Следите за своим скотом с помощью технологий искусственного интеллекта | Веб-сервисы Amazon

At Веб-службы Amazon (AWS)Мы не только стремимся предоставлять клиентам разнообразные комплексные технические решения, но также стремимся глубоко понимать бизнес-процессы наших клиентов. Мы принимаем точку зрения третьей стороны и объективное суждение, чтобы помочь клиентам разобраться в своих ценностных предложениях, выявить болевые точки, предложить подходящие решения и создать наиболее экономичные и удобные прототипы, которые помогут им систематически достигать своих бизнес-целей.

Этот метод называется работая в обратном направлении в АВС. Это означает отложить в сторону технологии и решения, начиная с ожидаемых результатов клиентов, подтверждения их ценности, а затем выводя, что необходимо сделать в обратном порядке, прежде чем окончательно реализовать решение. На этапе реализации мы также следуем концепции минимально жизнеспособный продукт и стремитесь быстро сформировать прототип, который может принести пользу в течение нескольких недель, а затем повторить его.

Сегодня давайте рассмотрим практический пример, в котором AWS и New Hope Dairy совместно создали интеллектуальную ферму в облаке. Из этой публикации в блоге вы сможете получить глубокое представление о том, что AWS может предоставить для создания умной фермы и как создавать приложения для умной фермы в облаке с помощью экспертов AWS.

История проекта

Молоко – питательный напиток. Учитывая интересы национального здравоохранения, Китай активно способствует развитию молочной промышленности. По данным Euromonitor International, продажи молочных продуктов в Китае достигли 638.5 миллиардов юаней в 2020 году и, как ожидается, достигнут 810 миллиардов юаней в 2025 году. Кроме того, совокупный годовой темп роста за последние 14 лет также достиг 10 процентов. демонстрируя быстрое развитие.

С другой стороны, по состоянию на 2022 год большая часть доходов китайской молочной промышленности по-прежнему будет поступать от жидкого молока. Шестьдесят процентов сырого молока используется для производства жидкого молока и йогурта, а еще 20 процентов составляет сухое молоко — производное жидкого молока. Лишь очень небольшое количество используется для продуктов высокой степени переработки, таких как сыр и сливки.

Жидкое молоко представляет собой продукт легкой переработки, и его объем производства, качество и стоимость тесно связаны с сырым молоком. Это означает, что если молочная промышленность хочет освободить мощности и сосредоточиться на производстве продуктов глубокой переработки, создании новых продуктов и проведении более инновационных биотехнологических исследований, она должна сначала улучшить и стабилизировать производство и качество сырого молока.

Будучи лидером молочной отрасли, компания New Hope Dairy задумалась о том, как повысить эффективность работы своего ранчо и увеличить производство и качество сырого молока. New Hope Dairy надеется использовать мнение третьих сторон и технологический опыт AWS для содействия инновациям в молочной промышленности. При поддержке и поощрении со стороны Лютуна Ху, вице-президента и директора по информационным технологиям компании New Hope Dairy, команда клиентов AWS начала организовывать операции и потенциальные точки инноваций для молочных ферм.

Проблемы молочной фермы

AWS является экспертом в области облачных технологий, но для внедрения инноваций в молочной отрасли необходимы профессиональные консультации экспертов в области молочной промышленности. Поэтому мы провели несколько углубленных интервью с Лянгроном Сонгом, заместителем директора Центра производственных технологий New Hope Dairy, руководством ранчо и диетологами, чтобы понять некоторые проблемы и проблемы, стоящие перед фермой.

Сначала проводится инвентаризация резервных коров.

Молочные коровы на ранчо делятся на два типа: молочные коровы и резервные коровы. Молочные коровы являются половозрелыми и непрерывно производят молоко, а резервные коровы – это коровы, которые еще не достигли молочного возраста. Крупные и средние фермы обычно предоставляют резервным коровам большую открытую зону деятельности, чтобы создать более комфортную среду выращивания.

Однако как молочные коровы, так и резервные коровы являются активами фермы и требуют ежемесячной инвентаризации. Молочных коров доят каждый день, и, поскольку во время дойки они относительно неподвижны, отслеживать запасы легко. Однако резервные коровы находятся на открытом пространстве и свободно бродят, что затрудняет их инвентаризацию. Каждый раз, когда проводится инвентаризация, несколько рабочих неоднократно пересчитывают резервных коров из разных участков и, наконец, проверяют количество. Этот процесс занимает у нескольких рабочих один-два дня, и часто возникают проблемы с согласованием подсчетов или неуверенность в том, была ли учтена каждая корова.

