Hålla ett öga på din boskap med hjälp av AI-teknik | Amazon webbtjänster

At Amazon Web Services (AWS), vi brinner inte bara för att ge kunderna en mängd omfattande tekniska lösningar, utan vi är också angelägna om att på djupet förstå våra kunders affärsprocesser. Vi antar ett tredjepartsperspektiv och objektiv bedömning för att hjälpa kunder att reda ut sina värdeerbjudanden, samla in smärtpunkter, föreslå lämpliga lösningar och skapa de mest kostnadseffektiva och användbara prototyperna för att hjälpa dem att systematiskt uppnå sina affärsmål.

Denna metod kallas arbetar baklänges på AWS. Det innebär att lägga åt sidan teknik och lösningar, utgå från kundernas förväntade resultat, bekräfta deras värde och sedan härleda vad som behöver göras i omvänd ordning innan en lösning slutligen implementeras. Under implementeringsfasen följer vi även konceptet med minsta möjliga produkt och sträva efter att snabbt forma en prototyp som kan generera värde inom några veckor, och sedan iterera på den.

Låt oss idag granska en fallstudie där AWS och New Hope Dairy samarbetade för att bygga en smart gård på molnet. Från det här blogginlägget kan du få en djup förståelse för vad AWS kan ge för att bygga en smart farm och hur man bygger smart farm-applikationer i molnet med AWS-experter.

Projekt bakgrund

Mjölk är en näringsrik dryck. Med hänsyn till nationell hälsa har Kina aktivt främjat utvecklingen av mejeriindustrin. Enligt data från Euromonitor International nådde försäljningen av mejeriprodukter i Kina 638.5 miljarder RMB 2020 och förväntas nå 810 miljarder RMB 2025. Dessutom har den sammansatta årliga tillväxttakten under de senaste 14 åren också nått 10 procent, visar snabb utveckling.

Å andra sidan, från och med 2022 kommer merparten av intäkterna i den kinesiska mejeriindustrin fortfarande från flytande mjölk. Sextio procent av den obehandlade mjölken används för flytande mjölk och yoghurt, och ytterligare 20 procent är mjölkpulver - ett derivat av flytande mjölk. Endast en mycket liten mängd används till högförädlade produkter som ost och grädde.

Flytande mjölk är en lätt bearbetad produkt och dess produktion, kvalitet och kostnad är nära kopplade till obehandlad mjölk. Det betyder att om mejeriindustrin vill frigöra kapacitet för att fokusera på att producera högförädlade produkter, skapa nya produkter och bedriva mer innovativ bioteknisk forskning, måste den först förbättra och stabilisera produktionen och kvaliteten på råmjölk.

Som en ledare inom mejeribranschen har New Hope Dairy funderat på hur man kan förbättra effektiviteten i sin ranchverksamhet och öka produktionen och kvaliteten på obehandlad mjölk. New Hope Dairy hoppas kunna använda AWS:s tredjepartsperspektiv och tekniska expertis för att underlätta innovation inom mejeriindustrin. Med stöd och marknadsföring från Liutong Hu, VP och CIO för New Hope Dairy, började AWS kundteam organisera verksamheten och potentiella innovationspunkter för mjölkgårdarna.

Mjölkgårdsutmaningar

AWS är expert inom området molnteknik, men för att implementera innovation inom mejeribranschen krävs professionell rådgivning från experter på mejeriämnen. Därför genomförde vi flera djupintervjuer med Liangrong Song, biträdande direktör för produktionsteknologicentret på New Hope Dairy, ranchens ledningsgrupp och nutritionister för att förstå några av de problem och utmaningar som gården står inför.

Först är det att inventera reservkor

Mjölkkorna på ranchen är indelade i två typer: Mjölkkor och reservkor. Mjölkkor är mogna och producerar kontinuerligt mjölk, medan reservkor är kor som ännu inte uppnått mjölkproduktionsåldern. Stora och medelstora gårdar ger vanligtvis reservkor med ett större öppet aktivitetsområde för att skapa en bekvämare växtmiljö.

Men både mjölkkor och reservkor är gårdens tillgångar och måste inventeras varje månad. Mjölkkor mjölkas varje dag, och eftersom de står relativt stilla under mjölkningen är det lätt att spåra lager. Reservkor är dock på ett öppet utrymme och strövar fritt, vilket gör det obekvämt att inventera dem. Varje gång inventering görs, räknar flera arbetare reservkorna upprepade gånger från olika områden, och slutligen kontrolleras siffrorna. Denna process tar en till två dagar för flera arbetare, och ofta finns det problem med att anpassa räkningarna eller osäkerheter om huruvida varje ko har räknats.

