Urmăriți-vă vitele folosind tehnologia AI | Amazon Web Services

At Amazon Web Services (AWS), nu numai că suntem pasionați să oferim clienților o varietate de soluții tehnice complete, dar suntem și dornici să înțelegem în profunzime procesele de afaceri ale clienților noștri. Adoptăm o perspectivă terță parte și o judecată obiectivă pentru a-i ajuta pe clienți să-și rezolve propunerile de valoare, să colecteze punctele critice, să propunem soluții adecvate și să creăm cele mai rentabile și mai utilizabile prototipuri pentru a-i ajuta să-și atingă în mod sistematic obiectivele de afaceri.

Această metodă se numește lucrând înapoi la AWS. Înseamnă a lăsa deoparte tehnologia și soluțiile, pornind de la rezultatele așteptate ale clienților, confirmarea valorii acestora și apoi deducerea a ceea ce trebuie făcut în ordine inversă înainte de implementarea definitivă a unei soluții. În faza de implementare, urmărim și conceptul de produs minim viabil și străduiți-vă să formați rapid un prototip care să poată genera valoare în câteva săptămâni și apoi să repetați asupra lui.

Astăzi, să analizăm un studiu de caz în care AWS și New Hope Dairy au colaborat pentru a construi o fermă inteligentă pe cloud. Din această postare pe blog, puteți înțelege ce poate oferi AWS pentru construirea unei ferme inteligente și cum să construiți aplicații pentru fermă inteligentă pe cloud cu experții AWS.

Fundalul proiectului

Laptele este o băutură hrănitoare. Având în vedere sănătatea națională, China a promovat în mod activ dezvoltarea industriei lactatelor. Potrivit datelor de la Euromonitor International, vânzarea de produse lactate în China a ajuns la 638.5 miliarde RMB în 2020 și este de așteptat să ajungă la 810 miliarde RMB în 2025. În plus, rata de creștere anuală compusă din ultimii 14 ani a atins, de asemenea, 10%, arătând o dezvoltare rapidă.

Pe de altă parte, din 2022, cea mai mare parte a veniturilor din industria chineză a produselor lactate provine încă din lapte lichid. Șaizeci la sută din laptele crud este folosit pentru lapte lichid și iaurt, iar alte 20 la sută este lapte praf - un derivat al laptelui lichid. Doar o cantitate foarte mică este utilizată pentru produse foarte procesate, cum ar fi brânza și smântâna.

Laptele lichid este un produs ușor procesat, iar producția, calitatea și costul acestuia sunt strâns legate de laptele crud. Aceasta înseamnă că, dacă industria lactatelor dorește să elibereze capacitatea de a se concentra pe producerea de produse înalt procesate, să creeze produse noi și să efectueze cercetări biotehnologice mai inovatoare, trebuie mai întâi să îmbunătățească și să stabilească producția și calitatea laptelui crud.

În calitate de lider în industria produselor lactate, New Hope Dairy s-a gândit la cum să îmbunătățească eficiența operațiunilor sale de fermă și să crească producția și calitatea laptelui crud. New Hope Dairy speră să folosească perspectiva terță parte și expertiza tehnologică a AWS pentru a facilita inovarea în industria produselor lactate. Cu sprijinul și promovarea de la Liutong Hu, VP și CIO al New Hope Dairy, echipa de clienți AWS a început să organizeze operațiuni și puncte potențiale de inovare pentru fermele de lapte.

Provocări ale fermei de lapte

AWS este un expert în domeniul tehnologiei cloud, dar pentru a implementa inovația în industria lactatelor, este nevoie de sfaturi profesionale din partea experților în materie de lactate. Prin urmare, am realizat mai multe interviuri aprofundate cu Liangrong Song, directorul adjunct al Centrului de tehnologie de producție al New Hope Dairy, echipa de conducere a fermei și nutriționiști pentru a înțelege unele dintre problemele și provocările cu care se confruntă ferma.

În primul rând, faceți inventarul vacilor de rezervă

Vacile de lapte de la fermă sunt împărțite în două tipuri: vaci de lapte și vaci de rezervă. Vacile de lapte sunt mature și produc continuu lapte, în timp ce vacile de rezervă sunt vaci care nu au atins încă vârsta de a produce lapte. Fermele mari și mijlocii oferă de obicei vacilor de rezervă o zonă de activitate deschisă mai mare pentru a crea un mediu de creștere mai confortabil.