Можно сэкономить значительное время, если у нас будет возможность быстро и точно инвентаризировать резервных коров.

Во-вторых, выявление хромого скота.

В настоящее время большинство молочных компаний используют породу под названием Гольштейн производить молоко. Голштинская порода — черно-белая корова, с которой большинство из нас знакомо. Несмотря на то, что большинство молочных компаний используют одну и ту же породу, между разными компаниями и ранчо все еще существуют различия в количестве и качестве производства молока. Это связано с тем, что здоровье дойных коров напрямую влияет на надои молока.

Однако коровы не могут выражать дискомфорт самостоятельно, как это могут делать люди, и для ветеринаров нецелесообразно регулярно проводить медицинский осмотр тысяч коров. Поэтому нам приходится использовать внешние показатели, чтобы быстро судить о состоянии здоровья коров.

К внешним показателям здоровья коровы относятся оценка состояния тела и степень хромоты. Оценка упитанности во многом связана с процентным содержанием жира в организме коровы и является долгосрочным индикатором, в то время как хромота является краткосрочным индикатором, вызванным проблемами с ногами или инфекциями стоп, а также другими проблемами, которые влияют на настроение коровы, ее здоровье и продуктивность молока. Кроме того, взрослые коровы голштинской породы могут весить более 500 кг, что может нанести значительный вред их ногам, если они неустойчивы. Поэтому при возникновении хромоты ветеринары должны вмешаться как можно скорее.

Согласно исследованию 2014 года, доля сильно хромых коров в Китае может достигать 31 процента. Хотя ситуация могла улучшиться со времени проведения исследования, количество ветеринаров на фермах крайне ограничено, что затрудняет регулярное наблюдение за коровами. При обнаружении хромоты ситуация зачастую бывает тяжелой, лечение занимает много времени и затруднено, и уже страдает выработка молока.

Если у нас будет способ своевременно обнаружить хромоту у коров и побудить ветеринаров вмешаться на легкой стадии хромоты, общее состояние здоровья и продуктивность коров улучшится, а производительность фермы улучшится.

Наконец, существует оптимизация затрат на корм.

В животноводстве корма являются крупнейшими переменными затратами. Чтобы обеспечить качество и наличие кормов, фермам часто приходится приобретать кормовые ингредиенты у отечественных и зарубежных поставщиков и доставлять их на заводы по производству кормов для переработки. Существует множество типов современных кормовых ингредиентов, включая соевый шрот, кукурузу, люцерну, овсяную траву и т. д., а это означает, что здесь задействовано множество переменных. Каждый тип кормового ингредиента имеет свой ценовой цикл и колебания цен. Во время значительных колебаний общая стоимость кормов может колебаться более чем на 15 процентов, оказывая значительное влияние.

Затраты на корма колеблются, но цены на молочные продукты относительно стабильны в долгосрочной перспективе. Следовательно, при неизменных условиях общая прибыль может значительно колебаться исключительно из-за изменений стоимости корма.

Чтобы избежать этих колебаний, необходимо рассмотреть возможность хранения большего количества ингредиентов, когда цены низкие. Но при поголовье также необходимо учитывать, действительно ли цена находится на уровне корыта и какое количество корма следует закупить в соответствии с текущим уровнем потребления.

Если у нас есть способ точно спрогнозировать потребление кормов и объединить его с общей тенденцией цен, чтобы предложить лучшее время и количество кормов для покупки, мы сможем сократить затраты и повысить эффективность фермы.

Очевидно, что эти вопросы напрямую связаны с целью заказчика улучшить эффективность работы фермы, и методы соответственно высвобождение рабочей силы, увеличение производства и сокращение расходов. Обсуждая сложность и ценность решения каждой проблемы, мы выбрали увеличение производства в качестве отправной точки и приоритетного решения проблемы хромых коров.

В исследовании

Прежде чем обсуждать технологию, необходимо было провести исследование. Исследование было проведено совместно командой клиентов AWS, Инновационный центр генеративного искусственного интеллекта AWS, который управлял моделями алгоритмов машинного обучения, и Табличка AWS AI в Шанхае, который предоставляет консультации по алгоритмам, последним исследованиям в области компьютерного зрения и экспертной фермерской команде New Hope Dairy. Исследование было разделено на несколько частей:

• Понимание традиционного метода идентификации хромых коров на основе бумаги и развитие базового понимания того, что такое хромые коровы.
• Подтверждение существующих решений, в том числе используемых в фермерских хозяйствах и промышленности.
• Проведение исследования окружающей среды на ферме для понимания физической ситуации и ограничений.