Betydande tid kan sparas om vi har ett sätt att lagra kor snabbt och exakt.

Det andra är att identifiera halta boskap

För närvarande använder de flesta mejeriföretag en ras som heter Holstein att producera mjölk. Holsteins är de svarta och vita korna de flesta av oss känner till. Trots att de flesta mejeriföretag använder samma ras finns det fortfarande skillnader i mjölkproduktionskvantitet och kvalitet mellan olika företag och rancher. Det beror på att mjölkkors hälsa direkt påverkar mjölkproduktionen.

Kor kan dock inte uttrycka obehag på egen hand som människor kan, och det är inte praktiskt för veterinärer att ge tusentals kor fysiska undersökningar regelbundet. Därför måste vi använda externa indikatorer för att snabbt bedöma kors hälsostatus.

De externa indikatorerna på en kos hälsa inkluderar kroppskonditionspoäng och halthetsgrad. Kroppskonditionspoäng är till stor del relaterad till kons kroppsfettprocent och är en långsiktig indikator, medan hälta är en kortsiktig indikator som orsakas av benproblem eller fotinfektioner och andra problem som påverkar kons humör, hälsa och mjölkproduktion. Dessutom kan vuxna Holstein-kor väga över 500 kg, vilket kan orsaka betydande skador på deras fötter om de inte är stabila. När hälta uppstår bör därför veterinärer ingripa så snart som möjligt.

Enligt en studie från 2014 kan andelen svårt halta kor i Kina vara så hög som 31 procent. Även om situationen kan ha förbättrats sedan studien, är antalet veterinärer på gårdar extremt begränsat, vilket gör det svårt att övervaka kor regelbundet. När hälta upptäcks är situationen ofta svår, behandlingen är tidskrävande och svår och mjölkproduktionen är redan påverkad.

Om vi ​​har ett sätt att i tid upptäcka hälta hos kor och uppmana veterinärer att ingripa i det milda hältastadiet, kommer kornas allmänna hälsa och mjölkproduktion att öka, och gårdens prestanda förbättras.

Slutligen finns det foderkostnadsoptimering

Inom boskapsindustrin är foder den största rörliga kostnaden. För att säkerställa kvaliteten och lagret av foder behöver gårdar ofta köpa foderingredienser från inhemska och utländska leverantörer och leverera dem till foderberedningsfabriker för bearbetning. Det finns många typer av moderna foderingredienser, inklusive sojamjöl, majs, alfalfa, havregräs och så vidare, vilket betyder att det finns många variabler som spelar in. Varje typ av foderingrediens har sin egen priscykel och prisfluktuationer. Under betydande fluktuationer kan den totala kostnaden för foder fluktuera med mer än 15 procent, vilket orsakar en betydande påverkan.

Foderkostnaderna fluktuerar, men priserna på mejeriprodukter är relativt stabila på lång sikt. Följaktligen, under i övrigt oförändrade förhållanden, kan den totala vinsten fluktuera väsentligt enbart på grund av foderkostnadsförändringar.

För att undvika denna fluktuation är det nödvändigt att överväga att lagra fler ingredienser när priserna är låga. Men lagerhållningen måste också överväga om priset verkligen ligger i tråget och vilken mängd foder som ska köpas in enligt den aktuella konsumtionstakten.

Om vi ​​har ett sätt att exakt prognostisera foderförbrukningen och kombinera den med den övergripande prisutvecklingen för att föreslå den bästa tiden och mängden foder att köpa, kan vi minska kostnaderna och öka effektiviteten på gården.

Det är uppenbart att dessa problem är direkt relaterade till kundens mål att förbättra gårdens driftseffektivitet, och metoderna är respektive frigör arbetskraft, öka produktionen och minska kostnaderna. Genom diskussioner om svårigheten och värdet av att lösa varje fråga valde vi öka produktionen som utgångspunkt och prioriterade att lösa problemet med halta kor.