Cu toate acestea, atât vacile de lapte, cât și vacile de rezervă sunt active ale fermei și trebuie să fie inventariate lunar. Vacile de lapte sunt mulse în fiecare zi și, deoarece sunt relativ nemișcate în timpul mulsului, urmărirea inventarului este ușoară. Cu toate acestea, vacile de rezervă se află într-un spațiu deschis și se plimbă liber, ceea ce face incomod să le inventarieze. De fiecare dată când se face inventar, mai mulți muncitori numără în mod repetat vacile de rezervă din diferite zone și, în final, se verifică numerele. Acest proces consumă una până la două zile pentru mai mulți muncitori și adesea există probleme cu alinierea numărărilor sau incertitudini cu privire la faptul dacă fiecare vacă a fost numărată.

Se poate economisi timp semnificativ dacă avem o modalitate de a inventaria vacile de rezervă rapid și precis.

Al doilea este identificarea vitelor șchioape

În prezent, majoritatea companiilor de produse lactate folosesc o rasă numită Holstein pentru a produce lapte. Holstein sunt vacile albe și negre cu care cei mai mulți dintre noi suntem familiarizați. În ciuda faptului că majoritatea companiilor de produse lactate folosesc aceeași rasă, există încă diferențe în cantitatea și calitatea producției de lapte între diferitele companii și ferme. Acest lucru se datorează faptului că sănătatea vacilor de lapte afectează direct producția de lapte.

Cu toate acestea, vacile nu își pot exprima disconfortul pe cont propriu, așa cum o pot face oamenii și nu este practic ca medicii veterinari să dea mii de vaci examinări fizice în mod regulat. Prin urmare, trebuie să folosim indicatori externi pentru a judeca rapid starea de sănătate a vacilor.

Indicatorii externi ai sănătății unei vaci includ scorul de stare corporală și grad de șchiopătură. Scorul de stare corporală este în mare măsură legat de procentul de grăsime corporală al vacii și este un indicator pe termen lung, în timp ce șchiopătura este un indicator pe termen scurt cauzat de probleme la picioare sau infecții ale picioarelor și alte probleme care afectează starea de spirit a vacii, sănătatea și producția de lapte. În plus, vacile adulte Holstein pot cântări peste 500 kg, ceea ce poate provoca vătămări semnificative la picioarele lor dacă nu sunt stabile. Prin urmare, atunci când apare șchiopătura, medicii veterinari ar trebui să intervină cât mai curând posibil.

Potrivit unui studiu din 2014, proporția de vaci care șchioapă sever în China poate ajunge până la 31%. Deși situația s-ar fi putut îmbunătăți de la studiu, numărul de medici veterinari din ferme este extrem de limitat, ceea ce face dificilă monitorizarea regulată a vacilor. Când se detectează șchiopătură, situația este adesea severă, iar tratamentul necesită timp și este dificil, iar producția de lapte este deja afectată.

Dacă avem o modalitate de a detecta în timp util șchioparea la vaci și de a determina medicii veterinari să intervină în stadiul de șchiopătură ușoară, sănătatea generală și producția de lapte a vacilor vor crește, iar performanța fermei se va îmbunătăți.

În cele din urmă, există optimizarea costurilor de alimentare

În industria zootehnică, hrana pentru animale este cel mai mare cost variabil. Pentru a asigura calitatea și inventarul furajelor, fermele trebuie adesea să achiziționeze ingrediente pentru furaje de la furnizori interni și din străinătate și să le livreze fabricilor de formulare de furaje pentru procesare. Există multe tipuri de ingrediente moderne pentru hrana animalelor, inclusiv făină de soia, porumb, lucernă, iarbă de ovăz și așa mai departe, ceea ce înseamnă că există multe variabile în joc. Fiecare tip de ingredient pentru furaje are propriul ciclu de preț și fluctuații de preț. În timpul fluctuațiilor semnificative, costul total al furajelor poate fluctua cu mai mult de 15 la sută, provocând un impact semnificativ.

Costurile furajelor fluctuează, dar prețurile produselor lactate sunt relativ stabile pe termen lung. În consecință, în condiții altfel neschimbate, profitul total poate fluctua semnificativ doar din cauza modificărilor costurilor de hrană.

