De olho no seu gado usando tecnologia de IA | Amazon Web Services

At Amazon Web Services (AWS), não apenas somos apaixonados por fornecer aos clientes uma variedade de soluções técnicas abrangentes, mas também estamos interessados ​​em compreender profundamente os processos de negócios de nossos clientes. Adotamos uma perspectiva de terceiros e um julgamento objetivo para ajudar os clientes a classificar suas propostas de valor, coletar pontos problemáticos, propor soluções apropriadas e criar os protótipos mais econômicos e utilizáveis ​​para ajudá-los a atingir sistematicamente seus objetivos de negócios.

Este método é chamado trabalhando para trás na AWS. Significa deixar de lado a tecnologia e as soluções, partir dos resultados esperados dos clientes, confirmar o seu valor, e depois deduzir o que precisa ser feito na ordem inversa antes de finalmente implementar uma solução. Durante a fase de implementação, também seguimos o conceito de produto com minima viabilidade e se esforçar para formar rapidamente um protótipo que possa gerar valor dentro de algumas semanas e, em seguida, iterá-lo.

Hoje, vamos revisar um estudo de caso em que a AWS e a New Hope Dairy colaboraram para construir uma fazenda inteligente na nuvem. Nesta postagem do blog, você pode ter uma compreensão profunda sobre o que a AWS pode fornecer para a construção de um farm inteligente e como construir aplicativos de farm inteligente na nuvem com especialistas da AWS.

Fundo do projeto

O leite é uma bebida nutritiva. Tendo em consideração a saúde nacional, a China tem promovido activamente o desenvolvimento da indústria leiteira. De acordo com dados da Euromonitor International, a venda de produtos lácteos na China atingiu 638.5 mil milhões de RMB em 2020 e deverá atingir 810 mil milhões de RMB em 2025. Além disso, a taxa composta de crescimento anual nos últimos 14 anos também atingiu 10 por cento, apresentando rápido desenvolvimento.

Por outro lado, em 2022, a maior parte da receita da indústria láctea chinesa ainda provém do leite líquido. Sessenta por cento do leite cru é usado para leite líquido e iogurte, e outros 20% é leite em pó – um derivado do leite líquido. Apenas uma quantidade muito pequena é utilizada para produtos altamente processados, como queijo e natas.

O leite líquido é um produto levemente processado e sua produção, qualidade e custo estão intimamente ligados ao leite cru. Isto significa que se a indústria leiteira quiser libertar capacidade para se concentrar na produção de produtos altamente processados, criar novos produtos e realizar investigação biotecnológica mais inovadora, deve primeiro melhorar e estabilizar a produção e a qualidade do leite cru.

Como líder da indústria de laticínios, a New Hope Dairy tem pensado em como melhorar a eficiência das operações de suas fazendas e aumentar a produção e a qualidade do leite cru. A New Hope Dairy espera usar a perspectiva de terceiros e o conhecimento tecnológico da AWS para facilitar a inovação na indústria de laticínios. Com o apoio e a promoção de Liutong Hu, vice-presidente e CIO da New Hope Dairy, a equipe de clientes da AWS começou a organizar operações e possíveis pontos de inovação para as fazendas leiteiras.

Desafios da fazenda leiteira

A AWS é especialista na área de tecnologia de nuvem, mas para implementar inovação na indústria de laticínios, é necessário aconselhamento profissional de especialistas no assunto de laticínios. Portanto, conduzimos várias entrevistas aprofundadas com Liangrong Song, o vice-diretor do Centro de Tecnologia de Produção da New Hope Dairy, a equipe de gestão da fazenda e nutricionistas para compreender alguns dos problemas e desafios enfrentados pela fazenda.

Primeiro é fazer um inventário das vacas de reserva

As vacas leiteiras da fazenda são divididas em dois tipos: vacas leiteiras e vacas de reserva. As vacas leiteiras são maduras e produzem leite continuamente, enquanto as vacas de reserva são vacas que ainda não atingiram a idade de produzir leite. Fazendas grandes e médias geralmente fornecem às vacas de reserva uma área de atividade aberta maior para criar um ambiente de crescimento mais confortável.

