Pazite na svoje govedo s tehnologijo umetne inteligence | Spletne storitve Amazon

At Amazonske spletne storitve (AWS), ne samo, da smo navdušeni nad zagotavljanjem različnih celovitih tehničnih rešitev strankam, ampak tudi želimo globoko razumeti poslovne procese naših strank. Sprejemamo perspektivo tretje osebe in objektivno presojo, da strankam pomagamo razvrstiti njihove predloge vrednosti, zbrati točke bolečine, predlagati ustrezne rešitve in ustvariti najbolj stroškovno učinkovite in uporabne prototipe, ki jim pomagajo pri sistematičnem doseganju njihovih poslovnih ciljev.

Ta metoda se imenuje delati nazaj pri AWS. To pomeni odložiti tehnologijo in rešitve, začeti s pričakovanimi rezultati strank, potrditi njihovo vrednost in nato sklepati, kaj je treba storiti v obratnem vrstnem redu, preden končno implementiramo rešitev. V fazi izvedbe sledimo tudi konceptu minimalni donosni izdelek in si prizadevati za hitro oblikovanje prototipa, ki lahko ustvari vrednost v nekaj tednih, in ga nato ponoviti.

Danes si oglejmo študijo primera, kjer sta AWS in New Hope Dairy sodelovala pri izgradnji pametne kmetije v oblaku. Iz te objave v spletnem dnevniku lahko poglobljeno razumete, kaj lahko AWS ponudi za izgradnjo pametne kmetije in kako zgraditi aplikacije pametne kmetije v oblaku s strokovnjaki AWS.

Ozadje projekta

Mleko je hranljiva pijača. Glede na nacionalno zdravje Kitajska dejavno spodbuja razvoj mlečne industrije. Po podatkih Euromonitor International je prodaja mlečnih izdelkov na Kitajskem leta 638.5 dosegla 2020 milijarde RMB, leta 810 pa naj bi dosegla 2025 milijard RMB. Poleg tega je skupna letna stopnja rasti v zadnjih 14 letih prav tako dosegla 10 odstotkov, kaže hiter razvoj.

Po drugi strani pa od leta 2022 večina prihodkov v kitajski mlečni industriji še vedno prihaja iz tekočega mleka. Šestdeset odstotkov surovega mleka se uporabi za tekoče mleko in jogurt, nadaljnjih 20 odstotkov pa je mleko v prahu – derivat tekočega mleka. Le zelo majhna količina se uporablja za visoko predelane izdelke, kot sta sir in smetana.

Tekoče mleko je rahlo predelan izdelek, njegova proizvodnja, kakovost in stroški pa so tesno povezani s surovim mlekom. To pomeni, da mora mlečna industrija, če želi sprostiti zmogljivosti za osredotočanje na proizvodnjo visoko predelanih izdelkov, ustvarjanje novih izdelkov in izvajanje bolj inovativnih biotehnoloških raziskav, najprej izboljšati in stabilizirati proizvodnjo in kakovost surovega mleka.

Kot vodilni v mlečni industriji je New Hope Dairy razmišljal o tem, kako izboljšati učinkovitost svojih rančev ter povečati proizvodnjo in kakovost surovega mleka. New Hope Dairy upa, da bo uporabil perspektivo tretjih oseb in tehnološko strokovno znanje AWS za olajšanje inovacij v mlečni industriji. S podporo in promocijo Liutong Huja, podpredsednika in direktorja informatike podjetja New Hope Dairy, je skupina strank AWS začela organizirati operacije in potencialne inovacijske točke za mlečne kmetije.

Izzivi mlečnih kmetij

AWS je strokovnjak na področju tehnologije v oblaku, vendar je za uvedbo inovacije v mlečni industriji potrebno strokovno svetovanje strokovnjakov s področja mlekarstva. Zato smo izvedli več poglobljenih intervjujev z Liangrongom Songom, namestnikom direktorja proizvodno-tehnološkega centra New Hope Dairy, vodstveno ekipo ranča in strokovnjaki za prehrano, da bi razumeli nekatere težave in izzive, s katerimi se sooča kmetija.