Pentru a evita această fluctuație, este necesar să luați în considerare stocarea mai multor ingrediente atunci când prețurile sunt scăzute. Dar stocarea trebuie, de asemenea, să ia în considerare dacă prețul este cu adevărat la jgheab și ce cantitate de furaj ar trebui achiziționată în funcție de rata de consum actuală.

Dacă avem o modalitate de a prognoza cu precizie consumul de furaje și de a-l combina cu tendința generală a prețurilor pentru a sugera cel mai bun moment și cantitatea de furaj pentru achiziționare, putem reduce costurile și crește eficiența în fermă.

Este evident că aceste probleme sunt direct legate de obiectivul de îmbunătățire al clientului eficiența operațională a fermei, iar metodele sunt, respectiv eliberând forța de muncă, creșterea producției și reducerea costurilor. Prin discuții despre dificultatea și valoarea rezolvării fiecărei probleme, am ales creșterea producției ca punct de plecare și a prioritizat rezolvarea problemei vacilor șchioape.

Cercetare

Înainte de a discuta despre tehnologie, a trebuit să se facă cercetări. Cercetarea a fost realizată în comun de echipa de clienți AWS, the Centrul de inovare AWS Generative AI, care a gestionat modelele de algoritm de învățare automată și AWS AI Shanghai Lablet, care oferă consultanță de algoritm cu privire la cele mai recente cercetări de viziune computerizată și echipa de experți în agricultură de la New Hope Dairy. Cercetarea a fost împărțită în mai multe părți:

• Înțelegerea metodei tradiționale de identificare pe hârtie a vacilor șchioape și dezvoltarea unei înțelegeri de bază a ceea ce sunt vacile șchioape.
• Confirmarea soluțiilor existente, inclusiv a celor utilizate în ferme și în industrie.
• Efectuarea cercetării mediului fermei pentru a înțelege situația fizică și limitările.

Prin studierea materialelor și observând videoclipuri la fața locului, echipele au dobândit o înțelegere de bază despre vacile șchioape. De asemenea, cititorii își pot face o idee de bază despre postura vacilor șchioape prin imaginea animată de mai jos.

Spre deosebire de o vacă relativ sănătoasă.

Vacile șchioape au diferențe vizibile de postură și mers în comparație cu vacile sănătoase.

În ceea ce privește soluțiile existente, majoritatea fermelor se bazează pe inspecția vizuală de către medici veterinari și nutriționiști pentru a identifica vacile șchioape. În industrie, există soluții care folosesc pedometre și accelerometre purtabile pentru identificare, precum și soluții care folosesc cântărire compartimentate pentru identificare, dar ambele sunt relativ scumpe. Pentru industria foarte competitivă a produselor lactate, trebuie să minimizăm costurile de identificare și costurile și dependența de hardware negeneric.

După ce au discutat și analizat informațiile cu medicii veterinari și nutriționiști de la fermă, experții AWS Generative AI Innovation Center au decis să folosească viziunea computerizată (CV) pentru identificare, bazându-se doar pe hardware obișnuit: camere de supraveghere civile, care nu adaugă nicio povară suplimentară vaci și reduce costurile și barierele de utilizare.

După ce ne-am hotărât asupra acestei direcții, am vizitat o fermă de dimensiuni medii cu mii de vaci la fața locului, am investigat mediul fermei și am determinat locația și unghiul de amplasare a camerei.

Propunerea inițială

Acum, pentru soluție. Nucleul soluției noastre bazate pe CV constă din următorii pași:

• Identificarea vacii: Identificați mai multe vaci într-un singur cadru video și marcați poziția fiecărei vaci.
• Urmărirea vacilor: În timp ce se înregistrează videoclipul, trebuie să urmărim continuu vacile pe măsură ce cadrele se schimbă și să atribuim un număr unic fiecărei vaci.
• Marcarea posturii: Reduceți dimensionalitatea mișcărilor vacilor prin conversia imaginilor vacilor în puncte marcate.
• Identificarea anomaliilor: Identificați anomalii în dinamica punctelor marcate.
• Algoritm de vaca șchioapă: Normalizați anomaliile pentru a obține un scor pentru a determina gradul de șchiopătare a vacii.
• Determinarea pragului: Obțineți un prag bazat pe contribuțiile experților.