Forskning

Innan man diskuterade teknik måste forskning bedrivas. Undersökningen genomfördes gemensamt av AWS kundteam AWS Generative AI Innovation Center, som hanterade algoritmmodellerna för maskininlärning, och AWS AI Shanghai-etikett, som tillhandahåller algoritmkonsultation om den senaste forskningen om datorseende och expertteamet från New Hope Dairy. Forskningen var uppdelad i flera delar:

• Förstå den traditionella pappersbaserade identifieringsmetoden för halta kor och utveckla en grundläggande förståelse för vad halta kor är.
• Bekräfta befintliga lösningar, inklusive de som används på gårdar och i industrin.
• Genomföra gårdsmiljöforskning för att förstå den fysiska situationen och begränsningarna.

Genom att studera material och observera videor på plats fick teamen en grundläggande förståelse för halta kor. Läsare kan också få en grundläggande uppfattning om halta kors hållning genom den animerade bilden nedan.

Till skillnad från en relativt frisk ko.

Halta kor har synliga skillnader i hållning och gång jämfört med friska kor.

När det gäller befintliga lösningar är de flesta rancher beroende av visuell inspektion av veterinärer och dietister för att identifiera halta kor. Inom branschen finns lösningar som använder bärbara stegräknare och accelerometrar för identifiering, samt lösningar som använder partitionerade vågar för identifiering, men båda är relativt dyra. För den mycket konkurrensutsatta mejeriindustrin måste vi minimera identifieringskostnaderna och kostnaderna och beroendet av icke-generisk hårdvara.

Efter att ha diskuterat och analyserat informationen med ranchveterinärer och nutritionister beslutade AWS Generative AI Innovation Centers experter att använda datorseende (CV) för identifiering, och endast förlita sig på vanlig hårdvara: civila övervakningskameror, som inte lägger någon extra börda på kor och minska kostnader och användningsbarriärer.

Efter att ha bestämt oss för denna riktning besökte vi en medelstor gård med tusentals kor på plats, undersökte ranchmiljön och bestämde platsen och vinkeln för kameraplacering.

Ursprungligt förslag

Nu till lösningen. Kärnan i vår CV-baserade lösning består av följande steg:

• Ko-identifikation: Identifiera flera kor i en enda bildruta av video och markera positionen för varje ko.
• Kospårning: Medan video spelas in måste vi kontinuerligt spåra kor när ramarna ändras och tilldela ett unikt nummer till varje ko.
• Hållningsmarkering: Minska dimensionaliteten hos korörelser genom att konvertera kobilder till markerade punkter.
• Identifiering av anomali: Identifiera anomalier i de markerade punkternas dynamik.
• Lame cow-algoritm: Normalisera anomalierna för att få en poäng för att bestämma graden av kohalta.
• Bestämning av tröskelvärde: Få ett tröskelvärde baserat på expertinsatser.

Enligt bedömningen av AWS Generative AI Innovation Centers experter är de första stegen generiska krav som kan lösas med öppen källkodsmodeller, medan de senare stegen kräver att vi använder matematiska metoder och expertintervention.

Svårigheter i lösningen

För att balansera kostnad och prestanda valde vi modellen yolov5l, en medelstor förtränad modell för koigenkänning, med en ingångsbredd på 640 pixlar, vilket ger bra värde för denna scen.

Medan YOLOv5 ansvarar för att känna igen och tagga kor i en enda bild, består videor i verkligheten av flera bilder (ramar) som ändras kontinuerligt. YOLOv5 kan inte identifiera att kor i olika ramar tillhör samma individ. För att spåra och lokalisera en ko över flera bilder behövs en annan modell som heter SORT.

SORT står för enkel spårning online och i realtidDär nätet betyder att den endast betraktar nuvarande och tidigare bildrutor att spåra utan hänsyn till några andra bildrutor, och realtid innebär att det kan identifiera objektets identitet omedelbart.

Efter utvecklingen av SORT implementerade och optimerade många ingenjörer det, vilket ledde till utvecklingen av OC-SORT, som tar hänsyn till objektets utseende, DeepSORT (och dess uppgraderade version, StrongSORT), som inkluderar mänskligt utseende, och ByteTrack, som använder en associationslinker i två steg för att överväga erkännande med lågt förtroende. Efter testning fann vi att för vår scen är DeepSORTs utseendespårningsalgoritm mer lämplig för människor än för kor, och ByteTracks spårningsnoggrannhet är något svagare. Som ett resultat valde vi till slut OC-SORT som vår spårningsalgoritm.

Därefter använder vi DeepLabCut (förkortat DLC) för att markera kornas skelettpunkter. DLC är en markörlös modell, vilket betyder att även om olika punkter, såsom huvudet och lemmar, kan ha olika betydelser, är de alla bara poäng för DLC, som bara kräver att vi markerar punkterna och tränar modellen.