Najprej je popis rezervnih krav

Krave molznice na ranču delimo na dve vrsti: krave molznice in rezervne krave. Krave molznice so zrele in nenehno dajejo mleko, rezervne krave pa so krave, ki še niso dopolnile starosti za proizvodnjo mleka. Velike in srednje velike kmetije običajno zagotovijo rezervnim kravam večjo odprto površino za dejavnosti, da ustvarijo udobnejše rastno okolje.

Vendar so tako krave molznice kot rezervne krave sredstva kmetije in jih je treba mesečno popisovati. Krave molznice molzejo vsak dan in ker so med molžo razmeroma mirne, je sledenje zalogam enostavno. Rezervne krave pa so na prostem in se prosto sprehajajo, zato jih je popisovanje neprijetno. Ob vsakem popisu več delavcev večkrat prešteje rezervne krave iz različnih območij, na koncu pa se preveri število. Ta postopek traja en do dva dneva za več delavcev in pogosto prihaja do težav z usklajevanjem štetja ali negotovosti glede tega, ali je bila posamezna krava prešteta.

Prihranimo lahko precej časa, če imamo način za hitro in natančno popisovanje krav.

Drugo je prepoznavanje hromega goveda

Trenutno večina mlečnih podjetij uporablja pasmo z imenom Holstein proizvajati mleko. Holsteini so črno-bele krave, ki jih večina od nas pozna. Kljub temu, da večina mlečnih podjetij uporablja isto pasmo, še vedno obstajajo razlike v količini in kakovosti mleka med različnimi podjetji in farmami. To je zato, ker zdravje krav molznic neposredno vpliva na proizvodnjo mleka.

Vendar pa krave same ne morejo izraziti nelagodja kot ljudje, zato ni praktično, da bi veterinarji redno pregledovali na tisoče krav. Zato moramo po zunanjih indikatorjih hitro oceniti zdravstveno stanje krav.

Zunanji kazalniki zdravja krave vključujejo rezultat telesnega stanja in stopnja hromosti. Ocena telesne kondicije je v veliki meri povezana z odstotkom telesne maščobe krave in je dolgoročni pokazatelj, medtem ko je šepavost kratkoročni pokazatelj, ki ga povzročajo težave z nogami ali okužbe stopal in druge težave, ki vplivajo na razpoloženje, zdravje in proizvodnjo mleka krave. Poleg tega lahko odrasle krave Holstein tehtajo več kot 500 kg, kar lahko povzroči znatno škodo njihovim stopalom, če niso stabilne. Zato morajo ob pojavu šepanja veterinarji posredovati čim prej.

Glede na študijo iz leta 2014 lahko delež močno šepavih krav na Kitajskem doseže 31 odstotkov. Čeprav bi se stanje od študije morda izboljšalo, je število veterinarjev na kmetijah izjemno omejeno, zaradi česar je težko redno spremljati krave. Ob odkritju šepanja je stanje pogosto hudo, zdravljenje dolgotrajno in težavno, proizvodnja mleka pa je že prizadeta.

Če imamo način, kako pravočasno odkriti šepavost pri kravah in veterinarje spodbuditi k posredovanju v fazi blage šepavosti, se bo splošno zdravje in proizvodnja mleka izboljšala, učinkovitost kmetije pa se bo izboljšala.

Na koncu je tu še optimizacija stroškov krme

V živinorejski industriji je krma največji variabilni strošek. Da bi zagotovili kakovost in zalogo krme, morajo kmetije pogosto kupiti krmne sestavine od domačih in čezmorskih dobaviteljev in jih dostaviti v tovarne za pripravo krme za predelavo. Obstaja veliko vrst sodobnih sestavin krme, vključno s sojino moko, koruzo, lucerno, ovseno travo in tako naprej, kar pomeni, da je v igri veliko spremenljivk. Vsaka vrsta krmne sestavine ima svoj cenovni cikel in nihanje cen. Med znatnimi nihanji lahko skupni stroški krme nihajo za več kot 15 odstotkov, kar povzroči znaten vpliv.

Stroški krme nihajo, vendar so cene mlečnih izdelkov dolgoročno relativno stabilne. Posledično lahko pod sicer nespremenjenimi pogoji skupni dobiček precej niha zgolj zaradi sprememb stroškov krme.

Da bi se izognili tem nihanjem, je treba razmisliti o shranjevanju več sestavin, ko so cene nizke. Toda pri naselbitvi je treba upoštevati tudi, ali je cena res na najnižji ravni in kakšno količino krme je treba kupiti glede na trenutno stopnjo porabe.