Potrivit aprecierii experților AWS Generative AI Innovation Center, primii pași sunt cerințe generice care pot fi rezolvate folosind modele open-source, în timp ce ultimii pași ne cer să folosim metode matematice și intervenția expertului.

Dificultăți în rezolvare

Pentru a echilibra costul și performanța, am ales modelul yolov5l, un model pre-antrenat de mărime medie pentru recunoașterea vacilor, cu o lățime de intrare de 640 pixeli, care oferă o valoare bună pentru această scenă.

În timp ce YOLOv5 este responsabil pentru recunoașterea și etichetarea vacilor într-o singură imagine, în realitate, videoclipurile constau din mai multe imagini (cadre) care se schimbă continuu. YOLOv5 nu poate identifica că vacile din rame diferite aparțin aceluiași individ. Pentru a urmări și a localiza o vacă în mai multe imagini, este necesar un alt model numit SORT.

SORT înseamnă urmărire simplă online și în timp real, În cazul în care on-line înseamnă că ia în considerare numai cadrele curente și anterioare de urmărit fără a lua în considerare alte cadre și în timp real înseamnă că poate identifica imediat identitatea obiectului.

După dezvoltarea SORT, mulți ingineri l-au implementat și optimizat, ducând la dezvoltarea OC-SORT, care ia în considerare aspectul obiectului, DeepSORT (și versiunea sa îmbunătățită, StrongSORT), care include aspectul uman, și ByteTrack, care utilizează un linker de asociere în două etape pentru a lua în considerare recunoașterea cu încredere scăzută. După testare, am descoperit că pentru scena noastră, algoritmul de urmărire a aspectului DeepSORT este mai potrivit pentru oameni decât pentru vaci, iar precizia de urmărire a lui ByteTrack este puțin mai slabă. Ca rezultat, în cele din urmă am ales OC-SORT ca algoritm de urmărire.

Apoi, folosim DeepLabCut (DLC pe scurt) pentru a marca punctele scheletice ale vacilor. DLC este un model fără marker, ceea ce înseamnă că, deși puncte diferite, cum ar fi capul și membrele, ar putea avea semnificații diferite, toate sunt doar puncte pentru DLC, care ne cere doar să marchem punctele și să antrenăm modelul.

Aceasta duce la o nouă întrebare: câte puncte ar trebui să marchem pe fiecare vacă și unde să le marchem? Răspunsul la această întrebare afectează volumul de lucru al marcajului, instruirii și eficiența ulterioară a inferenței. Pentru a rezolva această problemă, trebuie mai întâi să înțelegem cum să identificăm vacile șchioape.

Pe baza cercetărilor noastre și a contribuțiilor clienților noștri experți, vacile șchioape din videoclipuri prezintă următoarele caracteristici:

• Un spate arcuit: Gâtul și spatele sunt curbate, formând un triunghi cu rădăcina osului gâtului (arcu-spate).
• Dând din cap frecvent: Fiecare pas poate face ca vaca să își piardă echilibrul sau să alunece, rezultând frecvente dînd din cap (capul clătinând).
• Mers instabil: Mersul vacii se schimbă după câțiva pași, cu ușoare pauze (schimbarea modelului de mers).

În ceea ce privește curbura gâtului și a spatelui, precum și înclinarea din cap, experții de la AWS Generative AI Innovation Center au stabilit că marcarea a numai șapte puncte din spate (unul pe cap, unul la baza gâtului și cinci pe spate) pe bovine poate duce la o bună identificare. Deoarece acum avem un cadru de identificare, ar trebui să fim, de asemenea, capabili să recunoaștem modele instabile de mers.

În continuare, folosim expresii matematice pentru a reprezenta rezultatele identificării și pentru a forma algoritmi.

Identificarea umană a acestor probleme nu este dificilă, dar sunt necesari algoritmi precisi pentru identificarea computerului. De exemplu, cum cunoaște un program gradul de curbură al spatelui unei vaci, având în vedere un set de puncte de coordonate a spatelui vacii? De unde știe dacă o vaca dă din cap?

În ceea ce privește curbura spatelui, luăm în considerare mai întâi tratarea spatelui vacii ca un unghi și apoi găsim vârful acelui unghi, care ne permite să calculăm unghiul. Problema cu această metodă este că coloana vertebrală ar putea avea o curbură bidirecțională, ceea ce face vârful unghiului dificil de identificat. Acest lucru necesită trecerea la alți algoritmi pentru a rezolva problema.