Detta leder till en ny fråga: hur många poäng ska vi markera på varje ko och var ska vi markera dem? Svaret på denna fråga påverkar arbetsbelastningen av märkning, utbildning och efterföljande slutledningseffektivitet. För att lösa detta problem måste vi först förstå hur man identifierar lama kor.

Baserat på vår forskning och input från våra expertkunder, uppvisar halta kor i videor följande egenskaper:

• En välvd rygg: Nacken och ryggen är böjda och bildar en triangel med roten av nackbenet (ryggbåg).
• Ofta nickar: Varje steg kan få kon att tappa balansen eller halka, vilket resulterar i frekventa nickande (huvudet guppar).
• Instabil gång: Kons gång ändras efter några steg, med små pauser (gångmönsterförändring).

När det gäller nack- och ryggkrökning samt nickning har experter från AWS Generative AI Innovation Center fastställt att märkning av endast sju bakpunkter (en på huvudet, en vid nacken och fem på ryggen) på nötkreatur kan resultera i god identifiering. Eftersom vi nu har en identifieringsram bör vi också kunna känna igen instabila gångmönster.

Därefter använder vi matematiska uttryck för att representera identifieringsresultaten och forma algoritmer.

Människans identifiering av dessa problem är inte svårt, men exakta algoritmer krävs för datoridentifiering. Till exempel, hur vet ett program graden av krökning av en kos rygg givet en uppsättning ko-ryggkoordinatpunkter? Hur vet den om en ko nickar?

När det gäller ryggkrökning överväger vi först att behandla kons rygg som en vinkel och sedan hittar vi spetsen på den vinkeln, vilket gör att vi kan beräkna vinkeln. Problemet med denna metod är att ryggraden kan ha dubbelriktad krökning, vilket gör vinkelns spets svår att identifiera. Detta kräver att man byter till andra algoritmer för att lösa problemet.

När det gäller nickning övervägde vi först att använda Fréchet-avståndet för att avgöra om kon nickar genom att jämföra skillnaden i kurvan för kons totala hållning. Problemet är dock att kons skelettpunkter kan förskjutas, vilket orsakar betydande avstånd mellan liknande kurvor. För att lösa detta problem måste vi ta ut huvudets position i förhållande till igenkänningsrutan och normalisera den.

Efter att ha normaliserat huvudets position stötte vi på ett nytt problem. På bilden som följer visar grafen till vänster förändringen i konhuvudets position. Vi kan se att på grund av problem med igenkänningsnoggrannheten kommer huvudpunktens position ständigt att skaka något. Vi måste ta bort dessa små rörelser och hitta huvudets relativt stora rörelsetrend. Det är här det behövs viss kunskap om signalbehandling. Genom att använda ett Savitzky-Golay-filter kan vi jämna ut en signal och få dess övergripande trend, vilket gör det lättare för oss att identifiera nickning, vilket visas av den orange kurvan i grafen till höger.

Dessutom, efter dussintals timmars videoigenkänning, upptäckte vi att vissa kor med extremt hög ryggböjning faktiskt inte hade krökt rygg. Ytterligare undersökningar visade att detta berodde på att de flesta kor som användes för att träna DLC-modellen mestadels var svarta eller svartvita, och det fanns inte många kor som oftast var vita eller nära rent vita, vilket resulterade i att modellen kände igen dem felaktigt när de hade stora vita områden på sina kroppar, vilket framgår av den röda pilen i bilden nedan. Detta kan korrigeras genom vidare modellutbildning.

Förutom att lösa de föregående problemen, fanns det andra generiska problem som behövde lösas:

• Det finns två vägar i videoramen, och kor på avstånd kan också kännas igen, vilket orsakar problem.
• Banorna i videon har också en viss krökning, och kons kroppslängd blir kortare när kon är på sidorna av banan, vilket gör att hållningen är lätt att identifiera felaktigt.
• På grund av överlappning av flera kor eller ocklusion från stängslet, kan samma ko identifieras som två kor.
• På grund av spårningsparametrar och enstaka bildöverhoppning av kameran är det omöjligt att spåra korna korrekt, vilket leder till problem med ID-förvirring.

På kort sikt, baserat på anpassningen till New Hope Dairy om att leverera en lägsta livskraftig produkt och sedan iterera på den, kan dessa problem vanligtvis lösas med algoritmer för avvikande bedömning i kombination med konfidensfiltrering, och om de inte kan lösas kommer de att bli ogiltiga data, vilket kräver att vi utför ytterligare utbildning och kontinuerligt itererar våra algoritmer och modeller.