Contudo, tanto as vacas leiteiras como as vacas de reserva são activos da exploração e necessitam de ser inventariadas mensalmente. As vacas leiteiras são ordenhadas todos os dias e, como ficam relativamente imóveis durante a ordenha, o rastreamento do inventário é fácil. No entanto, as vacas de reserva ficam em espaços abertos e circulam livremente, o que torna inconveniente o seu inventário. Cada vez que o inventário é feito, vários trabalhadores contam repetidamente as vacas de reserva em diferentes áreas e, finalmente, os números são verificados. Este processo consome um a dois dias para vários trabalhadores, e muitas vezes há problemas com o alinhamento das contagens ou incertezas sobre se cada vaca foi contada.

Um tempo significativo pode ser economizado se tivermos uma maneira de inventariar vacas de reserva com rapidez e precisão.

O segundo é identificar gado manco

Atualmente, a maioria das empresas de laticínios usa uma raça chamada Holstein para produzir leite. Holsteins são as vacas pretas e brancas com as quais a maioria de nós está familiarizada. Apesar da maioria das empresas leiteiras utilizarem a mesma raça, ainda existem diferenças na quantidade e qualidade da produção de leite entre diferentes empresas e fazendas. Isso ocorre porque a saúde das vacas leiteiras afeta diretamente a produção de leite.

No entanto, as vacas não conseguem expressar desconforto por si mesmas como os humanos, e não é prático para os veterinários fazerem exames físicos regularmente em milhares de vacas. Portanto, temos que utilizar indicadores externos para avaliar rapidamente o estado de saúde das vacas.

Os indicadores externos da saúde de uma vaca incluem pontuação de condição corporal e grau de claudicação. A pontuação da condição corporal está amplamente relacionada ao percentual de gordura corporal da vaca e é um indicador de longo prazo, enquanto a claudicação é um indicador de curto prazo causado por problemas nas pernas ou infecções nos pés e outros problemas que afetam o humor, a saúde e a produção de leite da vaca. Além disso, vacas holandesas adultas podem pesar mais de 500 kg, o que pode causar danos significativos às patas se não estiverem estáveis. Portanto, quando ocorre claudicação, os veterinários devem intervir o mais rápido possível.

De acordo com um estudo de 2014, a proporção de vacas gravemente mancas na China pode chegar a 31%. Embora a situação possa ter melhorado desde o estudo, o número de veterinários nas explorações é extremamente limitado, dificultando a monitorização regular das vacas. Quando a claudicação é detectada, a situação é muitas vezes grave e o tratamento é demorado e difícil, e a produção de leite já está afectada.

Se tivermos uma forma de detectar atempadamente a claudicação nas vacas e levar os veterinários a intervir na fase de claudicação ligeira, a saúde geral e a produção de leite das vacas aumentarão e o desempenho da exploração melhorará.

Por último, há otimização de custos de alimentação

Dentro da indústria pecuária, a alimentação é o maior custo variável. Para garantir a qualidade e o estoque de rações, as fazendas muitas vezes precisam comprar ingredientes de rações de fornecedores nacionais e estrangeiros e entregá-los às fábricas de formulação de rações para processamento. Existem muitos tipos de ingredientes para rações modernas, incluindo farelo de soja, milho, alfafa, aveia e assim por diante, o que significa que há muitas variáveis ​​em jogo. Cada tipo de ingrediente alimentar tem seu próprio ciclo de preços e flutuações de preços. Durante flutuações significativas, o custo total da ração pode flutuar em mais de 15%, causando um impacto significativo.

Os custos da alimentação flutuam, mas os preços dos produtos lácteos são relativamente estáveis ​​a longo prazo. Consequentemente, sob condições inalteradas, o lucro global pode flutuar significativamente devido puramente a alterações nos custos da alimentação.

