Pilnowanie bydła przy użyciu technologii AI | Usługi internetowe Amazona

At Amazon Web Services (AWS), nie tylko z pasją dostarczamy klientom różnorodne, kompleksowe rozwiązania techniczne, ale zależy nam również na dogłębnym zrozumieniu procesów biznesowych naszych klientów. Przyjmujemy perspektywę strony trzeciej i obiektywną ocenę, aby pomóc klientom uporządkować ich propozycje wartości, zebrać słabe punkty, zaproponować odpowiednie rozwiązania i stworzyć najbardziej opłacalne i użyteczne prototypy, aby pomóc im systematycznie osiągać cele biznesowe.

Ta metoda nazywa się pracując wstecz w AWS-ie. Oznacza to odłożenie technologii i rozwiązań na bok, rozpoczęcie od oczekiwanych wyników klientów, potwierdzenie ich wartości, a następnie wywnioskowanie, co należy zrobić w odwrotnej kolejności, zanim ostatecznie wdroży się rozwiązanie. Na etapie realizacji kierujemy się także koncepcją minimalny opłacalny produkt i staraj się szybko stworzyć prototyp, który może wygenerować wartość w ciągu kilku tygodni, a następnie go iteruj.

Dzisiaj przyjrzyjmy się studium przypadku, w którym AWS i New Hope Dairy współpracowały przy budowie inteligentnej farmy w chmurze. Z tego wpisu na blogu możesz dogłębnie zrozumieć, co AWS może zapewnić przy budowaniu inteligentnej farmy i jak tworzyć inteligentne aplikacje farmy w chmurze z ekspertami AWS.

Tło projektu

Mleko to pożywny napój. W trosce o zdrowie narodowe Chiny aktywnie promują rozwój przemysłu mleczarskiego. Według danych Euromonitor International sprzedaż produktów mlecznych w Chinach osiągnęła 638.5 miliarda RMB w 2020 r. i oczekuje się, że w 810 r. osiągnie 2025 miliardów RMB. Ponadto złożona roczna stopa wzrostu w ciągu ostatnich 14 lat również osiągnęła 10 procent, wykazujący szybki rozwój.

Z drugiej strony od 2022 r. większość przychodów chińskiego przemysłu mleczarskiego nadal będzie pochodzić z mleka płynnego. Sześćdziesiąt procent surowego mleka wykorzystuje się do produkcji mleka płynnego i jogurtu, a kolejne 20 procent to mleko w proszku – pochodna mleka płynnego. W przypadku produktów wysoko przetworzonych, takich jak sery i śmietana, wykorzystuje się bardzo niewielką ilość.

Mleko płynne jest produktem lekko przetworzonym, a jego wydajność, jakość i koszt są ściśle powiązane z mlekiem surowym. Oznacza to, że jeśli przemysł mleczarski chce uwolnić moce produkcyjne i skoncentrować się na wytwarzaniu produktów wysoko przetworzonych, tworzeniu nowych produktów i prowadzeniu bardziej innowacyjnych badań biotechnologicznych, musi najpierw poprawić i ustabilizować produkcję i jakość mleka surowego.

Jako lider branży mleczarskiej firma New Hope Dairy zastanawiała się, jak poprawić wydajność swoich rancz oraz zwiększyć produkcję i jakość surowego mleka. New Hope Dairy ma nadzieję wykorzystać perspektywę strony trzeciej i wiedzę technologiczną AWS, aby ułatwić wprowadzanie innowacji w przemyśle mleczarskim. Dzięki wsparciu i promocji ze strony Liutong Hu, wiceprezesa i CIO firmy New Hope Dairy, zespół klienta AWS zaczął organizować operacje i potencjalne punkty innowacji dla gospodarstw mlecznych.

Wyzwania gospodarstw mlecznych

AWS jest ekspertem w dziedzinie technologii chmurowych, jednak aby wdrożyć innowacje w branży mleczarskiej, niezbędne są profesjonalne porady ekspertów z branży mleczarskiej. Dlatego przeprowadziliśmy kilka szczegółowych wywiadów z Liangrongiem Songiem, zastępcą dyrektora Centrum technologii produkcji w New Hope Dairy, zespołem zarządzającym ranczem i dietetykami, aby zrozumieć niektóre problemy i wyzwania stojące przed gospodarstwem.