Če imamo način za natančno napoved porabe krme in jo združimo s splošnim cenovnim trendom, da predlagamo najboljši čas in količino krme za nakup, lahko zmanjšamo stroške in povečamo učinkovitost na kmetiji.

Očitno je, da so te težave neposredno povezane s strankinim ciljem izboljšanja operativna učinkovitost kmetije, metode pa so oz sprostitev delovne sile, povečanje proizvodnje in zmanjšanje stroškov. Skozi razprave o težavnosti in vrednosti reševanja posameznega vprašanja smo izbrali povečanje proizvodnje kot izhodišče in prioritetno reševanje problematike šepavih krav.

raziskave

Pred razpravo o tehnologiji je bilo treba izvesti raziskavo. Raziskavo je skupaj izvedla ekipa strank AWS, the AWS Generative AI Innovation Center, ki je upravljal modele algoritmov strojnega učenja, in Prenosni računalnik AWS AI Shanghai, ki nudi svetovanje glede algoritmov o najnovejših raziskavah računalniškega vida in strokovne kmetijske ekipe iz New Hope Dairy. Raziskava je bila razdeljena na več delov:

• Razumevanje tradicionalne papirnate metode identifikacije šepavih krav in razvoj osnovnega razumevanja, kaj so šepave krave.
• Potrditev obstoječih rešitev, vključno s tistimi, ki se uporabljajo na kmetijah in v industriji.
• Izvajanje raziskav okolja na kmetiji za razumevanje fizične situacije in omejitev.

S preučevanjem gradiva in opazovanjem videoposnetkov na kraju samem so ekipe pridobile osnovno razumevanje hromih krav. Bralci lahko dobijo tudi osnovno predstavo o drži šepavih krav prek spodnje animirane slike.

V nasprotju z relativno zdravo kravo.

Hrome krave imajo vidne razlike v drži in hoji v primerjavi z zdravimi kravami.

Kar zadeva obstoječe rešitve, se večina rančev za prepoznavanje šepavih krav zanaša na vizualni pregled veterinarjev in strokovnjakov za prehrano. V industriji obstajajo rešitve, ki za identifikacijo uporabljajo nosljive pedometre in merilnike pospeška, pa tudi rešitve, ki za identifikacijo uporabljajo pregrajene mostne tehtnice, vendar sta obe relativno dragi. Za zelo konkurenčno mlečno industrijo moramo čim bolj zmanjšati stroške identifikacije ter stroške in odvisnost od negenerične strojne opreme.

Po razpravi in ​​analizi informacij z veterinarji in strokovnjaki za prehrano so se strokovnjaki AWS Generative AI Innovation Center odločili za identifikacijo uporabiti računalniški vid (CV), pri čemer so se zanašali le na običajno strojno opremo: civilne nadzorne kamere, ki ne predstavljajo dodatnega bremena za krav ter zmanjša stroške in ovire pri uporabi.

Ko smo se odločili za to smer, smo obiskali srednje veliko farmo s tisoči krav na lokaciji, raziskali okolje ranča ter določili lokacijo in kot postavitve kamere.

Začetni predlog

Zdaj pa rešitev. Jedro naše rešitve, ki temelji na življenjepisu, je sestavljeno iz naslednjih korakov:

• Identifikacija krave: Prepoznajte več krav v enem kadru videoposnetka in označite položaj vsake krave.
• Sledenje kravam: Med snemanjem videa moramo nenehno slediti kravam, ko se okvirji spreminjajo, in vsaki kravi dodeliti edinstveno številko.
• Označevanje drže: Zmanjšajte dimenzionalnost gibanja krave s pretvorbo slik krave v označene točke.
• Identifikacija anomalije: Ugotovite anomalije v dinamiki označenih točk.
• Algoritem hrome krave: Normalizirajte anomalije, da dobite oceno za določitev stopnje šepanja krav.
• Določitev praga: Pridobite prag na podlagi strokovnih vložkov.

Po presoji strokovnjakov AWS Generative AI Innovation Center je prvih nekaj korakov generičnih zahtev, ki jih je mogoče rešiti z odprtokodnimi modeli, zadnji koraki pa od nas zahtevajo uporabo matematičnih metod in posredovanje strokovnjakov.

