellige bedrifter og rancher. Dette er fordi helsen til melkekyr direkte påvirker melkeproduksjonen.

Kyr kan imidlertid ikke uttrykke ubehag på egenhånd som mennesker kan, og det er ikke praktisk for veterinærer å gi tusenvis av kyr fysiske undersøkelser regelmessig. Derfor må vi bruke eksterne indikatorer for raskt å bedømme helsestatusen til kyrne.

De eksterne indikatorene på en kus helse inkluderer kroppstilstandsscore og halthetsgrad. Kroppskondisjonsscore er i stor grad relatert til kuas kroppsfettprosent og er en langtidsindikator, mens halthet er en kortsiktig indikator forårsaket av benproblemer eller fotinfeksjoner og andre problemer som påvirker kuas humør, helse og melkeproduksjon. I tillegg kan voksne Holstein-kyr veie over 500 kg, noe som kan forårsake betydelig skade på føttene hvis de ikke er stabile. Derfor, når halthet oppstår, bør veterinærer gripe inn så snart som mulig.

Ifølge en studie fra 2014 kan andelen alvorlig halte kyr i Kina være så høy som 31 prosent. Selv om situasjonen kan ha blitt bedre siden studien, er antallet veterinærer på gårder ekstremt begrenset, noe som gjør det vanskelig å overvåke kyr regelmessig. Når det oppdages halthet er situasjonen ofte alvorlig, behandlingen er tidkrevende og vanskelig, og melkeproduksjonen er allerede påvirket.

Hvis vi har en måte å oppdage halthet hos kyr i tide og få veterinærer til å gripe inn på det milde haltstadiet, vil den generelle helsen og melkeproduksjonen til kyrne øke, og gårdens ytelse vil forbedres.

Til slutt er det fôrkostnadsoptimalisering

Innen husdyrnæringen er fôr den største variable kostnaden. For å sikre kvaliteten og beholdningen av fôr, må gårder ofte kjøpe fôringredienser fra innenlandske og utenlandske leverandører og levere dem til fôrformuleringsfabrikker for bearbeiding. Det finnes mange typer moderne fôringredienser, inkludert soyabønnemel, mais, alfalfa, havregress og så videre, noe som betyr at det er mange variabler som spiller inn. Hver type fôringrediens har sin egen prissyklus og prissvingninger. Under betydelige svingninger kan den totale kostnaden for fôr svinge med mer enn 15 prosent, noe som forårsaker en betydelig innvirkning.

Fôrkostnadene svinger, men meieriproduktprisene er relativt stabile over lang sikt. Følgelig, under ellers uendrede forhold, kan det samlede overskuddet svinge betydelig rent på grunn av endringer i fôrkostnadene.

For å unngå denne svingningen, er det nødvendig å vurdere å lagre flere ingredienser når prisene er lave. Men utsetting må også vurdere om prisen reelt er i trauet og hvilken mengde fôr som bør kjøpes i henhold til gjeldende forbruksrate.

Hvis vi har en måte å presist forutsi fôrforbruket og kombinere det med den generelle pristrenden for å foreslå den beste tiden og mengden fôr å kjøpe, kan vi redusere kostnadene og øke effektiviteten på gården.

Det er tydelig at disse problemene er direkte relatert til kundens mål om å forbedre seg gårdsdriftseffektivitet, og metodene er hhv frigjør arbeidskraft, økende produksjon og redusere kostnadene. Gjennom diskusjoner om vanskeligheten og verdien av å løse hvert problem, valgte vi økende produksjon som utgangspunkt og prioritert å løse problemet med halte kyr.

Forskning

Før man diskuterte teknologi, måtte det forskes. Undersøkelsen ble utført i fellesskap av AWS-kundeteamet AWS Generative AI Innovation Center, som administrerte maskinlæringsalgoritmemodellene, og AWS AI Shanghai-etikett, som gir algoritmekonsultasjon om den nyeste datasynsforskningen og ekspertteamet fra New Hope Dairy. Forskningen ble delt inn i flere deler:

• Forstå den tradisjonelle papirbaserte identifiseringsmetoden for halte kyr og utvikle en grunnleggende forståelse av hva halte kyr er.
• Bekreftelse av eksisterende løsninger, inkludert de som brukes i gårder og i industrien.
• Gjennomføre gårdsmiljøforskning for å forstå den fysiske situasjonen og begrensninger.

Gjennom å studere materialer og observere videoer på stedet, fikk teamene en grunnleggende forståelse av halte kyr. Lesere kan også få en grunnleggende idé om holdningen til halte kyr gjennom det animerte bildet nedenfor.