Pierwszym z nich jest inwentaryzacja krów rezerwowych

Krowy mleczne na ranczu dzielą się na dwa typy: krowy mleczne i krowy rezerwowe. Krowy mleczne są dojrzałe i nieprzerwanie dają mleko, natomiast krowy rezerwowe to krowy, które nie osiągnęły jeszcze wieku umożliwiającego produkcję mleka. Duże i średnie gospodarstwa zwykle zapewniają krowom rezerwowym większą otwartą przestrzeń do ćwiczeń, aby stworzyć bardziej komfortowe środowisko uprawy.

Jednakże zarówno krowy mleczne, jak i krowy rezerwowe stanowią aktywa gospodarstwa i wymagają comiesięcznej inwentaryzacji. Krowy mleczne są dojone codziennie, a ponieważ podczas doju pozostają stosunkowo nieruchome, śledzenie zapasów jest łatwe. Krowy rezerwowe przebywają jednak na otwartej przestrzeni i swobodnie się poruszają, co utrudnia ich inwentaryzację. Za każdym razem, gdy przeprowadzana jest inwentaryzacja, kilku pracowników wielokrotnie liczy krowy rezerwowe z różnych obszarów, a na koniec sprawdza się ich liczbę. Proces ten zajmuje kilku pracownikom od jednego do dwóch dni i często pojawiają się problemy z wyrównaniem liczenia lub niepewność co do tego, czy każda krowa została policzona.

Można zaoszczędzić znaczną ilość czasu, jeśli mamy sposób na szybką i dokładną inwentaryzację krów rezerwowych.

Drugim jest identyfikacja kulawego bydła

Obecnie większość firm mleczarskich używa rasy o nazwie Holstein do produkcji mleka. Holsztyny to czarno-białe krowy, które większość z nas zna. Mimo że większość firm mleczarskich używa tej samej rasy, nadal istnieją różnice w ilości i jakości produkcji mleka pomiędzy różnymi firmami i ranczami. Dzieje się tak, ponieważ zdrowie krów mlecznych bezpośrednio wpływa na produkcję mleka.

Jednakże krowy nie są w stanie same wyrazić swojego dyskomfortu tak jak ludzie, a regularne przeprowadzanie badań fizykalnych tysięcy krów przez lekarzy weterynarii jest niepraktyczne. Dlatego też, aby szybko ocenić stan zdrowia krów, musimy posługiwać się wskaźnikami zewnętrznymi.

Zewnętrzne wskaźniki zdrowia krowy obejmują ocena kondycji ciała i stopień kulawizny. Wynik kondycji ciała jest w dużej mierze powiązany z procentową zawartością tkanki tłuszczowej krowy i jest wskaźnikiem długoterminowym, podczas gdy kulawizna jest wskaźnikiem krótkoterminowym spowodowanym problemami z nogami lub infekcjami stóp i innymi problemami wpływającymi na nastrój, zdrowie i produkcję mleka krowy. Ponadto dorosłe krowy rasy holsztyńskiej mogą ważyć ponad 500 kg, co może spowodować znaczne uszkodzenie ich stóp, jeśli nie są stabilne. Dlatego w przypadku wystąpienia kulawizny lekarze weterynarii powinni interweniować tak szybko, jak to możliwe.

Według badania z 2014 r. odsetek krów z ciężką kulawizną w Chinach może sięgać nawet 31%. Chociaż od czasu badania sytuacja mogła się poprawić, liczba lekarzy weterynarii w gospodarstwach jest niezwykle ograniczona, co utrudnia regularne monitorowanie krów. W przypadku wykrycia kulawizny sytuacja jest często poważna, leczenie jest czasochłonne i trudne, a produkcja mleka już jest zaburzona.

Jeśli będziemy w stanie w porę wykryć kulawizny u krów i zachęcić lekarzy weterynarii do interwencji na etapie łagodnej kulawizny, ogólny stan zdrowia i produkcja mleka krów wzrosną, a wydajność gospodarstwa poprawi się.