I längden, AWS AI Shanghai-etikett gav framtida experimentförslag för att lösa de föregående problemen baserat på deras objektcentrerade forskning: Att överbrygga klyftan till objektcentrerad inlärning i verkliga världen och Självövervakad Amodal Video Object Segmentation. Förutom att ogiltigförklara dessa extremdata, kan problemen också lösas genom att utveckla mer exakta modeller på objektnivå för ställningsuppskattning, amodal segmentering och övervakad spårning. Men traditionella vision pipelines för dessa uppgifter kräver vanligtvis omfattande märkning. Objektcentrerad inlärning fokuserar på att ta itu med bindningsproblemet med pixlar till objekt utan ytterligare övervakning. Bindningsprocessen ger inte bara information om objektens placering utan resulterar också i robusta och anpassningsbara objektrepresentationer för nedströmsuppgifter. Eftersom den objektcentrerade pipelinen fokuserar på självövervakade eller svagt övervakade inställningar, kan vi förbättra prestandan utan att märkbart öka kostnaderna för våra kunder avsevärt.

Efter att ha löst en rad problem och kombinerat poängen från gårdsveterinären och nutritionisten har vi fått ett omfattande hältapoäng för kor, vilket hjälper oss att identifiera kor med olika grader av hälta som svår, måttlig och mild, och kan också identifiera flera kroppshållningsattribut för kor, vilket hjälper ytterligare analys och bedömning.

Inom några veckor utvecklade vi en helhetslösning för att identifiera halta kor. Hårdvarukameran för den här lösningen kostade bara 300 RMB, och Amazon SageMaker batch-inferens, när du använder g4dn.xlarge-instansen, tog cirka 50 timmar för 2 timmars video, totalt endast 300 RMB. När den går in i produktion, om fem partier av kor upptäcks per vecka (förutsatt cirka 10 timmar), och inklusive rullande sparade videor och data, är den månatliga upptäcktskostnaden för en medelstor ranch med flera tusen kor mindre än 10,000 XNUMX RMB.

För närvarande är vår process för maskininlärning enligt följande:

1. Råvideo spelas in.
2. Kor upptäcks och identifieras.
3. Varje ko spåras och nyckelpunkter upptäcks.
4. Varje kos rörelse analyseras.
5. En hältapoäng bestäms.

Modelldistribution

Vi har tidigare beskrivit lösningen för att identifiera halta kor baserat på maskininlärning. Nu måste vi distribuera dessa modeller på SageMaker. Som visas i följande figur:

Affärsimplementering

Naturligtvis är det vi har diskuterat hittills bara kärnan i vår tekniska lösning. För att integrera hela lösningen i affärsprocessen måste vi också ta itu med följande frågor:

• Datafeedback: Till exempel måste vi förse veterinärer med ett gränssnitt för att filtrera och visa halta kor som behöver bearbetas och samla in data under denna process för att använda som träningsdata.
• Ko-identifikation: Efter att en veterinär ser en halt ko måste de också känna till kons identitet, till exempel dess nummer och penna.
• Ko positionering: I en box med hundratals kor, lokalisera snabbt målkon.
• Datautvinning: Ta till exempel reda på hur graden av hälta påverkar utfodring, idisslande, vila och mjölkproduktion.
• Data driven: Identifiera till exempel de genetiska, fysiologiska och beteendemässiga egenskaperna hos halta kor för att uppnå optimal avel och reproduktion.

Endast genom att ta itu med dessa problem kan lösningen verkligen lösa affärsproblemet, och den insamlade informationen kan generera långsiktigt värde. Vissa av dessa problem är systemintegrationsfrågor, medan andra är teknik- och affärsintegrationsfrågor. Vi kommer att dela mer information om dessa frågor i framtida artiklar.

Sammanfattning

I den här artikeln förklarade vi kort hur AWS Customer Solutions-teamet snabbt innoverar baserat på kundens verksamhet. Denna mekanism har flera egenskaper:

• Affärsledd: Prioritera att förstå kundens bransch och affärsprocesser på plats och personligen innan du diskuterar teknik, och fördjupa dig sedan i kundens smärtpunkter, utmaningar och problem för att identifiera viktiga problem som kan lösas med teknik.
• Omedelbart tillgänglig: Ge en enkel men komplett och användbar prototyp direkt till kunden för testning, validering och snabb iteration inom veckor, inte månader.
• Minimikostnad: Minimera eller till och med eliminera kundens kostnader innan värdet verkligen är validerat, och undvik oro för framtiden. Detta är i linje med AWS sparsamhet ledarskapsprincipen.