Težave pri rešitvi

Da bi uravnotežili stroške in zmogljivost, smo izbrali model yolov5l, srednje velik vnaprej usposobljen model za prepoznavanje krav, z vhodno širino 640 slikovnih pik, ki zagotavlja dobro vrednost za to sceno.

Medtem ko je YOLOv5 odgovoren za prepoznavanje in označevanje krav na eni sliki, so videoposnetki v resnici sestavljeni iz več slik (okvirjev), ki se nenehno spreminjajo. YOLOv5 ne more prepoznati, da krave v različnih okvirih pripadajo istemu posamezniku. Za sledenje in lociranje krave na več slikah je potreben drug model, imenovan SORT.

SORT pomeni preprosto spletno sledenje in sledenje v realnem času, Kjer na spletu pomeni, da upošteva le trenutne in prejšnje okvirje za sledenje, ne da bi upošteval druge okvire in realtime pomeni, da lahko takoj identificira identiteto predmeta.

Po razvoju SORT-a so ga številni inženirji implementirali in optimizirali, kar je vodilo do razvoja OC-SORT-a, ki upošteva videz predmeta, DeepSORT-a (in njegove nadgrajene različice StrongSORT), ki vključuje človeški videz, in ByteTrack-a, ki uporablja dvostopenjski asociacijski povezovalec za upoštevanje prepoznavanja z nizko stopnjo zaupanja. Po testiranju smo ugotovili, da je za našo sceno algoritem sledenja videzu DeepSORT bolj primeren za ljudi kot za krave, natančnost sledenja ByteTrack pa je nekoliko šibkejša. Posledično smo kot algoritem za sledenje na koncu izbrali OC-SORT.

Nato uporabimo DeepLabCut (na kratko DLC), da označimo skeletne točke krav. DLC je model brez markerjev, kar pomeni, da čeprav imajo lahko različne točke, kot so glava in okončine, različne pomene, so vse samo točke za DLC, ki zahteva le, da označimo točke in usposobimo model.

To vodi do novega vprašanja: koliko točk naj označimo na vsaki kravi in ​​kje jih označimo? Odgovor na to vprašanje vpliva na delovno obremenitev označevanja, usposabljanja in kasnejše učinkovitosti sklepanja. Da bi rešili ta problem, moramo najprej razumeti, kako prepoznati hrome krave.

Na podlagi naših raziskav in prispevkov naših strokovnih strank imajo hrome krave v videoposnetkih naslednje značilnosti:

• Usločen hrbet: Vrat in hrbet sta ukrivljena in s korenom vratne kosti tvorita trikotnik (usločen hrbet).
• Pogosto kimanje: Vsak korak lahko povzroči, da krava izgubi ravnotežje ali zdrsne, kar povzroči pogoste prikimavanje (kimaje z glavo).
• Nestabilna hoja: Hoja krave se po nekaj korakih spremeni, z rahlimi premori (sprememba vzorca hoje).

Kar zadeva ukrivljenost vratu in hrbta ter kimanje, so strokovnjaki iz AWS Generative AI Innovation Center ugotovili, da je pri govedu mogoče označiti le sedem hrbtnih točk (eno na glavi, eno na dnu vratu in pet na hrbtu). rezultat dobre identifikacije. Ker imamo zdaj identifikacijski okvir, bi morali biti sposobni prepoznati tudi nestabilne vzorce hoje.

Nato uporabimo matematične izraze za predstavitev rezultatov identifikacije in oblikovanje algoritmov.

Človeško prepoznavanje teh težav ni težko, vendar so za računalniško prepoznavanje potrebni natančni algoritmi. Na primer, kako program pozna stopnjo ukrivljenosti kravjega hrbta glede na nabor koordinatnih točk kravjega hrbta? Kako ve, če krava kima?

Kar zadeva ukrivljenost hrbta, najprej obravnavamo kravji hrbet kot kot, nato pa poiščemo vrh tega kota, kar nam omogoča izračun kota. Težava pri tej metodi je, da ima lahko hrbtenica dvosmerno ukrivljenost, zaradi česar je težko prepoznati vrh kota. To zahteva prehod na druge algoritme za rešitev težave.