Wreszcie istnieje optymalizacja kosztów paszy

W branży hodowlanej pasza stanowi największy koszt zmienny. Aby zapewnić jakość i zapasy paszy, gospodarstwa często muszą kupować składniki pasz od dostawców krajowych i zagranicznych i dostarczać je do fabryk produkujących receptury pasz w celu przetworzenia. Istnieje wiele rodzajów nowoczesnych składników pasz, w tym śruta sojowa, kukurydza, lucerna, trawa owsiana itd., co oznacza, że ​​w grę wchodzi wiele zmiennych. Każdy rodzaj składnika paszy ma swój własny cykl cenowy i wahania cen. Podczas znacznych wahań całkowity koszt paszy może wahać się o ponad 15 procent, powodując znaczący wpływ.

Koszty pasz zmieniają się, ale ceny przetworów mlecznych są stosunkowo stabilne w dłuższej perspektywie. W rezultacie, w innych niezmiennych warunkach, ogólny zysk może znacznie się wahać, wyłącznie ze względu na zmiany kosztów paszy.

Aby uniknąć tych wahań, należy rozważyć przechowywanie większej ilości składników, gdy ceny są niskie. Jednak w przypadku hodowli należy również wziąć pod uwagę, czy cena rzeczywiście znajduje się na najniższym poziomie i jaką ilość paszy należy zakupić, zgodnie z bieżącym wskaźnikiem spożycia.

Jeśli potrafimy precyzyjnie prognozować spożycie paszy i połączyć to z ogólnym trendem cenowym, aby zasugerować najlepszy czas i ilość paszy na zakup, możemy obniżyć koszty i zwiększyć wydajność w gospodarstwie.

Jest oczywiste, że kwestie te są bezpośrednio związane z celem klienta, jakim jest doskonalenie efektywność operacyjna gospodarstwa, a metody są odpowiednio uwolnienie siły roboczej, zwiększenie produkcji i redukcja kosztów. Poprzez dyskusje na temat trudności i wartości rozwiązania każdego problemu dokonaliśmy wyboru zwiększenie produkcji jako punkt wyjścia i za priorytet uznał rozwiązanie problemu kulawych krów.

Badania

Zanim omówiono technologię, należało przeprowadzić badania. Badanie zostało przeprowadzone wspólnie przez zespół klienta AWS, firmę Centrum Innowacji Generacyjnej Sztucznej Inteligencji AWS, który zarządzał modelami algorytmów uczenia maszynowego, oraz Szanghajska etykieta AWS AI, która zapewnia konsultacje algorytmów na temat najnowszych badań nad wizją komputerową oraz zespół ekspertów zajmujących się rolnictwem z New Hope Dairy. Badania podzielono na kilka części:

• Zrozumienie tradycyjnej papierowej metody identyfikacji kulawych krów i rozwinięcie podstawowej wiedzy na temat tego, czym są kulawe krowy.
• Potwierdzenie istniejących rozwiązań, w tym stosowanych w gospodarstwach rolnych i przemyśle.
• Prowadzenie badań środowiska rolniczego w celu zrozumienia sytuacji fizycznej i ograniczeń.

Studiując materiały i oglądając filmy na miejscu, zespoły zdobyły podstawową wiedzę na temat kulawych krów. Czytelnicy mogą również uzyskać podstawowe informacje na temat postawy kulawych krów dzięki poniższemu animowanemu obrazowi.

W przeciwieństwie do stosunkowo zdrowej krowy.

Kulawe krowy mają widoczne różnice w postawie i chodzie w porównaniu do krów zdrowych.

Jeśli chodzi o istniejące rozwiązania, większość rancz polega na oględzinach przeprowadzanych przez lekarzy weterynarii i dietetyków w celu identyfikacji kulawych krów. W branży istnieją rozwiązania wykorzystujące do identyfikacji ubieralne krokomierze i akcelerometry, a także rozwiązania wykorzystujące do identyfikacji wagi pomostowe dzielone, jednak oba są stosunkowo drogie. W przypadku wysoce konkurencyjnego przemysłu mleczarskiego musimy zminimalizować koszty identyfikacji oraz koszty i zależność od nietypowego sprzętu.