Изучая материалы и просматривая видеоролики, команды получили базовое представление о хромых коровах. Читатели также могут получить общее представление о позе хромых коров с помощью анимированного изображения ниже.

В отличие от относительно здоровой коровы.

Хромые коровы имеют видимые различия в осанке и походке по сравнению со здоровыми коровами.

Что касается существующих решений, то большинство ранчо полагаются на визуальный осмотр ветеринаров и диетологов для выявления хромых коров. В отрасли существуют решения, в которых для идентификации используются носимые шагомеры и акселерометры, а также решения, в которых для идентификации используются разделенные мостовые весы, но оба они относительно дороги. Для высококонкурентной молочной промышленности нам необходимо минимизировать затраты на идентификацию, а также затраты и зависимость от нестандартного оборудования.

Обсудив и проанализировав информацию с ветеринарами ранчо и диетологами, эксперты Инновационного центра AWS Generative AI решили использовать для идентификации компьютерное зрение (CV), полагаясь только на обычное оборудование: гражданские камеры наблюдения, которые не накладывают дополнительной нагрузки на коров и снизить затраты и барьеры использования.

Определившись с этим направлением, мы посетили ферму средних размеров, на территории которой содержатся тысячи коров, исследовали окружающую среду ранчо и определили место и угол установки камеры.

Первоначальное предложение

Теперь о решении. Ядро нашего решения на основе CV состоит из следующих шагов:

• Идентификация коровы: Определите несколько коров в одном кадре видео и отметьте положение каждой коровы.
• Отслеживание коров: Пока записывается видео, нам нужно постоянно отслеживать коров по мере смены кадров и присваивать каждой корове уникальный номер.
• Маркировка позы: Уменьшите размерность движений коров, преобразуя изображения коров в отмеченные точки.
• Идентификация аномалии: Выявить аномалии в динамике отмеченных точек.
• Алгоритм хромой коровы: Нормализуйте аномалии, чтобы получить балл, позволяющий определить степень хромоты коровы.
• Определение порога: Получите порог на основе экспертных данных.

По мнению экспертов Инновационного центра AWS Generative AI, первые несколько шагов представляют собой общие требования, которые можно решить с помощью моделей с открытым исходным кодом, а последние шаги требуют от нас использования математических методов и экспертного вмешательства.

Трудности в решении

Чтобы сбалансировать стоимость и производительность, мы выбрали модель yolov5l — предварительно обученную модель среднего размера для распознавания коров с входной шириной 640 пикселей, что обеспечивает хорошую ценность для этой сцены.

Хотя YOLOv5 отвечает за распознавание и маркировку коров на одном изображении, на самом деле видео состоит из нескольких изображений (кадров), которые постоянно меняются. YOLOv5 не может определить, что коровы в разных кадрах принадлежат одной и той же особи. Чтобы отслеживать и определять местонахождение коровы на нескольких изображениях, необходима другая модель под названием SORT.

СОРТИРОВКА означает простое отслеживание онлайн и в реальном времени, Где онлайн означает, что для отслеживания учитываются только текущий и предыдущий кадры, без учета других кадров, и реальном времени означает, что он может немедленно идентифицировать личность объекта.

После разработки SORT многие инженеры внедрили и оптимизировали ее, что привело к разработке OC-SORT, которая учитывает внешний вид объекта, DeepSORT (и ее обновленной версии StrongSORT), которая учитывает внешний вид человека, и ByteTrack, который использует двухэтапный компоновщик ассоциаций для учета распознавания с низкой степенью достоверности. После тестирования мы обнаружили, что для нашей сцены алгоритм отслеживания внешнего вида DeepSORT больше подходит для людей, чем для коров, а точность отслеживания ByteTrack несколько слабее. В результате мы в конечном итоге выбрали OC-SORT в качестве алгоритма отслеживания.

Далее мы используем DeepLabCut (сокращенно DLC), чтобы отметить точки скелета коров. DLC — это модель без маркеров, а это означает, что, хотя разные точки, такие как голова и конечности, могут иметь разное значение, все они просто пунктов для DLC, который требует от нас только отмечать точки и обучать модель.