Kar zadeva kimanje, smo najprej razmislili o uporabi Fréchetove razdalje, da bi ugotovili, ali krava kima, s primerjavo razlike v krivulji splošne drže krave. Vendar pa je težava v tem, da so lahko skeletne točke krave premaknjene, kar povzroči znatno razdaljo med podobnimi krivuljami. Da bi rešili ta problem, moramo odstraniti položaj glave glede na polje za prepoznavanje in ga normalizirati.

Po normalizaciji položaja glave smo naleteli na novo težavo. Na sliki, ki sledi, graf na levi prikazuje spremembo položaja kravje glave. Vidimo lahko, da se bo zaradi težav z natančnostjo prepoznavanja položaj točke glave nenehno rahlo tresel. Odstraniti moramo te majhne premike in najti razmeroma velik trend gibanja glave. Tukaj je potrebno nekaj znanja o obdelavi signalov. Z uporabo Savitzky-Golayevega filtra lahko zgladimo signal in pridobimo njegov splošni trend, kar nam olajša prepoznavanje prikimavanja, kot prikazuje oranžna krivulja na grafu na desni.

Poleg tega smo po več desetih urah video prepoznavanja ugotovili, da nekatere krave z izjemno visoko ukrivljenostjo hrbta dejansko niso imele zgrbljenega hrbta. Nadaljnja preiskava je pokazala, da je bilo to zato, ker je bila večina krav, uporabljenih za treniranje modela DLC, večinoma črnih ali črno-belih, in ni bilo veliko krav, ki so bile večinoma bele ali skoraj čisto bele, zaradi česar jih je model nepravilno prepoznal, ko na telesu so imeli velike bele površine, kot prikazuje rdeča puščica na spodnji sliki. To je mogoče popraviti z nadaljnjim usposabljanjem modela.

Poleg reševanja prejšnjih težav je bilo treba rešiti še druge splošne težave:

• V videu sta dve poti, v daljavi pa se lahko prepoznajo tudi krave, ki povzročajo težave.
• Poti v videu imajo tudi določeno ukrivljenost, dolžina kravjega telesa pa se skrajša, ko je krava ob straneh poti, zaradi česar je držo zlahka napačno prepoznati.
• Zaradi prekrivanja več krav ali okluzije iz ograje je lahko ista krava identificirana kot dve kravi.
• Zaradi parametrov sledenja in občasnega preskakovanja slike kamere je nemogoče pravilno slediti kravam, kar povzroča težave z zmedo ID-ja.

Kratkoročno, na podlagi usklajevanja z New Hope Dairy glede zagotavljanja minimalno uspešnega proizvoda in njegovega ponavljanja, je te težave običajno mogoče rešiti z algoritmi presoje izstopajočih dejavnikov v kombinaciji s filtriranjem zaupanja, in če jih ni mogoče rešiti, bodo postali neveljavnih podatkov, kar od nas zahteva dodatno usposabljanje in nenehno ponavljanje naših algoritmov in modelov.

Na dolgi rok, Prenosni računalnik AWS AI Shanghai podali predloge za prihodnje eksperimente za rešitev prejšnjih problemov na podlagi svojih objektno osredotočenih raziskav: Premostitev vrzeli do realnega, objektno osredotočenega učenja in Samonadzorovana Amodalna segmentacija video objektov. Poleg razveljavitve teh izstopajočih podatkov je mogoče težave odpraviti tudi z razvojem natančnejših modelov na ravni objekta za oceno položaja, amodalno segmentacijo in nadzorovano sledenje. Vendar tradicionalni vidni cevovodi za te naloge običajno zahtevajo obsežno označevanje. Objektno osredotočeno učenje se osredotoča na reševanje problema vezave slikovnih pik na objekte brez dodatnega nadzora. Postopek vezave ne zagotavlja le informacij o lokaciji objektov, ampak ima za posledico tudi robustne in prilagodljive predstavitve objektov za nadaljnja opravila. Ker se cevovod, osredotočen na objekte, osredotoča na samonadzorovane ali šibko nadzorovane nastavitve, lahko izboljšamo zmogljivost, ne da bi bistveno povečali stroške označevanja za naše stranke.