Po omówieniu i przeanalizowaniu informacji z weterynarzami i dietetykami zajmującymi się ranczami, eksperci z Centrum Innowacji AWS Generative AI zdecydowali się na wykorzystanie wizji komputerowej (CV) do identyfikacji, opierając się wyłącznie na zwykłym sprzęcie: cywilnych kamerach monitorujących, które nie stanowią dodatkowego obciążenia dla krów oraz zmniejszyć koszty i bariery w użytkowaniu.

Po podjęciu decyzji o tym kierunku odwiedziliśmy średniej wielkości gospodarstwo z tysiącami krów na miejscu, zbadaliśmy otoczenie rancza oraz określiliśmy lokalizację i kąt ustawienia kamery.

Wstępna propozycja

A teraz rozwiązanie. Rdzeń naszego rozwiązania opartego na CV składa się z następujących kroków:

• Identyfikacja krowy: Zidentyfikuj wiele krów w jednej klatce wideo i zaznacz pozycję każdej krowy.
• Śledzenie krów: Podczas nagrywania wideo musimy stale śledzić krowy w miarę zmiany klatek i przypisywać każdej krowie unikalny numer.
• Oznaczenie postawy: Zmniejsz wymiarowość ruchów krów, konwertując obrazy krów na zaznaczone punkty.
• Identyfikacja anomalii: Zidentyfikuj anomalie w dynamice zaznaczonych punktów.
• Algorytm kulawej krowy: Normalizuj anomalie, aby uzyskać ocenę pozwalającą określić stopień kulawizny krowy.
• Określenie progu: Uzyskaj próg na podstawie danych ekspertów.

Zgodnie z oceną ekspertów AWS Generative AI Innovation Center, kilka pierwszych kroków to wymagania ogólne, które można rozwiązać za pomocą modeli open source, natomiast ostatnie kroki wymagają od nas zastosowania metod matematycznych i interwencji eksperckiej.

Trudności w rozwiązaniu

Aby zrównoważyć koszty i wydajność, wybraliśmy model yolov5l, średniej wielkości, wstępnie wytrenowany model do rozpoznawania krów, z szerokością wejściową 640 pikseli, co zapewnia dobrą jakość w tej scenie.

Podczas gdy YOLOv5 odpowiada za rozpoznawanie i oznaczanie krów na jednym obrazie, w rzeczywistości filmy składają się z wielu obrazów (klatek), które stale się zmieniają. YOLOv5 nie może zidentyfikować, czy krowy w różnych ramkach należą do tej samej osoby. Aby śledzić i lokalizować krowę na wielu obrazach, potrzebny jest inny model o nazwie SORT.

SORT oznacza proste śledzenie online i w czasie rzeczywistym, Gdzie Online oznacza, że ​​do śledzenia uwzględnia tylko bieżące i poprzednie klatki, bez uwzględnienia jakichkolwiek innych klatek, oraz realtime oznacza, że ​​może natychmiast zidentyfikować tożsamość obiektu.

Po opracowaniu SORT wielu inżynierów wdrożyło go i zoptymalizowało, co doprowadziło do opracowania OC-SORT, który uwzględnia wygląd obiektu, DeepSORT (i jego ulepszonej wersji, StrongSORT), który uwzględnia wygląd ludzki, oraz ByteTrack, który wykorzystuje dwustopniowy linker asocjacyjny umożliwiający rozważenie rozpoznawania o niskim poziomie pewności. Po testach odkryliśmy, że w przypadku naszej sceny algorytm śledzenia wyglądu DeepSORT jest bardziej odpowiedni dla ludzi niż dla krów, a dokładność śledzenia ByteTrack jest nieco słabsza. W rezultacie ostatecznie wybraliśmy OC-SORT jako nasz algorytm śledzenia.

Następnie używamy DeepLabCut (w skrócie DLC) do zaznaczenia punktów szkieletowych krów. DLC to model bez znaczników, co oznacza, że ​​chociaż różne punkty, takie jak głowa i kończyny, mogą mieć różne znaczenia, wszystkie są po prostu zwrotnica do DLC, które wymaga od nas jedynie zaznaczenia punktów i wytrenowania modelu.