Возникает новый вопрос: сколько точек нужно отметить на каждой корове и где? Ответ на этот вопрос влияет на нагрузку по маркировке, обучению и эффективности последующего вывода. Чтобы решить эту проблему, мы должны сначала понять, как распознать хромых коров.

Согласно нашим исследованиям и отзывам наших клиентов-экспертов, хромые коровы на видео демонстрируют следующие характеристики:

• Выгнутая спина: Шея и спина изогнуты, образуя треугольник с корнем шейной кости (выгнутая спина).
• Частые кивки: Каждый шаг может привести к тому, что корова потеряет равновесие или поскользнется, что приведет к частым кивание (качает головой).
• Неустойчивая походка: Походка коровы меняется через несколько шагов, с небольшими паузами (изменение рисунка походки).

Что касается искривления шеи и спины, а также кивания, эксперты из Инновационного центра AWS Generative AI установили, что маркировка только семи точек спины (одна на голове, одна у основания шеи и пять на спине) у крупного рогатого скота может привести к хорошей идентификации. Поскольку теперь у нас есть система идентификации, мы также должны быть в состоянии распознавать нестабильные модели походки.

Далее мы используем математические выражения для представления результатов идентификации и формирования алгоритмов.

Идентификация этих проблем человеком не сложна, но для компьютерной идентификации необходимы точные алгоритмы. Например, как программа узнает степень искривления спины коровы, учитывая набор точек координат спины коровы? Как он узнает, кивает ли корова?

Что касается кривизны спины, мы сначала рассматриваем спину коровы как угол, а затем находим вершину этого угла, что позволяет нам вычислить угол. Проблема этого метода заключается в том, что позвоночник может иметь двунаправленную кривизну, что затрудняет идентификацию вершины угла. Это требует перехода на другие алгоритмы для решения проблемы.

Что касается кивания, мы сначала рассмотрели возможность использования расстояния Фреше, чтобы определить, кивает ли корова, путем сравнения разницы в кривой общей позы коровы. Однако проблема в том, что точки скелета коровы могут смещаться, что приводит к значительному расстоянию между похожими кривыми. Чтобы решить эту проблему, нам нужно вынести положение головы относительно поля распознавания и нормализовать его.

После нормализации положения головы мы столкнулись с новой проблемой. На следующем изображении график слева показывает изменение положения головы коровы. Мы видим, что из-за проблем с точностью распознавания положение головы постоянно слегка трясется. Нам нужно удалить эти небольшие движения и найти тенденцию относительно большого движения головы. Здесь необходимы некоторые знания в области обработки сигналов. Используя фильтр Савицкого-Голея, мы можем сгладить сигнал и получить его общую тенденцию, что облегчает нам выявление кивка, как показано оранжевой кривой на графике справа.

Кроме того, после десятков часов распознавания видео мы обнаружили, что у некоторых коров с чрезвычайно высокой кривизной спины спина на самом деле не горбатая. Дальнейшее расследование показало, что это произошло потому, что большинство коров, использованных для обучения модели DLC, были в основном черными или черно-белыми, и было не так много коров, которые были в основном белыми или близкими к чисто белым, в результате чего модель распознавала их неправильно, когда на их телах были большие белые участки, как показано красной стрелкой на рисунке ниже. Это можно исправить путем дальнейшего обучения модели.

Помимо решения предыдущих проблем, существовали и другие общие проблемы, которые необходимо было решить:

• В видеокадре есть два пути, и коровы на расстоянии также могут быть распознаны, что вызывает проблемы.
• Дорожки в видео также имеют определенную кривизну, а длина тела коровы становится короче, когда корова находится по бокам тропы, что позволяет легко неправильно определить позу.
• Из-за перекрытия нескольких коров или перекрытия забором одна и та же корова может быть идентифицирована как две коровы.
• Из-за параметров отслеживания и случайного пропуска кадров камеры невозможно правильно отслеживать коров, что приводит к путанице в идентификаторах.

В краткосрочной перспективе, основываясь на согласии с New Hope Dairy на поставку минимально жизнеспособного продукта и последующую его работу, эти проблемы обычно можно решить с помощью алгоритмов оценки выбросов в сочетании с доверительной фильтрацией, и если их невозможно решить, они станут недействительные данные, что требует от нас дополнительного обучения и постоянного повторения наших алгоритмов и моделей.