I motsetning til en relativt frisk ku.

Halte kyr har synlige forskjeller i holdning og gangart sammenlignet med friske kyr.

Når det gjelder eksisterende løsninger, er de fleste rancher avhengige av visuell inspeksjon av veterinærer og ernæringsfysiologer for å identifisere halte kyr. I bransjen finnes det løsninger som bruker bærbare skrittellere og akselerometre for identifikasjon, samt løsninger som bruker partisjonerte veier for identifikasjon, men begge er relativt dyre. For den svært konkurranseutsatte meieriindustrien må vi minimere identifiseringskostnadene og kostnadene og avhengigheten av ikke-generisk maskinvare.

Etter å ha diskutert og analysert informasjonen med ranchveterinærer og ernæringsfysiologer, bestemte AWS Generative AI Innovation Center-ekspertene seg for å bruke datasyn (CV) for identifikasjon, og stole kun på vanlig maskinvare: sivile overvåkingskameraer, som ikke legger noen ekstra byrde til kyr og redusere kostnader og bruksbarrierer.

Etter å ha bestemt oss for denne retningen, besøkte vi en mellomstor gård med tusenvis av kyr på stedet, undersøkte ranchmiljøet og bestemte plasseringen og vinkelen på kameraplasseringen.

Opprinnelig forslag

Nå, for løsningen. Kjernen i vår CV-baserte løsning består av følgende trinn:

• Ku-identifikasjon: Identifiser flere kyr i en enkelt videoramme og merk posisjonen til hver ku.
• Kusporing: Mens video blir tatt opp, må vi kontinuerlig spore kyr etter hvert som rammene endres og tildele et unikt nummer til hver ku.
• Holdningsmerking: Reduser dimensjonaliteten til kubevegelser ved å konvertere kubilder til markerte punkter.
• Anomaliidentifikasjon: Identifiser anomalier i de markerte punktenes dynamikk.
• Lame cow-algoritme: Normaliser uregelmessighetene for å få en poengsum for å bestemme graden av kuhalthet.
• Terskelbestemmelse: Skaff en terskel basert på ekspertinnspill.

I følge dommen fra AWS Generative AI Innovation Center-ekspertene er de første trinnene generiske krav som kan løses ved hjelp av åpen kildekode-modeller, mens de siste trinnene krever at vi bruker matematiske metoder og ekspertintervensjon.

Vanskeligheter i løsningen

For å balansere kostnad og ytelse, valgte vi yolov5l-modellen, en middels stor forhåndstrent modell for kugjenkjenning, med en inngangsbredde på 640 piksler, som gir god verdi for denne scenen.

Mens YOLOv5 er ansvarlig for å gjenkjenne og merke kyr i ett enkelt bilde, består videoer i virkeligheten av flere bilder (rammer) som endres kontinuerlig. YOLOv5 kan ikke identifisere at kyr i forskjellige rammer tilhører samme individ. For å spore og lokalisere en ku på tvers av flere bilder, trengs en annen modell kalt SORT.

SORT står for enkel online og sanntidssporing, Hvor på nett betyr at den kun vurderer gjeldende og tidligere bilder å spore uten hensyn til andre rammer, og realtime betyr at den kan identifisere objektets identitet umiddelbart.

Etter utviklingen av SORT implementerte og optimaliserte mange ingeniører det, noe som førte til utviklingen av OC-SORT, som tar hensyn til objektets utseende, DeepSORT (og dens oppgraderte versjon, StrongSORT), som inkluderer menneskelig utseende, og ByteTrack, som bruker en to-trinns assosiasjonslinker for å vurdere anerkjennelse med lav tillit. Etter testing fant vi ut at for scenen vår er DeepSORTs utseendesporingsalgoritme mer egnet for mennesker enn for kyr, og ByteTracks sporingsnøyaktighet er litt svakere. Som et resultat valgte vi til slutt OC-SORT som vår sporingsalgoritme.

Deretter bruker vi DeepLabCut (DLC for kort) for å markere skjelettpunktene til kyrne. DLC er en markørløs modell, noe som betyr at selv om forskjellige punkter, som hodet og lemmer, kan ha forskjellige betydninger, er de alle bare poeng for DLC, som bare krever at vi markerer punktene og trener modellen.

Dette fører til et nytt spørsmål: hvor mange poeng skal vi merke på hver ku og hvor skal vi merke dem? Svaret på dette spørsmålet påvirker arbeidsmengden med merking, opplæring og påfølgende slutningseffektivitet. For å løse dette problemet må vi først forstå hvordan vi identifiserer halte kyr.