Para evitar essa flutuação, é necessário considerar armazenar mais ingredientes quando os preços estão baixos. Mas a lotação também precisa de considerar se o preço está realmente no mínimo e que quantidade de ração deve ser comprada de acordo com a taxa de consumo actual.

Se tivermos uma forma de prever com precisão o consumo de ração e combiná-lo com a tendência geral dos preços para sugerir o melhor momento e quantidade de ração para compra, poderemos reduzir custos e aumentar a eficiência na exploração.

É evidente que essas questões estão diretamente relacionadas ao objetivo do cliente de melhorar eficiência operacional agrícola, e os métodos são respectivamente liberando trabalho, aumentando a produção e reduzindo custos. Através de discussões sobre a dificuldade e o valor de resolver cada questão, escolhemos aumentando a produção como ponto de partida e priorizou a resolução do problema das vacas mancas.

Estudos

Antes de discutir tecnologia, foi necessário realizar pesquisas. A pesquisa foi conduzida em conjunto pela equipe de clientes da AWS, a Centro de inovação de IA generativa da AWS, que gerenciou os modelos de algoritmo de aprendizado de máquina, e Lablet AWS AI Xangai, que fornece consultoria de algoritmos sobre as mais recentes pesquisas de visão computacional e a equipe agrícola especializada da New Hope Dairy. A pesquisa foi dividida em várias partes:

• Compreender o método tradicional de identificação de vacas mancas em papel e desenvolver uma compreensão básica do que são vacas mancas.
• Confirmando soluções existentes, inclusive aquelas utilizadas nas fazendas e na indústria.
• Realização de pesquisas ambientais agrícolas para compreender a situação física e as limitações.

Através do estudo de materiais e da observação de vídeos no local, as equipes adquiriram uma compreensão básica sobre vacas mancas. O leitor também pode ter uma ideia básica da postura das vacas mancas por meio da imagem animada abaixo.

Em contraste com uma vaca relativamente saudável.

Vacas coxas apresentam diferenças visíveis na postura e na marcha em comparação com vacas saudáveis.

Em relação às soluções existentes, a maioria das fazendas depende da inspeção visual de veterinários e nutricionistas para identificar vacas mancas. Na indústria, existem soluções que utilizam pedômetros e acelerômetros vestíveis para identificação, bem como soluções que utilizam básculas particionadas para identificação, mas ambas são relativamente caras. Para a indústria leiteira altamente competitiva, precisamos de minimizar os custos de identificação e os custos e a dependência de hardware não genérico.

Depois de discutir e analisar as informações com veterinários e nutricionistas da fazenda, os especialistas do AWS Generative AI Innovation Center decidiram usar visão computacional (CV) para identificação, contando apenas com hardware comum: câmeras de vigilância civis, que não acrescentam nenhuma carga adicional ao vacas e reduzir custos e barreiras de uso.

Depois de decidirmos por essa direção, visitamos uma fazenda de médio porte com milhares de vacas no local, investigamos o ambiente da fazenda e determinamos a localização e o ângulo de posicionamento da câmera.

proposta inicial

Agora, para a solução. O núcleo da nossa solução baseada em currículo consiste nas seguintes etapas:

• Identificação da vaca: Identifique várias vacas em um único quadro de vídeo e marque a posição de cada vaca.
• Rastreamento de vacas: Durante a gravação do vídeo, precisamos rastrear continuamente as vacas à medida que os quadros mudam e atribuir um número exclusivo a cada vaca.
• Marcação de postura: Reduza a dimensionalidade dos movimentos das vacas convertendo imagens de vacas em pontos marcados.
• Identificação de anomalia: Identifique anomalias na dinâmica dos pontos marcados.
• Algoritmo de vaca manca: Normalize as anomalias para obter uma pontuação para determinar o grau de claudicação da vaca.
• Determinação do limite: Obtenha um limite com base nas contribuições de especialistas.

De acordo com o julgamento dos especialistas do AWS Generative AI Innovation Center, as primeiras etapas são requisitos genéricos que podem ser resolvidos usando modelos de código aberto, enquanto as últimas etapas exigem o uso de métodos matemáticos e intervenção especializada.