În ceea ce privește încuviințarea din cap, am luat în considerare mai întâi utilizarea distanței Fréchet pentru a determina dacă vaca dă din cap, comparând diferența de curbă a posturii generale a vacii. Cu toate acestea, problema este că punctele scheletice ale vacii ar putea fi deplasate, provocând o distanță semnificativă între curbele similare. Pentru a rezolva această problemă, trebuie să scoatem poziția capului față de caseta de recunoaștere și să o normalizăm.

După normalizarea poziției capului, am întâlnit o nouă problemă. În imaginea care urmează, graficul din stânga arată schimbarea poziției capului vacii. Putem vedea că, din cauza problemelor de acuratețe a recunoașterii, poziția punctului cap va tremura constant ușor. Trebuie să eliminăm aceste mișcări mici și să găsim tendința de mișcare relativ mare a capului. Aici sunt necesare anumite cunoștințe despre procesarea semnalului. Folosind un filtru Savitzky-Golay, putem netezi un semnal și obține tendința generală a acestuia, făcându-ne mai ușor să identificăm înclinarea din cap, așa cum arată curba portocalie din graficul din dreapta.

În plus, după zeci de ore de recunoaștere video, am constatat că unele vaci cu curbură extrem de mare a spatelui de fapt nu aveau spatele cocoșat. O investigație ulterioară a arătat că acest lucru se datorează faptului că majoritatea vacilor folosite la antrenarea modelului DLC erau în mare parte negre sau alb-negru și nu existau multe vaci care erau în mare parte albe sau aproape de alb pur, ceea ce a dus la recunoașterea incorect a acestora de către model. aveau zone albe mari pe corpul lor, așa cum arată săgeata roșie din figura de mai jos. Acest lucru poate fi corectat printr-o instruire suplimentară a modelului.

Pe lângă rezolvarea problemelor precedente, au existat și alte probleme generice care trebuiau rezolvate:

• Există două căi în cadrul video și vacile din depărtare ar putea fi, de asemenea, recunoscute, provocând probleme.
• Traseele din videoclip au, de asemenea, o anumită curbură, iar lungimea corpului vacii devine mai scurtă atunci când vaca se află pe părțile laterale ale căii, ceea ce face ca postura să fie ușor de identificat incorect.
• Din cauza suprapunerii mai multor vaci sau a ocluziei de la gard, aceeași vacă ar putea fi identificată ca două vaci.
• Din cauza parametrilor de urmărire și a ocazional sărituri de cadre ale camerei, este imposibil să urmăriți corect vacile, ceea ce duce la probleme de confuzie de identificare.

Pe termen scurt, pe baza alinierii cu New Hope Dairy cu privire la livrarea unui produs minim viabil și apoi repetarea asupra acestuia, aceste probleme pot fi de obicei rezolvate prin algoritmi de evaluare anormală combinați cu filtrarea încrederii și, dacă nu pot fi rezolvate, vor deveni date nevalide, ceea ce ne impune să efectuăm instruire suplimentară și să ne repetăm ​​în mod continuu algoritmii și modelele.

Pe termen lung, AWS AI Shanghai Lablet au oferit sugestii de experimente viitoare pentru a rezolva problemele precedente pe baza cercetării lor centrate pe obiect: Reducerea decalajului către învățarea centrată pe obiecte din lumea reală și Segmentarea obiectelor video amodale auto-supravegheate. Pe lângă invalidarea acestor date anormale, problemele pot fi abordate și prin dezvoltarea unor modele mai precise la nivel de obiect pentru estimarea poziției, segmentarea amodală și urmărirea supravegheată. Cu toate acestea, conductele tradiționale de viziune pentru aceste sarcini necesită de obicei o etichetare extinsă. Învățarea centrată pe obiect se concentrează pe abordarea problemei de legare a pixelilor de obiecte fără supraveghere suplimentară. Procesul de legare nu numai că oferă informații despre locația obiectelor, dar are ca rezultat și reprezentări robuste și adaptabile ale obiectelor pentru sarcinile din aval. Deoarece conducta centrată pe obiect se concentrează pe setările auto-supravegheate sau slab supravegheate, putem îmbunătăți performanța fără a crește semnificativ costurile de etichetare pentru clienții noștri.