Po rešitvi vrste problemov in združevanju rezultatov, ki sta jih dala veterinar na farmi in nutricionist, smo dobili celovito oceno šepavosti za krave, ki nam pomaga identificirati krave z različnimi stopnjami šepanja, kot so huda, zmerna in blaga, in lahko tudi identificira več atributov telesne drže krav, kar pomaga pri nadaljnji analizi in presoji.

V nekaj tednih smo razvili celovito rešitev za prepoznavanje šepavih krav. Strojna kamera za to rešitev stane samo 300 RMB, in Amazon SageMaker paketno sklepanje je pri uporabi primerka g4dn.xlarge trajalo približno 50 ur za 2 uri videa, kar je skupaj znašalo le 300 RMB. Ko vstopi v proizvodnjo, če je zaznanih pet serij krav na teden (približno 10 ur) in vključno s tekočimi shranjenimi videoposnetki in podatki, so mesečni stroški odkrivanja za srednje velik ranč z več tisoč kravami nižji od 10,000 RMB.

Trenutno je naš proces modela strojnega učenja naslednji:

1. Posname se neobdelani video.
2. Krave so odkrite in identificirane.
3. Vsako kravo spremljamo in zaznamo ključne točke.
4. Vsako gibanje krave se analizira.
5. Določi se ocena šepavosti.

Uvajanje modela

Rešitev za prepoznavanje šepavih krav, ki temelji na strojnem učenju, smo opisali že prej. Zdaj moramo te modele namestiti na SageMaker. Kot je prikazano na naslednji sliki:

Poslovna izvedba

Seveda je to, o čemer smo razpravljali doslej, samo jedro naše tehnične rešitve. Za integracijo celotne rešitve v poslovni proces moramo obravnavati tudi naslednja vprašanja:

• Povratne informacije o podatkih: Veterinarjem moramo na primer zagotoviti vmesnik za filtriranje in ogled šepavih krav, ki jih je treba obdelati, in med tem postopkom zbirati podatke, ki jih bodo uporabili kot podatke za usposabljanje.
• Identifikacija krave: Potem ko veterinar vidi šepavo kravo, mora vedeti tudi identiteto krave, na primer njeno številko in oboro.
• Položaj krave: V ogradi s stotinami krav hitro poiščite ciljno kravo.
• Pridobivanje podatkov: Ugotovite na primer, kako stopnja šepanja vpliva na hranjenje, prežvekovanje, počitek in proizvodnjo mleka.
• Na podlagi podatkov: Na primer, določite genetske, fiziološke in vedenjske značilnosti hromih krav, da dosežete optimalno vzrejo in razmnoževanje.

Samo z obravnavo teh vprašanj lahko rešitev resnično reši poslovni problem, zbrani podatki pa lahko ustvarijo dolgoročno vrednost. Nekatere od teh težav so težave s sistemsko integracijo, druge pa so težave s tehnologijo in poslovno integracijo. Dodatne informacije o teh težavah bomo delili v prihodnjih člankih.

Povzetek

V tem članku smo na kratko razložili, kako ekipa AWS Customer Solutions hitro inovira na podlagi poslovanja stranke. Ta mehanizem ima več značilnosti:

• Vodenje poslovanja: Pred razpravo o tehnologiji dajte prednost razumevanju strankine industrije in poslovnih procesov na lokaciji in osebno, nato pa se poglobite v strankine boleče točke, izzive in težave, da prepoznate pomembna vprašanja, ki jih je mogoče rešiti s tehnologijo.
• Takoj vseljivo: Zagotovite preprost, a popoln in uporaben prototip neposredno stranki za testiranje, validacijo in hitro ponovitev v tednih, ne mesecih.
• Minimalni stroški: Zmanjšajte ali celo odpravite kupčeve stroške, preden je vrednost resnično potrjena, in se izognite skrbi glede prihodnosti. To je usklajeno z AWS varčnost princip vodenja.

V našem skupnem inovacijskem projektu z mlečno industrijo nismo začeli le s poslovnega vidika, da bi s poslovnimi strokovnjaki identificirali specifične poslovne težave, ampak smo skupaj s stranko izvedli tudi preiskave na kraju samem na kmetiji in v tovarni. Na lokaciji smo določili postavitev kamer, namestili in postavili kamere ter uvedli rešitev za pretakanje videa. Strokovnjaki iz AWS Generative AI Innovation Center so secirali zahteve naročnika in razvili algoritem, ki ga je nato zasnoval arhitekt rešitve za celoten algoritem.