Basert på vår forskning og innspill fra våre ekspertkunder, viser halte kyr i videoer følgende egenskaper:

• En buet rygg: Nakken og ryggen er buet, og danner en trekant med roten av nakkebenet (buet rygg).
• Hyppig nikking: Hvert trinn kan føre til at kua mister balansen eller sklir, noe som resulterer i hyppige nikker (hodet vipper).
• Ustabil gangart: Kuas gange endres etter noen skritt, med små pauser (gangmønsterendring).

Når det gjelder nakke- og ryggkrumning samt nikking, har eksperter fra AWS Generative AI Innovation Center fastslått at kun syv ryggpunkter (ett på hodet, ett nederst på nakken og fem på ryggen) på storfe kan resultere i god identifikasjon. Siden vi nå har en identifikasjonsramme, bør vi også kunne gjenkjenne ustabile gangmønstre.

Deretter bruker vi matematiske uttrykk for å representere identifikasjonsresultatene og danne algoritmer.

Menneskelig identifikasjon av disse problemene er ikke vanskelig, men presise algoritmer kreves for datamaskinidentifikasjon. For eksempel, hvordan vet et program graden av krumning av en kus rygg gitt et sett med ku-ryggkoordinatpunkter? Hvordan vet den om en ku nikker?

Når det gjelder ryggkrumning, vurderer vi først å behandle kuas rygg som en vinkel, og deretter finner vi toppunktet til den vinkelen, som lar oss beregne vinkelen. Problemet med denne metoden er at ryggraden kan ha toveis krumning, noe som gjør hjørnet av vinkelen vanskelig å identifisere. Dette krever bytte til andre algoritmer for å løse problemet.

Når det gjelder nikk, vurderte vi først å bruke Fréchet-avstanden for å finne ut om kua nikker ved å sammenligne forskjellen i kurven til kuas generelle holdning. Problemet er imidlertid at kuas skjelettpunkter kan bli forskjøvet, noe som forårsaker betydelig avstand mellom lignende kurver. For å løse dette problemet må vi ta ut posisjonen til hodet i forhold til gjenkjenningsboksen og normalisere den.

Etter å ha normalisert hodets stilling, møtte vi et nytt problem. På bildet som følger viser grafen til venstre endringen i posisjonen til kuhodet. Vi kan se at på grunn av problemer med gjenkjennelsesnøyaktighet, vil posisjonen til hodepunktet hele tiden riste litt. Vi må fjerne disse små bevegelsene og finne den relativt store bevegelsestrenden til hodet. Det er her en viss kunnskap om signalbehandling er nødvendig. Ved å bruke et Savitzky-Golay-filter kan vi jevne ut et signal og få dets generelle trend, noe som gjør det lettere for oss å identifisere nikking, som vist av den oransje kurven i grafen til høyre.

I tillegg, etter dusinvis av timer med videogjenkjenning, fant vi ut at noen kyr med ekstremt høy ryggkurvatur faktisk ikke hadde krum rygg. Ytterligere undersøkelser avslørte at dette var fordi de fleste kyrne som ble brukt til å trene DLC-modellen stort sett var svarte eller svart-hvite, og det var ikke mange kyrne som stort sett var hvite eller nær hvite, noe som resulterte i at modellen gjenkjente dem feil når de hadde store hvite områder på kroppen, som vist med den røde pilen i figuren under. Dette kan rettes opp gjennom videre modellopplæring.

I tillegg til å løse de foregående problemene, var det andre generiske problemer som måtte løses:

• Det er to baner i videorammen, og kyr i det fjerne kan også bli gjenkjent, noe som forårsaker problemer.
• Banene i videoen har også en viss krumning, og kuas kroppslengde blir kortere når kua er på sidene av banen, noe som gjør holdningen lett å identifisere feil.
• På grunn av overlapping av flere kyr eller okklusjon fra gjerdet, kan samme ku identifiseres som to kyr.
• På grunn av sporingsparametere og sporadiske bildehopping av kameraet, er det umulig å spore kyrne riktig, noe som resulterer i ID-forvirring.

På kort sikt, basert på samordningen med New Hope Dairy om å levere et minimum levedyktig produkt og deretter iterere på det, kan disse problemene vanligvis løses ved hjelp av algoritmer for avvikende vurdering kombinert med tillitsfiltrering, og hvis de ikke kan løses, vil de bli ugyldige data, noe som krever at vi utfører ytterligere opplæring og kontinuerlig itererer våre algoritmer og modeller.