După ce am rezolvat o serie de probleme și am combinat scorurile acordate de medicul veterinar și nutriționistul fermei, am obținut un scor cuprinzător de șchiopătură pentru vaci, care ne ajută să identificăm vacile cu diferite grade de șchiopătură, cum ar fi severă, moderată și ușoară, și poate, de asemenea identificați mai multe atribute ale posturii corporale ale vacilor, ajutând la analiza și judecata ulterioară.

În câteva săptămâni, am dezvoltat o soluție completă pentru identificarea vacilor șchioape. Camera hardware pentru această soluție a costat doar 300 RMB, iar Amazon SageMaker inferența în lot, când se folosește instanța g4dn.xlarge, a durat aproximativ 50 de ore pentru 2 ore de videoclip, însumând doar 300 RMB. Când intră în producție, dacă sunt detectate cinci loturi de vaci pe săptămână (presupunând aproximativ 10 ore), inclusiv videoclipurile și datele salvate, costul lunar de detectare pentru o fermă de dimensiuni medii cu câteva mii de vaci este mai mic de 10,000 RMB.

În prezent, procesul nostru de modelare de învățare automată este următorul:

1. Videoclipul brut este înregistrat.
2. Vacile sunt detectate și identificate.
3. Fiecare vacă este urmărită și punctele cheie sunt detectate.
4. Se analizează mișcarea fiecărei vaci.
5. Se determină un scor de șchiopătare.

Implementarea modelului

Am descris înainte soluția pentru identificarea vacilor șchioape pe baza învățării automate. Acum, trebuie să implementăm aceste modele pe SageMaker. După cum se arată în figura următoare:

Implementarea afacerii

Desigur, ceea ce am discutat până acum este doar miezul soluției noastre tehnice. Pentru a integra întreaga soluție în procesul de afaceri, trebuie să abordăm și următoarele probleme:

• Feedback de date: De exemplu, trebuie să punem la dispoziție medicilor veterinari o interfață pentru a filtra și a vizualiza vacile șchioape care trebuie procesate și a colecta date în timpul acestui proces pentru a le folosi ca date de antrenament.
• Identificarea vacii: După ce un medic veterinar vede o vacă șchiopătă, trebuie să cunoască și identitatea vacii, cum ar fi numărul și țarcul acesteia.
• Poziționarea vacii: Într-un tarc cu sute de vaci, localizați rapid vaca țintă.
• Exploatarea datelor: De exemplu, aflați cum gradul de șchiopătură afectează hrănirea, ruminația, odihna și producția de lapte.
• Bazat pe date: De exemplu, identificați caracteristicile genetice, fiziologice și comportamentale ale vacilor șchioape pentru a obține o reproducere și o reproducere optime.

Numai abordând aceste probleme soluția poate rezolva cu adevărat problema afacerii, iar datele colectate pot genera valoare pe termen lung. Unele dintre aceste probleme sunt probleme de integrare a sistemului, în timp ce altele sunt probleme de tehnologie și integrare în afaceri. Vom împărtăși informații suplimentare despre aceste probleme în articolele viitoare.

Rezumat

În acest articol, am explicat pe scurt modul în care echipa AWS Customer Solutions inovează rapid în funcție de afacerea clientului. Acest mecanism are mai multe caracteristici:

• Afaceri conduse: Prioritizează înțelegerea industriei clientului și a proceselor de afaceri la fața locului și în persoană înainte de a discuta despre tehnologie, apoi aprofundează în punctele dureroase, provocările și problemele clientului pentru a identifica problemele importante care pot fi rezolvate cu tehnologie.
• Disponibil imediat: Furnizați un prototip simplu, dar complet și utilizabil direct clientului pentru testare, validare și repetare rapidă în câteva săptămâni, nu luni.
• Cost minim: Minimizați sau chiar eliminați costurile clientului înainte ca valoarea să fie cu adevărat validată, evitând preocupările legate de viitor. Acest lucru se aliniază cu AWS frugalitate principiul conducerii.

În proiectul nostru de inovare în colaborare cu industria produselor lactate, nu numai că am pornit din perspectiva afacerii pentru a identifica probleme specifice de afaceri cu experții în afaceri, dar am efectuat și investigații la fața locului la fermă și fabrică cu clientul. Am determinat amplasarea camerei la fața locului, am instalat și implementat camerele și am implementat soluția de streaming video. Experții de la AWS Generative AI Innovation Center au disecat cerințele clientului și au dezvoltat un algoritm, care a fost apoi conceput de un arhitect de soluții pentru întregul algoritm.