I vårt samarbetsprojekt för innovation med mejeriindustrin utgick vi inte bara från affärsperspektivet för att identifiera specifika affärsproblem med affärsexperter, utan genomförde även undersökningar på plats på gården och fabriken med kunden. Vi bestämde kamerans placering på plats, installerade och distribuerade kamerorna och implementerade videoströmningslösningen. Experter från AWS Generative AI Innovation Center dissekerade kundens krav och utvecklade en algoritm, som sedan konstruerades av en lösningsarkitekt för hela algoritmen.

Med varje slutsats kunde vi erhålla tusentals nedbrutna och taggade videor om kovandring, var och en med originalvideo-ID, ko-ID, hältapoäng och olika detaljerade poäng. Den fullständiga beräkningslogiken och råa gångdata behölls också för efterföljande algoritmoptimering.

Hältadata kan inte bara användas för tidiga insatser av veterinärer, utan också kombineras med mjölkmaskindata för korsanalys, vilket ger en ytterligare valideringsdimension och svarar på några ytterligare affärsfrågor, såsom: Vilka är de fysiska egenskaperna hos kor med de högsta mjölkavkastning? Vilken effekt har hälta på mjölkproduktionen hos kor? Vad är huvudorsaken till halta kor och hur kan det förebyggas? Denna information kommer att ge nya idéer för gårdsdrift.

Historien om att identifiera halta kor slutar här, men historien om gårdsinnovation har precis börjat. I efterföljande artiklar kommer vi att fortsätta diskutera hur vi arbetar nära kunderna för att lösa andra problem.

---

Om författarna

Hao Huang är tillämpad forskare vid AWS Generative AI Innovation Center. Han är specialiserad på datorseende (CV) och Visual-Language Model (VLM). På senare tid har han utvecklat ett starkt intresse för generativ AI-teknik och har redan samarbetat med kunder för att tillämpa dessa banbrytande teknologier i sin verksamhet. Han är även recensent för AI-konferenser som ICCV och AAAI.

Peiyang He är senior dataforskare vid AWS Generative AI Innovation Center. Hon arbetar med kunder över ett brett spektrum av branscher för att lösa deras mest pressande och innovativa affärsbehov med hjälp av GenAI/ML-lösningar. På fritiden tycker hon om att åka skidor och att resa.

Xuefeng Liu leder ett vetenskapsteam vid AWS Generative AI Innovation Center i Asien och Stillahavsområdet och Greater China. Hans team samarbetar med AWS-kunder i generativa AI-projekt, med målet att påskynda kundernas adoption av generativ AI.

Tianjun Xiao är en senior tillämpad vetenskapsman vid AWS AI Shanghai Lablet, och leder arbetet med datorseende. För närvarande ligger hans primära fokus på multimodala grundmodeller och objektcentrerat lärande. Han undersöker aktivt deras potential i olika tillämpningar, inklusive videoanalys, 3D-vision och autonom körning.

Zhang Dai är en AWS senior lösningsarkitekt för China Geo Business Sector. Han hjälper företag av olika storlekar att nå sina affärsmål genom att tillhandahålla rådgivning om affärsprocesser, användarupplevelse och molnteknik. Han är en produktiv bloggskribent och även författare till två böcker: The Modern Autodidact och Designing Experience.

Jianyu Zeng är senior customer solutions manager på AWS, vars ansvar är att stödja kunder, som New Hope group, under deras molnövergång och hjälpa dem att realisera affärsvärde genom molnbaserade teknologilösningar. Med ett starkt intresse för artificiell intelligens undersöker han ständigt sätt att utnyttja AI för att driva innovativa förändringar i våra kunders verksamheter.

Carol Tong Min är en senior affärsutvecklingschef, ansvarig för Key Accounts i GCR GEO West, inklusive två viktiga företagskunder: Jiannanchun Group och New Hope Group. Hon är kundbesatt och brinner alltid för att stödja och påskynda kundernas molnresa.

Nick Jiang är en senior specialist försäljning på AIML SSO team i Kina. Han fokuserar på att överföra innovativa AIML-lösningar och hjälpa kunder att bygga upp AI-relaterade arbetsbelastningar inom AWS.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/