På lang sikt, AWS AI Shanghai-etikett ga forslag til fremtidige eksperimenter for å løse de foregående problemene basert på deres objektsentriske forskning: Bridging gapet til real-world objektsentrisk læring og Selvovervåket Amodal Video Object Segmentation. I tillegg til å ugyldiggjøre disse ekstreme dataene, kan problemene også løses ved å utvikle mer presise objektnivåmodeller for positur-estimering, amodal segmentering og overvåket sporing. Imidlertid krever tradisjonelle synrørledninger for disse oppgavene vanligvis omfattende merking. Objektsentrisk læring fokuserer på å takle bindingsproblemet med piksler til objekter uten ekstra tilsyn. Bindingsprosessen gir ikke bare informasjon om plasseringen av objekter, men resulterer også i robuste og tilpasningsdyktige objektrepresentasjoner for nedstrømsoppgaver. Fordi den objektsentriske rørledningen fokuserer på selvovervåkede eller svakt overvåkede innstillinger, kan vi forbedre ytelsen uten å øke merkekostnadene for kundene våre betydelig.

Etter å ha løst en rekke problemer og kombinert skårene gitt av gårdsveterinæren og ernæringsfysiologen, har vi fått en omfattende halthetspoeng for kyr, som hjelper oss med å identifisere kyr med ulike grader av halthet som alvorlig, moderat og mild, og kan også identifisere flere kroppsstillingsattributter til kyr, og hjelpe videre analyse og vurdering.

I løpet av uker utviklet vi en ende-til-ende-løsning for å identifisere halte kyr. Maskinvarekameraet for denne løsningen kostet bare 300 RMB, og Amazon SageMaker batch-inferens, når du bruker g4dn.xlarge-forekomsten, tok omtrent 50 timer for 2 timer med video, totalt bare 300 RMB. Når den går i produksjon, hvis fem partier med kyr oppdages per uke (forutsatt ca. 10 timer), og inkludert rullende lagrede videoer og data, er den månedlige deteksjonskostnaden for en mellomstor ranch med flere tusen kyr mindre enn 10,000 XNUMX RMB.

For øyeblikket er vår maskinlæringsmodellprosess som følger:

1. Rå video tas opp.
2. Kyr blir oppdaget og identifisert.
3. Hver ku spores, og nøkkelpunkter oppdages.
4. Hver kus bevegelse analyseres.
5. En halthetspoeng bestemmes.

Modellutplassering

Vi har tidligere beskrevet løsningen for å identifisere halte kyr basert på maskinlæring. Nå må vi distribuere disse modellene på SageMaker. Som vist i følgende figur:

Virksomhetsimplementering

Selvfølgelig er det vi har diskutert så langt bare kjernen i vår tekniske løsning. For å integrere hele løsningen i forretningsprosessen, må vi også ta opp følgende problemer:

• Datatilbakemelding: For eksempel må vi gi veterinærer et grensesnitt for å filtrere og se halte kyr som må behandles og samle inn data under denne prosessen for å bruke som treningsdata.
• Ku-identifikasjon: Etter at en veterinær ser en halt ku, må de også vite kuas identitet, for eksempel nummeret og bingen.
• Kuposisjonering: I en bås med hundrevis av kyr, lokaliser raskt målkua.
• Datautvinning: Finn for eksempel ut hvordan graden av halthet påvirker fôring, drøvtygging, hvile og melkeproduksjon.
• Data drevet: Identifiser for eksempel de genetiske, fysiologiske og atferdsmessige egenskapene til halte kyr for å oppnå optimal avl og reproduksjon.

Bare ved å ta tak i disse problemene kan løsningen virkelig løse forretningsproblemet, og de innsamlede dataene kan generere langsiktig verdi. Noen av disse problemene er problemer med systemintegrering, mens andre er teknologi- og forretningsintegrasjonsproblemer. Vi vil dele mer informasjon om disse problemene i fremtidige artikler.

Oppsummering

I denne artikkelen forklarte vi kort hvordan AWS Customer Solutions-teamet innoverer raskt basert på kundens virksomhet. Denne mekanismen har flere egenskaper:

• Virksomhet ledet: Prioriter å forstå kundens bransje og forretningsprosesser på stedet og personlig før du diskuterer teknologi, og dykk deretter ned i kundens smertepunkter, utfordringer og problemer for å identifisere viktige problemer som kan løses med teknologi.
• Tilgjengelig umiddelbart: Gi en enkel, men komplett og brukbar prototype direkte til kunden for testing, validering og rask iterasjon innen uker, ikke måneder.
• Minimumskostnad: Minimer eller til og med eliminer kundens kostnader før verdien er virkelig validert, og unngå bekymringer for fremtiden. Dette stemmer overens med AWS nøysomhet ledelsesprinsipp.