Cu fiecare deducție, am putea obține mii de videoclipuri descompuse și etichetate cu mersul vacilor, fiecare cu ID-ul video original, ID-ul vacii, scorul de șchiopătare și diferite scoruri detaliate. Logica completă de calcul și datele brute de mers au fost, de asemenea, reținute pentru optimizarea ulterioară a algoritmului.

Datele de șchioapă nu pot fi folosite doar pentru intervenția timpurie de către medicii veterinari, ci și combinate cu datele mașinilor de muls pentru analize încrucișate, oferind o dimensiune suplimentară de validare și răspunzând la câteva întrebări suplimentare de afaceri, cum ar fi: Care sunt caracteristicile fizice ale vacilor cu cele mai mari randamentul de lapte? Care este efectul șchiopătării asupra producției de lapte la vaci? Care este cauza principală a vacilor șchioape și cum poate fi prevenită? Aceste informații vor oferi idei noi pentru operațiunile agricole.

Povestea identificării vacilor șchioape se termină aici, dar povestea inovației în fermă tocmai a început. În articolele ulterioare, vom continua să discutăm despre modul în care lucrăm îndeaproape cu clienții pentru a rezolva alte probleme.

---

Despre Autori

Hao Huang este un om de știință aplicat la Centrul de inovare AWS Generative AI. Este specializat în Computer Vision (CV) și Visual-Language Model (VLM). Recent, el a dezvoltat un interes puternic pentru tehnologiile AI generative și a colaborat deja cu clienții pentru a aplica aceste tehnologii de ultimă oră în afacerile lor. El este, de asemenea, recenzent pentru conferințe AI, cum ar fi ICCV și AAAI.

Peiyang El este cercetător de date senior la Centrul de inovare AWS Generative AI. Ea lucrează cu clienți dintr-un spectru divers de industrii pentru a-și rezolva cele mai presante și inovatoare nevoi de afaceri utilizând soluțiile GenAI/ML. În timpul liber, îi place să schieze și să călătorească.

Xuefeng Liu conduce o echipă științifică la Centrul de inovare AWS Generative AI din regiunile Asia Pacific și China Mare. Echipa sa colaborează cu clienții AWS în proiecte de IA generativă, cu scopul de a accelera adoptarea de către clienți a AI generativă.

Tianjun Xiao este un om de știință aplicat senior la AWS AI Shanghai Lablet, co-conducerea eforturilor de viziune computerizată. În prezent, accentul său principal se află în domeniul modelelor de fundație multimodale și al învățării centrate pe obiecte. El investighează activ potențialul lor în diverse aplicații, inclusiv analiză video, viziune 3D și conducere autonomă.

Zhang Dai este un arhitect senior de soluții AWS pentru China Geo Business Sector. El ajută companiile de diferite dimensiuni să-și atingă obiectivele de afaceri oferind consultanță privind procesele de afaceri, experiența utilizatorului și tehnologia cloud. Este un scriitor prolific pe blog și, de asemenea, autor a două cărți: The Modern Autodidact și Designing Experience.

Jianyu Zeng este un manager senior de soluții pentru clienți la AWS, a cărui responsabilitate este să sprijine clienții, cum ar fi grupul New Hope, în timpul tranziției lor către cloud și să îi asiste în realizarea valorii de afaceri prin soluții tehnologice bazate pe cloud. Cu un interes puternic pentru inteligența artificială, el explorează în mod constant modalități de a folosi AI pentru a genera schimbări inovatoare în afacerile clienților noștri.

Carol Tong Min este un manager senior de dezvoltare a afacerii, responsabil pentru conturile cheie în GCR GEO West, incluzând doi clienți importanți: Jiannanchun Group și New Hope Group. Este obsedată de clienți și întotdeauna pasionată de sprijinirea și accelerarea călătoriei în cloud a clienților.

Nick Jiang este un specialist senior în vânzări la echipa AIML SSO din China. El se concentrează pe transferul de soluții inovatoare AIML și pe sprijinirea clienților să creeze sarcinile de lucru legate de AI în AWS.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/