Dificuldades na solução

Para equilibrar custo e desempenho, escolhemos o modelo yolov5l, um modelo pré-treinado de tamanho médio para reconhecimento de vacas, com largura de entrada de 640 pixels, que oferece um bom valor para esta cena.

Embora o YOLOv5 seja responsável por reconhecer e marcar vacas em uma única imagem, na realidade, os vídeos consistem em múltiplas imagens (frames) que mudam continuamente. YOLOv5 não consegue identificar que vacas em quadros diferentes pertencem ao mesmo indivíduo. Para rastrear e localizar uma vaca em várias imagens, é necessário outro modelo chamado SORT.

SORT significa rastreamento simples on-line e em tempo real, Onde online significa que considera apenas os quadros atuais e anteriores a serem rastreados, sem considerar quaisquer outros quadros, e em tempo real significa que pode identificar a identidade do objeto imediatamente.

Após o desenvolvimento do SORT, muitos engenheiros o implementaram e otimizaram, levando ao desenvolvimento do OC-SORT, que considera a aparência do objeto, DeepSORT (e sua versão atualizada, StrongSORT), que inclui a aparência humana, e ByteTrack, que usa um vinculador de associação de dois estágios para considerar o reconhecimento de baixa confiança. Após o teste, descobrimos que para nossa cena, o algoritmo de rastreamento de aparência do DeepSORT é mais adequado para humanos do que para vacas, e a precisão de rastreamento do ByteTrack é um pouco mais fraca. Como resultado, escolhemos OC-SORT como nosso algoritmo de rastreamento.

Em seguida, usamos DeepLabCut (DLC para abreviar) para marcar os pontos esqueléticos das vacas. O DLC é um modelo sem marcadores, o que significa que embora diferentes pontos, como a cabeça e os membros, possam ter significados diferentes, todos eles são apenas pontos para DLC, que exige apenas que marquemos os pontos e treinemos o modelo.

Isto leva a uma nova questão: quantos pontos devemos marcar em cada vaca e onde devemos marcá-los? A resposta a esta pergunta afeta a carga de trabalho de marcação, treinamento e subsequente eficiência de inferência. Para resolver este problema, devemos primeiro entender como identificar vacas mancas.

Com base em nossa pesquisa e nas contribuições de nossos clientes especialistas, vacas mancas em vídeos apresentam as seguintes características:

• Costas arqueadas: O pescoço e as costas são curvados, formando um triângulo com a raiz do osso do pescoço (costas arqueadas).
• Acenos frequentes: Cada passo pode fazer com que a vaca perca o equilíbrio ou escorregue, resultando em assentindo (balançando a cabeça).
• Marcha instável: A marcha da vaca muda após alguns passos, com pequenas pausas (mudança no padrão de marcha).

Com relação à curvatura do pescoço e das costas, bem como ao aceno de cabeça, especialistas do AWS Generative AI Innovation Center determinaram que marcar apenas sete pontos nas costas (um na cabeça, um na base do pescoço e cinco nas costas) em bovinos pode resultar em uma boa identificação. Como agora temos um quadro de identificação, também deveríamos ser capazes de reconhecer padrões de marcha instáveis.

A seguir, usamos expressões matemáticas para representar os resultados da identificação e formar algoritmos.

A identificação humana destes problemas não é difícil, mas são necessários algoritmos precisos para a identificação por computador. Por exemplo, como um programa sabe o grau de curvatura do dorso de uma vaca, dado um conjunto de pontos de coordenadas do dorso da vaca? Como saber se uma vaca está balançando a cabeça?

Em termos de curvatura posterior, consideramos primeiro tratar o dorso da vaca como um ângulo e depois encontramos o vértice desse ângulo, o que nos permite calcular o ângulo. O problema desse método é que a coluna pode apresentar curvatura bidirecional, dificultando a identificação do vértice do ângulo. Isso requer a mudança para outros algoritmos para resolver o problema.