I vårt samarbeidende innovasjonsprosjekt med meieriindustrien startet vi ikke bare fra et forretningsperspektiv for å identifisere spesifikke forretningsproblemer med forretningseksperter, men gjennomførte også undersøkelser på stedet på gården og fabrikken med kunden. Vi bestemte kameraplasseringen på stedet, installerte og distribuerte kameraene og implementerte løsningen for videostrømming. Eksperter fra AWS Generative AI Innovation Center dissekerte kundens krav og utviklet en algoritme, som deretter ble utviklet av en løsningsarkitekt for hele algoritmen.

Med hver slutning kunne vi få tusenvis av dekomponerte og merkede kuvandringsvideoer, hver med original video-ID, ku-ID, halthetspoeng og forskjellige detaljerte poengsummer. Den komplette beregningslogikken og rå gangdata ble også beholdt for påfølgende algoritmeoptimalisering.

Halthetsdata kan ikke bare brukes til tidlig intervensjon av veterinærer, men også kombinert med melkemaskindata for kryssanalyse, noe som gir en ekstra valideringsdimensjon og besvarer noen ytterligere forretningsspørsmål, for eksempel: Hva er de fysiske egenskapene til kyr med høyest melkemengde? Hva er effekten av halthet på melkeproduksjonen hos kyr? Hva er hovedårsaken til halte kyr, og hvordan kan det forebygges? Denne informasjonen vil gi nye ideer for gårdsdrift.

Historien om å identifisere halte kyr slutter her, men historien om gårdsinnovasjon har akkurat begynt. I påfølgende artikler vil vi fortsette å diskutere hvordan vi jobber tett med kundene for å løse andre problemer.

---

Om forfatterne

Hao Huang er en anvendt vitenskapsmann ved AWS Generative AI Innovation Center. Han spesialiserer seg på Computer Vision (CV) og Visual-Language Model (VLM). Nylig har han utviklet en sterk interesse for generative AI-teknologier og har allerede samarbeidet med kunder for å bruke disse banebrytende teknologiene til virksomheten deres. Han er også anmelder for AI-konferanser som ICCV og AAAI.

Peiyang He er senior dataforsker ved AWS Generative AI Innovation Center. Hun jobber med kunder over et mangfold av bransjer for å løse deres mest presserende og innovative forretningsbehov ved å utnytte GenAI/ML-løsninger. På fritiden liker hun å gå på ski og reise.

Xuefeng Liu leder et vitenskapsteam ved AWS Generative AI Innovation Center i Asia-Stillehavsregionen og Stor-Kina. Teamet hans samarbeider med AWS-kunder i generative AI-prosjekter, med målet om å akselerere kundenes bruk av generativ AI.

Tianjun Xiao er en senior anvendt vitenskapsmann ved AWS AI Shanghai Lablet, og leder arbeidet med datasyn. For tiden ligger hans primære fokus i rikene av multimodale grunnmodeller og objektsentrisk læring. Han undersøker aktivt potensialet deres i forskjellige applikasjoner, inkludert videoanalyse, 3D-syn og autonom kjøring.

Zhang Dai er en AWS senior løsningsarkitekt for China Geo Business Sector. Han hjelper bedrifter av ulike størrelser med å nå sine forretningsmål ved å tilby rådgivning om forretningsprosesser, brukeropplevelse og skyteknologi. Han er en produktiv bloggskribent og også forfatter av to bøker: The Modern Autodidact og Designing Experience.

Jianyu Zeng er en senior kundeløsningssjef i AWS, hvis ansvar er å støtte kunder, som New Hope group, under deres skyovergang og hjelpe dem med å realisere forretningsverdi gjennom skybaserte teknologiløsninger. Med en sterk interesse for kunstig intelligens, utforsker han stadig måter å utnytte AI for å drive innovative endringer i våre kunders virksomheter.

Carol Tong Min er en senior forretningsutviklingssjef, ansvarlig for nøkkelkontoer i GCR GEO West, inkludert to viktige bedriftskunder: Jiannanchun Group og New Hope Group. Hun er kundebesatt, og brenner alltid for å støtte og akselerere kunders skyreise.

Nick Jiang er en senior spesialist i salg ved AIML SSO-team i Kina. Han fokuserer på å overføre innovative AIML-løsninger og hjelpe kundene med å bygge AI-relaterte arbeidsmengder innen AWS.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/