В долгосрочной перспективе, Табличка AWS AI в Шанхае предоставил предложения по будущим экспериментам для решения предыдущих проблем на основе своих объектно-ориентированных исследований: Преодоление разрыва с реальным объектно-ориентированным обучением и Самоконтролируемая амодальная сегментация видеообъектов. Помимо признания этих выбросов недействительными, проблемы также можно решить путем разработки более точных моделей на уровне объекта для оценки позы, амодальной сегментации и контролируемого отслеживания. Однако традиционные конвейеры визуализации для этих задач обычно требуют обширной маркировки. Объектно-ориентированное обучение направлено на решение проблемы привязки пикселей к объектам без дополнительного контроля. Процесс привязки не только предоставляет информацию о местоположении объектов, но также приводит к созданию надежных и адаптируемых представлений объектов для последующих задач. Поскольку объектно-ориентированный конвейер фокусируется на настройках с самоконтролем или со слабым контролем, мы можем повысить производительность без значительного увеличения затрат на маркировку для наших клиентов.

Решив ряд задач и объединив оценки, полученные ветеринаром фермы и диетологом, мы получили комплексную оценку хромоты коров, которая помогает нам идентифицировать коров с различной степенью хромоты, например, тяжелой, средней и легкой, а также может выявить многочисленные признаки позы тела коров, что поможет в дальнейшем анализе и вынесении суждений.

За несколько недель мы разработали комплексное решение для выявления хромых коров. Аппаратная камера для этого решения стоит всего 300 юаней, а Создатель мудреца Амазонки Пакетный вывод при использовании экземпляра g4dn.xlarge занял около 50 часов для 2 часов видео, всего 300 юаней. При запуске в производство, если в неделю обнаруживаются пять партий коров (приблизительно 10 часов), включая просмотр сохраненных видео и данных, ежемесячная стоимость обнаружения для ранчо среднего размера с несколькими тысячами коров составляет менее 10,000 XNUMX юаней.

В настоящее время процесс нашей модели машинного обучения выглядит следующим образом:

1. Записывается сырое видео.
2. Коровы обнаружены и идентифицированы.
3. Каждая корова отслеживается и определяются ключевые точки.
4. Анализируется движение каждой коровы.
5. Определяют балл хромоты.

Развертывание модели

Ранее мы описывали решение для выявления хромых коров на основе машинного обучения. Теперь нам нужно развернуть эти модели в SageMaker. Как показано на следующем рисунке:

Реализация бизнеса

Конечно, то, что мы до сих пор обсуждали, является лишь основой нашего технического решения. Для интеграции всего решения в бизнес-процесс нам также необходимо решить следующие вопросы:

• Обратная связь данных: Например, мы должны предоставить ветеринарам интерфейс для фильтрации и просмотра хромых коров, которых необходимо обработать, и собирать данные в ходе этого процесса для использования в качестве обучающих данных.
• Идентификация коровы: После того, как ветеринар увидит хромую корову, ему также необходимо знать личность коровы, например, ее номер и загон.
• Расположение коровы: В загоне с сотнями коров быстро найдите нужную корову.
• Сбор данных: Например, выясните, как степень хромоты влияет на кормление, пережевывание пищи, отдых и выработку молока.
• На основе данных: Например, определить генетические, физиологические и поведенческие характеристики хромых коров для достижения оптимального размножения и воспроизводства.

Только решая эти проблемы, решение может действительно решить бизнес-проблему, а собранные данные могут принести долгосрочную пользу. Некоторые из этих проблем связаны с системной интеграцией, другие — с технологической и бизнес-интеграцией. Мы поделимся дополнительной информацией по этим вопросам в будущих статьях.

Обзор

В этой статье мы кратко объяснили, как команда AWS Customer Solutions быстро внедряет инновации в зависимости от бизнеса клиента. Этот механизм имеет несколько особенностей:

• Бизнес вели: Прежде чем обсуждать технологию, отдайте приоритет пониманию отрасли и бизнес-процессов клиента на месте и лично, а затем углубитесь в болевые точки, проблемы и проблемы клиента, чтобы определить важные проблемы, которые можно решить с помощью технологий.
• Сразу Доступно: Предоставьте простой, но полный и удобный прототип непосредственно заказчику для тестирования, проверки и быстрой итерации в течение недель, а не месяцев.
• Минимальная стоимость: Минимизируйте или даже исключите затраты клиента до того, как ценность будет действительно подтверждена, избегая опасений о будущем. Это соответствует AWS бережливость принцип лидерства.

