Yapay zeka teknolojisini kullanarak sığırlarınıza göz kulak olun | Amazon Web Hizmetleri

At Amazon Web Services (AWS), müşterilerimize yalnızca çeşitli kapsamlı teknik çözümler sunma konusunda tutkulu değiliz, aynı zamanda müşterilerimizin iş süreçlerini derinlemesine anlamaya da istekliyiz. Müşterilerin değer önerilerini sıralamalarına, sorunlu noktalarını toplamalarına, uygun çözümler önermelerine ve iş hedeflerine sistematik olarak ulaşmalarına yardımcı olmak için en uygun maliyetli ve kullanışlı prototipleri oluşturmalarına yardımcı olmak için üçüncü taraf bakış açısını ve objektif yargıyı benimsiyoruz.

Bu yöntem denir geriye doğru çalışmak AWS'de. Bu, müşterilerden beklenen sonuçlardan yola çıkarak teknolojiyi ve çözümleri bir kenara bırakmak, değerlerini doğrulamak ve ardından bir çözümü uygulamaya koymadan önce yapılması gerekenleri tersten çıkarmak anlamına gelir. Uygulama aşamasında da konsepti takip ediyoruz. Minimum olarak uygulanabilir bir ürün ve birkaç hafta içinde değer yaratabilecek bir prototipi hızlı bir şekilde oluşturmaya çalışın ve ardından onu yineleyin.

Bugün, AWS ve New Hope Dairy'nin bulutta akıllı bir çiftlik oluşturmak için iş birliği yaptığı bir örnek olay incelemesini inceleyelim. Bu blog yazısından, AWS'nin akıllı bir çiftlik oluşturmak için neler sağlayabileceğini ve AWS uzmanlarıyla bulutta akıllı çiftlik uygulamalarının nasıl oluşturulacağını derinlemesine anlayabilirsiniz.

Proje geçmişi

Süt besleyici bir içecektir. Çin, ulusal sağlığı göz önünde bulundurarak süt endüstrisinin gelişimini aktif olarak desteklemektedir. Euromonitor International verilerine göre Çin'de süt ürünleri satışı 638.5'de 2020 milyar RMB'ye ulaştı ve 810'te 2025 milyar RMB'ye ulaşması bekleniyor. Ayrıca son 14 yıldaki bileşik yıllık büyüme oranının da yüzde 10'a ulaştığı, hızlı bir gelişme gösteriyor.

Öte yandan 2022 yılı itibarıyla Çin süt endüstrisindeki gelirin büyük kısmı hâlâ sıvı sütten geliyor. Çiğ sütün yüzde 20'ı sıvı süt ve yoğurtta kullanılıyor, yüzde XNUMX'si ise sıvı sütün bir türevi olan süt tozudur. Peynir ve krema gibi yüksek oranda işlenmiş ürünlerde yalnızca çok küçük bir miktar kullanılır.

Sıvı süt hafif işlenmiş bir üründür ve çıktısı, kalitesi ve maliyeti çiğ sütle yakından ilişkilidir. Bu, eğer süt endüstrisi, yüksek oranda işlenmiş ürünler üretmeye odaklanmak, yeni ürünler yaratmak ve daha yenilikçi biyoteknoloji araştırmaları yürütmek için kapasiteyi serbest bırakmak istiyorsa, öncelikle çiğ sütün üretimini ve kalitesini iyileştirip istikrara kavuşturması gerektiği anlamına gelir.

Süt endüstrisi lideri olarak New Hope Dairy, çiftlik operasyonlarının verimliliğini nasıl artıracağını ve çiğ sütün üretimini ve kalitesini nasıl artıracağını düşünüyor. New Hope Dairy, süt endüstrisinde inovasyonu kolaylaştırmak için AWS'nin üçüncü taraf bakış açısını ve teknolojik uzmanlığını kullanmayı umuyor. New Hope Dairy Başkan Yardımcısı ve CIO'su Liutong Hu'nun desteği ve tanıtımıyla AWS müşteri ekibi, süt çiftlikleri için operasyonları ve potansiyel inovasyon noktalarını organize etmeye başladı.