Prowadzi to do nowego pytania: ile punktów powinniśmy zaznaczyć na każdej krowie i gdzie je zaznaczyć? Odpowiedź na to pytanie wpływa na obciążenie pracą związaną z ocenianiem, szkoleniem i późniejszą wydajnością wnioskowania. Aby rozwiązać ten problem, musimy najpierw zrozumieć, jak rozpoznać kulawe krowy.

Z naszych badań i informacji uzyskanych od naszych doświadczonych klientów wynika, że ​​kulawe krowy na filmach wykazują następujące cechy:

• Wygięte plecy: Szyja i plecy są zakrzywione, tworząc trójkąt z podstawą kości szyi (grzbiet łukowy).
• Częste kiwanie głową: Każdy krok może spowodować utratę równowagi lub poślizgnięcie się krowy, co skutkuje częstymi potknięciami kiwając głową (kiwa głową).
• Niestabilny chód: Chód krowy zmienia się po kilku krokach, z niewielkimi przerwami (zmiana wzorca chodu).

Jeśli chodzi o krzywiznę szyi i pleców oraz kiwanie głową, eksperci z AWS Generative AI Innovation Center ustalili, że oznaczenie u bydła tylko siedmiu punktów tylnych (jeden na głowie, jeden u nasady szyi i pięć na grzbiecie) może skutkować dobrą identyfikacją. Ponieważ mamy teraz ramy identyfikacji, powinniśmy być w stanie rozpoznać niestabilne wzorce chodu.

Następnie używamy wyrażeń matematycznych do przedstawienia wyników identyfikacji i tworzenia algorytmów.

Identyfikacja tych problemów przez człowieka nie jest trudna, ale do identyfikacji komputerowej potrzebne są precyzyjne algorytmy. Na przykład, skąd program zna stopień krzywizny grzbietu krowy, biorąc pod uwagę zestaw punktów współrzędnych grzbietu krowy? Skąd wiadomo, że krowa kiwa głową?

Jeśli chodzi o krzywiznę grzbietu, najpierw rozważamy potraktowanie grzbietu krowy jako kąta, a następnie znajdujemy wierzchołek tego kąta, co pozwala nam obliczyć kąt. Problem z tą metodą polega na tym, że kręgosłup może mieć dwukierunkową krzywiznę, co utrudnia identyfikację wierzchołka kąta. Wymaga to przejścia na inne algorytmy w celu rozwiązania problemu.

Jeśli chodzi o kiwanie głową, najpierw rozważaliśmy wykorzystanie odległości Frécheta do ustalenia, czy krowa kiwa, porównując różnicę w krzywiźnie ogólnej postawy krowy. Problem polega jednak na tym, że punkty szkieletowe krowy mogą zostać przesunięte, powodując znaczną odległość między podobnymi krzywiznami. Aby rozwiązać ten problem, musimy ustalić położenie głowy względem pola rozpoznawania i znormalizować je.

Po normalizacji położenia głowy napotkaliśmy nowy problem. Na poniższym obrazku wykres po lewej stronie przedstawia zmianę położenia głowy krowy. Widzimy, że ze względu na problemy z dokładnością rozpoznawania pozycja punktu głowy będzie stale lekko się trzęsła. Musimy usunąć te małe ruchy i znaleźć stosunkowo duży trend ruchu głowy. Tutaj potrzebna jest pewna wiedza na temat przetwarzania sygnałów. Używając filtra Savitzky'ego-Golaya, możemy wygładzić sygnał i uzyskać jego ogólny trend, co ułatwia nam identyfikację kiwania głową, co pokazuje pomarańczowa krzywa na wykresie po prawej stronie.

Dodatkowo, po kilkudziesięciu godzinach rozpoznawania wideo, odkryliśmy, że niektóre krowy z wyjątkowo wysokim wygięciem grzbietu w rzeczywistości nie miały garba. Dalsze badanie wykazało, że było to spowodowane tym, że większość krów użytych do szkolenia modelu DLC była przeważnie czarna lub czarno-biała, a niewiele krów było w większości białych lub prawie całkowicie białych, co skutkowało tym, że model błędnie je rozpoznawał, gdy miały duże białe obszary na ciałach, jak pokazano czerwoną strzałką na poniższym rysunku. Można to skorygować poprzez dalsze szkolenie modelowe.