В нашем совместном инновационном проекте с молочной промышленностью мы не только начали с точки зрения бизнеса, чтобы выявить конкретные бизнес-проблемы с бизнес-экспертами, но также провели исследования на местах на ферме и заводе вместе с клиентом. Мы определили размещение камер на объекте, установили и развернули камеры, а также развернули решение для потокового видео. Эксперты из инновационного центра AWS Generative AI проанализировали требования клиента и разработали алгоритм, который затем был разработан архитектором решения для всего алгоритма.

С каждым выводом мы могли получить тысячи разложенных и помеченных видео прогулок коров, каждое из которых имело исходный идентификатор видео, идентификатор коровы, показатель хромоты и различные подробные оценки. Полная логика вычислений и необработанные данные о походке также были сохранены для последующей оптимизации алгоритма.

Данные о хромоте могут не только использоваться ветеринарами для раннего вмешательства, но также объединяться с данными доильных машин для перекрестного анализа, обеспечивая дополнительное измерение проверки и отвечая на некоторые дополнительные бизнес-вопросы, например: Каковы физические характеристики коров с самым высоким показателем хромоты? надои молока? Как хромота влияет на надои молока у коров? Какова основная причина хромоты коров и как ее можно предотвратить? Эта информация предоставит новые идеи для сельскохозяйственной деятельности.

На этом история выявления хромых коров заканчивается, но история фермерских инноваций только начинается. В последующих статьях мы продолжим обсуждать, как мы тесно сотрудничаем с клиентами для решения других задач.

---

Об авторах

Хао Хуан — ученый-прикладник в Инновационном центре генеративного ИИ AWS. Он специализируется на компьютерном зрении (CV) и визуально-языковой модели (VLM). В последнее время он проявляет большой интерес к генеративным технологиям ИИ и уже сотрудничает с клиентами, чтобы применить эти передовые технологии в их бизнесе. Он также является обозревателем конференций по искусственному интеллекту, таких как ICCV и AAAI.

Пейян Хэ — старший специалист по данным в Инновационном центре AWS Generative AI. Она работает с клиентами из самых разных отраслей, чтобы решить их самые насущные и инновационные бизнес-потребности, используя решения GenAI/ML. В свободное время она любит кататься на лыжах и путешествовать.

Сюэфэн Лю возглавляет научную группу в Инновационном центре AWS Generative AI в Азиатско-Тихоокеанском регионе и Большом Китае. Его команда сотрудничает с клиентами AWS в проектах генеративного ИИ с целью ускорить внедрение генеративного ИИ клиентами.

Тяньцзюнь Сяо — старший научный сотрудник AWS AI Shanghai Lablet, один из руководителей разработки компьютерного зрения. В настоящее время его основное внимание сосредоточено на мультимодальных базовых моделях и объектно-ориентированном обучении. Он активно исследует их потенциал в различных приложениях, включая видеоанализ, 3D-зрение и автономное вождение.

Чжан Дай — старший архитектор решений AWS в географическом бизнес-секторе Китая. Он помогает компаниям различного размера достичь своих бизнес-целей, предоставляя консультации по бизнес-процессам, пользовательскому опыту и облачным технологиям. Он плодовитый автор блогов, а также автор двух книг: «Современный автодидакт» и «Опыт проектирования».

Цзянью Цзэн — старший менеджер по решениям для клиентов в AWS, в обязанности которого входит поддержка клиентов, таких как группа New Hope, во время перехода к облаку и помощь им в реализации преимуществ для бизнеса с помощью облачных технологических решений. Обладая сильным интересом к искусственному интеллекту, он постоянно изучает способы использования ИИ для внедрения инновационных изменений в бизнесе наших клиентов.

Кэрол Тонг Мин — старший менеджер по развитию бизнеса, отвечающий за работу с ключевыми клиентами в GCR GEO West, включая двух важных корпоративных клиентов: Jiannanchun Group и New Hope Group. Она одержима клиентами и всегда с энтузиазмом поддерживает и ускоряет переход клиентов к облаку.

Ник Цзян — старший специалист по продажам в команде AIML SSO в Китае. Он занимается передачей инновационных решений AIML и помогает клиентам создавать рабочие нагрузки, связанные с искусственным интеллектом, в AWS.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/