Em termos de aceno, primeiro consideramos usar a distância de Fréchet para determinar se a vaca está acenando, comparando a diferença na curva da postura geral da vaca. No entanto, o problema é que os pontos do esqueleto da vaca podem ser deslocados, causando distâncias significativas entre curvas semelhantes. Para resolver este problema, precisamos retirar a posição da cabeça em relação à caixa de reconhecimento e normalizá-la.

Após normalizar a posição da cabeça, encontramos um novo problema. Na imagem a seguir, o gráfico à esquerda mostra a mudança na posição da cabeça da vaca. Podemos ver que devido a problemas de precisão de reconhecimento, a posição da ponta da cabeça irá tremer ligeiramente constantemente. Precisamos remover esses pequenos movimentos e encontrar a tendência de movimento relativamente grande da cabeça. É aqui que é necessário algum conhecimento de processamento de sinais. Ao usar um filtro Savitzky-Golay, podemos suavizar um sinal e obter sua tendência geral, facilitando a identificação de acenos, conforme mostrado pela curva laranja no gráfico à direita.

Além disso, após dezenas de horas de reconhecimento de vídeo, descobrimos que algumas vacas com curvatura dorsal extremamente alta, na verdade, não tinham costas curvadas. Investigações posteriores revelaram que isso acontecia porque a maioria das vacas usadas para treinar o modelo DLC eram em sua maioria pretas ou pretas e brancas, e não havia muitas vacas que eram em sua maioria brancas ou quase brancas puras, resultando no modelo reconhecendo-as incorretamente quando eles tinham grandes áreas brancas em seus corpos, como mostra a seta vermelha na figura abaixo. Isso pode ser corrigido por meio de treinamento adicional do modelo.

Além de resolver os problemas anteriores, havia outros problemas genéricos que precisavam ser resolvidos:

• Existem dois caminhos no quadro de vídeo e vacas distantes também podem ser reconhecidas, causando problemas.
• Os caminhos do vídeo também apresentam uma certa curvatura, e o comprimento do corpo da vaca fica mais curto quando a vaca está nas laterais do caminho, facilitando a identificação incorreta da postura.
• Devido à sobreposição de múltiplas vacas ou à oclusão da cerca, a mesma vaca pode ser identificada como duas vacas.
• Devido aos parâmetros de rastreamento e aos saltos ocasionais de quadros da câmera, é impossível rastrear corretamente as vacas, resultando em problemas de confusão de identificação.

No curto prazo, com base no alinhamento com a New Hope Dairy na entrega de um produto mínimo viável e depois iterá-lo, esses problemas geralmente podem ser resolvidos por algoritmos de julgamento de valores discrepantes combinados com filtragem de confiança, e se não puderem ser resolvidos, eles se tornarão dados inválidos, o que exige que realizemos treinamento adicional e itere continuamente nossos algoritmos e modelos.

A longo prazo, Lablet AWS AI Xangai forneceu sugestões de experimentos futuros para resolver os problemas anteriores com base em sua pesquisa centrada em objetos: Preenchendo a lacuna para a aprendizagem centrada em objetos do mundo real e Segmentação de objetos de vídeo amodal auto-supervisionada. Além de invalidar esses dados discrepantes, os problemas também podem ser resolvidos através do desenvolvimento de modelos mais precisos em nível de objeto para estimativa de pose, segmentação amodal e rastreamento supervisionado. No entanto, os pipelines de visão tradicionais para essas tarefas normalmente exigem uma rotulagem extensiva. A aprendizagem centrada em objetos concentra-se em resolver o problema de ligação de pixels a objetos sem supervisão adicional. O processo de ligação não apenas fornece informações sobre a localização dos objetos, mas também resulta em representações de objetos robustas e adaptáveis ​​para tarefas posteriores. Como o pipeline centrado em objetos se concentra em configurações autossupervisionadas ou com supervisão fraca, podemos melhorar o desempenho sem aumentar significativamente os custos de etiquetagem para nossos clientes.