Oprócz rozwiązania powyższych problemów, istniały inne problemy ogólne, które należało rozwiązać:

• W ramce wideo widoczne są dwie ścieżki, a krowy znajdujące się w oddali również mogą zostać rozpoznane, co może powodować problemy.
• Ścieżki na filmie również mają pewną krzywiznę, a długość ciała krowy staje się krótsza, gdy krowa znajduje się po bokach ścieżki, co ułatwia identyfikację nieprawidłowej postawy.
• Ze względu na nakładanie się wielu krów lub zasłonięcie płotu, tę samą krowę można zidentyfikować jako dwie krowy.
• Ze względu na parametry śledzenia i sporadyczne pomijanie klatek kamery prawidłowe śledzenie krów jest niemożliwe, co powoduje problemy z identyfikacją.

W perspektywie krótkoterminowej, w oparciu o współpracę z New Hope Dairy w sprawie dostarczania minimalnego opłacalnego produktu, a następnie iterację w tym zakresie, problemy te można zwykle rozwiązać za pomocą algorytmów oceny wartości odstających w połączeniu z filtrowaniem zaufania, a jeśli nie można ich rozwiązać, staną się nieprawidłowe dane, co wymaga od nas przeprowadzenia dodatkowego szkolenia i ciągłej iteracji naszych algorytmów i modeli.

W dłuższej perspektywie, Szanghajska etykieta AWS AI przedstawili sugestie przyszłych eksperymentów mających na celu rozwiązanie powyższych problemów w oparciu o badania obiektowo-centryczne: Wypełnianie luki w nauczaniu obiektowym w świecie rzeczywistym i Samonadzorowana segmentacja amodalnych obiektów wideo. Oprócz unieważniania tych danych odstających, problemy można również rozwiązać, opracowując bardziej precyzyjne modele na poziomie obiektu do szacowania pozycji, segmentacji amodalnej i nadzorowanego śledzenia. Jednak tradycyjne potoki wizyjne do tych zadań zazwyczaj wymagają obszernego oznakowania. Uczenie się obiektowo-centryczne koncentruje się na rozwiązywaniu problemu wiązania pikseli z obiektami bez dodatkowego nadzoru. Proces wiązania nie tylko dostarcza informacji o lokalizacji obiektów, ale także skutkuje solidnymi i możliwymi do dostosowania reprezentacjami obiektów dla dalszych zadań. Ponieważ potok zorientowany obiektowo koncentruje się na ustawieniach samonadzorowanych lub słabo nadzorowanych, możemy poprawić wydajność bez znaczącego zwiększania kosztów etykietowania dla naszych klientów.

Po rozwiązaniu szeregu problemów i połączeniu ocen przyznanych przez lekarza weterynarii prowadzącego gospodarstwo i dietetyka uzyskaliśmy kompleksową ocenę kulawizny krów, która pomaga nam zidentyfikować krowy o różnym stopniu kulawizny, np. ciężkim, umiarkowanym i łagodnym, a także może identyfikować wiele cech postawy ciała krów, co pomaga w dalszej analizie i ocenie.

W ciągu kilku tygodni opracowaliśmy kompleksowe rozwiązanie do identyfikacji kulawych krów. Kamera sprzętowa dla tego rozwiązania kosztuje tylko 300 RMB, a Amazon Sage Maker wnioskowanie wsadowe przy użyciu instancji g4dn.xlarge trwało około 50 godzin w przypadku 2 godzin wideo, co dało łącznie tylko 300 RMB. Po wejściu do produkcji, jeśli wykrywanych będzie pięć partii krów tygodniowo (przy założeniu, że potrzeba około 10 godzin) i uwzględni się zapisane filmy i dane, miesięczny koszt wykrywania w przypadku średniej wielkości rancza z kilkoma tysiącami krów będzie mniejszy niż 10,000 XNUMX RMB.