Z vsakim sklepanjem bi lahko pridobili na tisoče razčlenjenih in označenih videoposnetkov hoje krav, vsak z izvirnim ID-jem videoposnetka, ID-jem krave, rezultatom šepavosti in različnimi podrobnimi rezultati. Celotna računska logika in neobdelani podatki o hoji so bili prav tako ohranjeni za kasnejšo optimizacijo algoritma.

Veterinarji podatkov o šepavosti ne morejo uporabiti samo za zgodnje posredovanje, temveč jih lahko kombinirajo s podatki iz molznega stroja za navzkrižno analizo, kar zagotavlja dodatno validacijsko dimenzijo in odgovore na nekatera dodatna poslovna vprašanja, kot so: kakšne so fizične lastnosti krav z najvišjo mlečnost? Kakšen je učinek šepanja na proizvodnjo mleka pri kravah? Kaj je glavni vzrok šepavih krav in kako to preprečiti? Te informacije bodo zagotovile nove ideje za delovanje kmetije.

Zgodba o prepoznavanju hromih krav se tukaj konča, zgodba o inovacijah na kmetiji pa se šele začne. V naslednjih člankih bomo še naprej razpravljali o tem, kako tesno sodelujemo s strankami pri reševanju drugih težav.

---

O avtorjih

Hao Huang je uporabni znanstvenik v AWS Generative AI Innovation Center. Specializiran je za računalniški vid (CV) in vizualno-jezikovni model (VLM). Nedavno se je močno zanimal za generativne tehnologije umetne inteligence in je že sodeloval s strankami pri uporabi teh vrhunskih tehnologij v njihovem poslovanju. Je tudi ocenjevalec konferenc AI, kot sta ICCV in AAAI.

Peiyang He je višji podatkovni znanstvenik v AWS Generative AI Innovation Center. Sodeluje s strankami v različnih panogah, da reši njihove najbolj pereče in inovativne poslovne potrebe z uporabo rešitev GenAI/ML. V prostem času rada smuča in potuje.

Xuefeng Liu vodi znanstveno skupino v AWS Generative AI Innovation Center v azijsko-pacifiški regiji in širši Kitajski. Njegova ekipa sodeluje s strankami AWS pri projektih generativne umetne inteligence, s ciljem pospešiti sprejemanje generativne umetne inteligence pri strankah.

Tianjun Xiao je višji uporabni znanstvenik pri AWS AI Shanghai Lablet, ki sovodi prizadevanja za računalniški vid. Trenutno je njegov primarni poudarek na področju multimodalnih temeljnih modelov in objektno osredotočenega učenja. Aktivno raziskuje njihov potencial v različnih aplikacijah, vključno z video analizo, 3D vizijo in avtonomno vožnjo.

Zhang Dai je višji arhitekt rešitve AWS za poslovni sektor China Geo. Podjetjem različnih velikosti pomaga pri doseganju poslovnih ciljev s svetovanjem o poslovnih procesih, uporabniški izkušnji in tehnologiji v oblaku. Je plodovit pisec blogov in tudi avtor dveh knjig: The Modern Autodidact in Designing Experience.

Jianyu Zeng je višji vodja rešitev za stranke pri AWS, katerega odgovornost je podpirati stranke, kot je skupina New Hope, med njihovim prehodom v oblak in jim pomagati pri uresničevanju poslovne vrednosti s tehnološkimi rešitvami v oblaku. Z velikim zanimanjem za umetno inteligenco nenehno raziskuje načine, kako izkoristiti AI za spodbujanje inovativnih sprememb v podjetjih naših strank.

Carol Tong min je višji vodja poslovnega razvoja, odgovoren za ključne kupce v GCR GEO West, vključno z dvema pomembnima poslovnima strankama: Jiannanchun Group in New Hope Group. Je obsedena s strankami in vedno navdušena nad podporo in pospeševanjem strankinega potovanja v oblak.

Nick Jiang je višji specialist za prodajo v skupini AIML SSO na Kitajskem. Osredotočen je na prenos inovativnih rešitev AIML in pomoč strankam pri izgradnji delovnih obremenitev, povezanih z umetno inteligenco, znotraj AWS.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/