Depois de resolver uma série de problemas e combinar as pontuações dadas pelo veterinário e nutricionista da fazenda, obtivemos uma pontuação abrangente de claudicação para vacas, que nos ajuda a identificar vacas com diferentes graus de claudicação, como grave, moderada e leve, e também pode identificar múltiplos atributos de postura corporal de vacas, ajudando em análises e julgamentos adicionais.

Em poucas semanas, desenvolvemos uma solução completa para identificar vacas mancas. A câmera de hardware para esta solução custa apenas 300 RMB, e o Amazon Sage Maker a inferência em lote, ao usar a instância g4dn.xlarge, levou cerca de 50 horas para 2 horas de vídeo, totalizando apenas 300 RMB. Quando entra em produção, se cinco lotes de vacas forem detectados por semana (assumindo cerca de 10 horas), e incluindo os vídeos e dados salvos, o custo mensal de detecção para uma fazenda de tamanho médio com vários milhares de vacas é inferior a 10,000 RMB.

Atualmente, nosso processo de modelo de aprendizado de máquina é o seguinte:

1. O vídeo bruto é gravado.
2. As vacas são detectadas e identificadas.
3. Cada vaca é rastreada e pontos-chave são detectados.
4. O movimento de cada vaca é analisado.
5. Uma pontuação de claudicação é determinada.

Implantação de modelo

Já descrevemos a solução para identificar vacas mancas com base no aprendizado de máquina. Agora precisamos implantar esses modelos no SageMaker. Conforme mostrado na figura a seguir:

Implementação de negócios

É claro que o que discutimos até agora é apenas o núcleo da nossa solução técnica. Para integrar toda a solução ao processo de negócios, também devemos abordar os seguintes problemas:

• Feedback de dados: Por exemplo, devemos fornecer aos veterinários uma interface para filtrar e visualizar vacas mancas que precisam ser processadas e coletar dados durante esse processo para usar como dados de treinamento.
• Identificação da vaca: Depois que um veterinário vê uma vaca manca, ele também precisa saber a identidade da vaca, como seu número e curral.
• Posicionamento da vaca: Em um curral com centenas de vacas, localize rapidamente a vaca alvo.
• Mineração de dados: Por exemplo, descubra como o grau de claudicação afeta a alimentação, a ruminação, o descanso e a produção de leite.
• Orientado a dados: Por exemplo, identificar as características genéticas, fisiológicas e comportamentais de vacas mancas para alcançar a reprodução e reprodução ideais.

Somente abordando essas questões a solução poderá realmente resolver o problema de negócios, e os dados coletados poderão gerar valor a longo prazo. Alguns desses problemas são questões de integração de sistemas, enquanto outros são questões de tecnologia e integração de negócios. Compartilharemos mais informações sobre essas questões em artigos futuros.

Resumo

Neste artigo, explicamos brevemente como a equipe de soluções para clientes da AWS inova rapidamente com base nos negócios do cliente. Este mecanismo possui diversas características:

• Negócios liderados: Priorize a compreensão dos processos industriais e de negócios do cliente no local e pessoalmente antes de discutir a tecnologia e, em seguida, investigue os pontos fracos, os desafios e os problemas do cliente para identificar questões importantes que podem ser resolvidas com a tecnologia.
• Disponível imediatamente: Forneça um protótipo simples, mas completo e utilizável diretamente ao cliente para teste, validação e iteração rápida em semanas, não meses.
• Custo mínimo: Minimizar ou mesmo eliminar os custos do cliente antes que o valor seja verdadeiramente validado, evitando preocupações com o futuro. Isso se alinha com a AWS frugalidade princípio de liderança.

No nosso projeto de inovação colaborativa com a indústria de laticínios, não apenas partimos da perspectiva empresarial para identificar problemas comerciais específicos com especialistas empresariais, mas também conduzimos investigações no local na fazenda e na fábrica com o cliente. Determinamos o posicionamento das câmeras no local, instalamos e implantamos as câmeras e implantamos a solução de streaming de vídeo. Especialistas do AWS Generative AI Innovation Center analisaram os requisitos do cliente e desenvolveram um algoritmo, que foi então projetado por um arquiteto de soluções para todo o algoritmo.