Obecnie nasz proces modelowania uczenia maszynowego wygląda następująco:

1. Nagrywane jest surowe wideo.
2. Krowy są wykrywane i identyfikowane.
3. Każda krowa jest śledzona i wykrywane są kluczowe punkty.
4. Analizowany jest ruch każdej krowy.
5. Określany jest wynik kulawizny.

Wdrożenie modelu

Rozwiązanie umożliwiające identyfikację kulawych krów w oparciu o uczenie maszynowe opisywaliśmy już wcześniej. Teraz musimy wdrożyć te modele w SageMaker. Jak pokazano na poniższym rysunku:

Wdrożenie biznesowe

Oczywiście to, co omówiliśmy do tej pory, to tylko rdzeń naszego rozwiązania technicznego. Aby zintegrować całe rozwiązanie z procesem biznesowym, musimy także zająć się następującymi kwestiami:

• Informacje zwrotne dotyczące danych: Na przykład musimy zapewnić weterynarzom interfejs umożliwiający filtrowanie i przeglądanie kulawych krów, które należy przetworzyć, oraz gromadzenie w trakcie tego procesu danych do wykorzystania jako dane szkoleniowe.
• Identyfikacja krowy: Gdy weterynarz zobaczy kulawą krowę, musi także znać tożsamość krowy, np. jej numer i kojec.
• Pozycjonowanie krów: W zagrodzie z setkami krów szybko zlokalizuj docelową krowę.
• Eksploracja danych: Dowiedz się na przykład, jak stopień kulawizny wpływa na karmienie, przeżuwanie, odpoczynek i produkcję mleka.
• Oparte na danych: Na przykład zidentyfikuj cechy genetyczne, fizjologiczne i behawioralne kulawych krów, aby osiągnąć optymalną hodowlę i reprodukcję.

Tylko zajęcie się tymi kwestiami może naprawdę rozwiązać problem biznesowy, a zebrane dane mogą generować długoterminową wartość. Niektóre z tych problemów to problemy z integracją systemów, inne to problemy związane z integracją technologii i biznesu. Dalsze informacje na ten temat udostępnimy w przyszłych artykułach.

Podsumowanie

W tym artykule pokrótce wyjaśniliśmy, w jaki sposób zespół AWS Customer Solutions szybko wprowadza innowacje w oparciu o działalność klienta. Mechanizm ten ma kilka cech:

• Prowadzenie biznesu: Przed omówieniem technologii traktuj priorytetowo zrozumienie branży i procesów biznesowych klienta na miejscu i osobiście, a następnie zagłębij się w bolesne punkty, wyzwania i problemy klienta, aby zidentyfikować ważne problemy, które można rozwiązać za pomocą technologii.
• Dostępne od zaraz: Dostarcz prosty, ale kompletny i użyteczny prototyp bezpośrednio klientowi w celu przetestowania, sprawdzenia i szybkiej iteracji w ciągu tygodni, a nie miesięcy.
• Minimalny koszt: Zminimalizuj lub nawet wyeliminuj koszty klienta, zanim wartość zostanie naprawdę zweryfikowana, unikając obaw o przyszłość. Jest to zgodne z AWS oszczędność zasada przywództwa.

W naszym wspólnym projekcie innowacji z branżą mleczarską nie tylko zaczęliśmy od perspektywy biznesowej, aby zidentyfikować konkretne problemy biznesowe z ekspertami biznesowymi, ale także przeprowadziliśmy badania na miejscu w gospodarstwie i fabryce u klienta. Określiliśmy rozmieszczenie kamer na miejscu, zainstalowaliśmy i wdrożyliśmy kamery oraz wdrożyliśmy rozwiązanie do strumieniowego przesyłania wideo. Eksperci z AWS Generative AI Innovation Center przeanalizowali wymagania klienta i opracowali algorytm, który następnie został opracowany przez architekta rozwiązania dla całego algorytmu.

Na podstawie każdego wniosku mogliśmy uzyskać tysiące rozłożonych i oznakowanych filmów z chodzeniem krów, każdy z oryginalnym identyfikatorem wideo, identyfikatorem krowy, oceną kulawizny i różnymi szczegółowymi wynikami. Zachowano także pełną logikę obliczeń i surowe dane dotyczące chodu na potrzeby późniejszej optymalizacji algorytmu.

Dane dotyczące kulawizny mogą być wykorzystywane nie tylko do wczesnej interwencji lekarzy weterynarii, ale także łączone z danymi dotyczącymi dojarki do analizy krzyżowej, co zapewnia dodatkowy wymiar walidacji i odpowiada na dodatkowe pytania biznesowe, takie jak: Jakie są cechy fizyczne krów o najwyższej wydajność mleka? Jaki wpływ na produkcję mleka u krów ma kulawizna? Jaka jest główna przyczyna kulawizny krów i jak można temu zapobiec? Informacje te dostarczą nowych pomysłów na działalność rolniczą.

Na tym kończy się historia identyfikacji kulawych krów, ale historia innowacji w gospodarstwach dopiero się zaczyna. W kolejnych artykułach będziemy nadal omawiać, w jaki sposób blisko współpracujemy z klientami w celu rozwiązania innych problemów.

---

O autorach

Hao Huang jest naukowcem stosowanym w AWS Generative AI Innovation Center. Specjalizuje się w Computer Vision (CV) i Visual-Language Model (VLM). Ostatnio zainteresował się generatywnymi technologiami sztucznej inteligencji i już współpracował z klientami, aby zastosować te najnowocześniejsze technologie w ich biznesie. Jest także recenzentem konferencji AI, takich jak ICCV i AAAI.

Peiyang He jest starszym analitykiem danych w Centrum Innowacji AWS Generative AI. Współpracuje z klientami z różnych branż, aby sprostać ich najbardziej palącym i innowacyjnym potrzebom biznesowym, wykorzystując rozwiązania GenAI/ML. W wolnym czasie jeździ na nartach i podróżuje.

Xuefenga Liu kieruje zespołem naukowym w Centrum Innowacji Generacyjnej AI AWS w regionach Azji i Pacyfiku oraz Wielkich Chin. Jego zespół współpracuje z klientami AWS przy projektach generatywnej sztucznej inteligencji, których celem jest przyspieszenie wdrażania generatywnej sztucznej inteligencji przez klientów.

Tianjun Xiao jest starszym naukowcem stosowanym w AWS AI Shanghai Lablet i współprzewodniczy pracom nad wizją komputerową. Obecnie jego główne zainteresowania skupiają się na multimodalnych modelach podstawowych i nauczaniu obiektowo-centrycznym. Aktywnie bada ich potencjał w różnorodnych zastosowaniach, w tym w analizie wideo, wizji 3D i jeździe autonomicznej.

Zhang Dai jest starszym architektem rozwiązań AWS dla China Geo Business Sector. Pomaga firmom różnej wielkości osiągać cele biznesowe, zapewniając doradztwo w zakresie procesów biznesowych, doświadczenia użytkownika i technologii chmurowej. Jest płodnym autorem bloga, a także autorem dwóch książek: The Modern Autodidact i Designing Experience.

Jianyu Zeng jest starszym menedżerem ds. rozwiązań dla klientów w AWS, którego obowiązkiem jest wspieranie klientów, takich jak grupa New Hope, podczas przejścia do chmury i pomaganie im w realizowaniu wartości biznesowej dzięki rozwiązaniom technologicznym opartym na chmurze. Ze względu na duże zainteresowanie sztuczną inteligencją stale poszukuje sposobów wykorzystania sztucznej inteligencji do wprowadzania innowacyjnych zmian w firmach naszych klientów.

Carol Tong Min jest starszym menedżerem ds. rozwoju biznesu, odpowiedzialnym za kluczowych klientów w GCR GEO West, w tym za dwóch ważnych klientów korporacyjnych: Grupę Jiannanchun i Grupę New Hope. Ma obsesję na punkcie klienta i zawsze pasjonowała się wspieraniem i przyspieszaniem podróży klientów do chmury.

Nicka Jianga jest starszym specjalistą ds. sprzedaży w zespole AIML SSO w Chinach. Koncentruje się na transferze innowacyjnych rozwiązań AIML i pomaganiu klientom w budowaniu obciążeń związanych ze sztuczną inteligencją w ramach AWS.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/