Com cada inferência, poderíamos obter milhares de vídeos decompostos e marcados de passeios de vacas, cada um com o ID do vídeo original, ID da vaca, pontuação de claudicação e várias pontuações detalhadas. A lógica de cálculo completa e os dados brutos da marcha também foram retidos para posterior otimização do algoritmo.

Os dados de claudicação podem não apenas ser usados ​​para intervenção precoce por veterinários, mas também combinados com dados de máquinas de ordenha para análise cruzada, proporcionando uma dimensão de validação adicional e respondendo a algumas questões comerciais adicionais, tais como: Quais são as características físicas das vacas com maior produção de leite? Qual é o efeito da claudicação na produção de leite das vacas? Qual é a principal causa das vacas mancas e como pode ser prevenida? Esta informação fornecerá novas ideias para operações agrícolas.

A história da identificação de vacas mancas termina aqui, mas a história da inovação agrícola apenas começou. Nos artigos subsequentes, continuaremos a discutir como trabalhamos em estreita colaboração com os clientes para resolver outros problemas.

---

Sobre os autores

Hao Huang é um cientista aplicado no AWS Generative AI Innovation Center. Ele é especialista em Visão Computacional (CV) e Modelo de Linguagem Visual (VLM). Recentemente, ele desenvolveu um forte interesse em tecnologias de IA generativas e já colaborou com clientes para aplicar essas tecnologias de ponta em seus negócios. Ele também é revisor de conferências de IA, como ICCV e AAAI.

Pei Yang Ele é cientista de dados sênior no AWS Generative AI Innovation Center. Ela trabalha com clientes em diversos setores para resolver suas necessidades de negócios mais urgentes e inovadoras, aproveitando as soluções GenAI/ML. Nas horas vagas, ela gosta de esquiar e viajar.

Xuefeng Liu lidera uma equipe científica no AWS Generative AI Innovation Center nas regiões Ásia-Pacífico e Grande China. Sua equipe faz parceria com clientes da AWS em projetos de IA generativa, com o objetivo de acelerar a adoção da IA ​​generativa pelos clientes.

Tianjun Xiao é cientista aplicado sênior do AWS AI Shanghai Lablet, co-liderando os esforços de visão computacional. Atualmente, seu foco principal está nas áreas de modelos básicos multimodais e aprendizagem centrada em objetos. Ele está investigando ativamente seu potencial em diversas aplicações, incluindo análise de vídeo, visão 3D e direção autônoma.

Zhang Dai é arquiteto de soluções sênior da AWS para o setor de negócios geográficos da China. Ele ajuda empresas de diversos tamanhos a atingir seus objetivos de negócios, fornecendo consultoria em processos de negócios, experiência do usuário e tecnologia de nuvem. Ele é um prolífico escritor de blogs e também autor de dois livros: The Modern Autodidact e Designing Experience.

Jian Yu Zeng é gerente sênior de soluções para clientes na AWS, cuja responsabilidade é apoiar clientes, como o grupo New Hope, durante sua transição para a nuvem e ajudá-los a obter valor comercial por meio de soluções de tecnologia baseadas em nuvem. Com um forte interesse em inteligência artificial, ele está constantemente explorando maneiras de aproveitar a IA para impulsionar mudanças inovadoras nos negócios dos nossos clientes.

Carol Tong Min é gerente sênior de desenvolvimento de negócios, responsável por contas-chave na GCR GEO West, incluindo dois importantes clientes empresariais: Grupo Jiannanchun e Grupo New Hope. Ela é obcecada pelo cliente e sempre apaixonada por apoiar e acelerar a jornada dos clientes na nuvem.

Nick Jiang é especialista sênior em vendas da equipe AIML SSO na China. Ele está focado na transferência de soluções AIML inovadoras e em ajudar o cliente a construir cargas de trabalho relacionadas à IA na AWS.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/