Süt çiftliğindeki zorluklar

AWS, bulut teknolojisi alanında uzmandır ancak süt ürünleri sektöründe yeniliği uygulamak için süt ürünleri konusunda uzmanlardan profesyonel tavsiyeler alınması gerekir. Bu nedenle, çiftliğin karşı karşıya olduğu bazı sorunları ve zorlukları anlamak için New Hope Dairy Üretim Teknolojisi Merkezi Direktör Yardımcısı Liangrong Song, çiftlik yönetim ekibi ve beslenme uzmanlarıyla birkaç derinlemesine görüşme gerçekleştirdik.

Birincisi yedek ineklerin envanterini çıkarmak

Çiftlikteki süt inekleri iki türe ayrılır: süt inekleri ve inekleri rezerve etmek. Süt inekleri olgun ve sürekli süt üretirken, yedek inekler ise henüz süt üretme çağına gelmemiş ineklerdir. Büyük ve orta ölçekli çiftlikler genellikle daha rahat bir büyüme ortamı yaratmak için yedek ineklere daha geniş bir açık aktivite alanı sağlar.

Ancak hem süt inekleri hem de yedek inekler çiftliğin varlıklarıdır ve aylık olarak envanterlerinin yapılması gerekir. Süt inekleri her gün sağılır ve sağım sırasında nispeten hareketsiz oldukları için envanter takibi kolaydır. Ancak yedek inekler açık alanda bulunuyor ve serbestçe dolaşıyor, bu da onların envanterini çıkarmayı zorlaştırıyor. Her envanter alındığında, birkaç işçi farklı bölgelerdeki yedek inekleri tekrar tekrar sayar ve son olarak sayılar kontrol edilir. Bu süreç birçok işçi için bir ila iki gün alır ve çoğu zaman sayımların hizalanmasında sorunlar veya her bir ineğin sayılıp sayılmadığı konusunda belirsizlikler yaşanır.

Rezerv ineklerin envanterini hızlı ve doğru bir şekilde çıkarmanın bir yolunu bulursak, önemli ölçüde zaman tasarrufu sağlanabilir.

İkincisi topal sığırların tespiti

Şu anda çoğu süt ürünleri şirketi, adlı bir türü kullanıyor. Holstein süt üretmek. Holştaynlar çoğumuzun aşina olduğu siyah beyaz ineklerdir. Çoğu süt ürünleri şirketinin aynı cinsi kullanmasına rağmen, farklı şirketler ve çiftlikler arasında süt üretim miktarı ve kalitesi açısından hala farklılıklar bulunmaktadır. Bunun nedeni süt ineklerinin sağlığının süt üretimini doğrudan etkilemesidir.

Ancak inekler rahatsızlıklarını insanlar gibi kendi başlarına ifade edemezler ve veteriner hekimlerin binlerce ineği düzenli olarak fiziki muayeneye tabi tutması pratik değildir. Bu nedenle ineklerin sağlık durumunu hızlı bir şekilde değerlendirmek için dış göstergeleri kullanmak zorundayız.

Bir ineğin sağlığının dış göstergeleri şunları içerir: vücut kondisyon puanı ve topallık derecesi. Vücut kondisyon puanı büyük ölçüde ineğin vücut yağ yüzdesiyle ilişkilidir ve uzun vadeli bir göstergedir; topallık ise bacak sorunları veya ayak enfeksiyonları ve ineğin ruh halini, sağlığını ve süt üretimini etkileyen diğer sorunlardan kaynaklanan kısa vadeli bir göstergedir. Ek olarak, yetişkin Holştayn ineklerin ağırlığı 500 kg'ın üzerinde olabilir ve bu durum, stabil olmadıkları takdirde ayaklarına ciddi zararlar verebilir. Bu nedenle topallık oluştuğunda veteriner hekimlerin en kısa sürede müdahale etmesi gerekmektedir.

2014 yılında yapılan bir araştırmaya göre, Çin'deki ileri derecede topal ineklerin oranı yüzde 31'e kadar çıkabiliyor. Çalışmadan bu yana durum iyileşmiş olsa da çiftliklerdeki veteriner hekim sayısı son derece sınırlı ve bu da ineklerin düzenli olarak izlenmesini zorlaştırıyor. Topallık tespit edildiğinde durum genellikle ciddidir, tedavisi zaman alıcı ve zordur ve süt üretimi zaten etkilenmiştir.

İneklerdeki topallığı zamanında tespit edecek ve veteriner hekimleri hafif topallık aşamasında müdahale etmeye yönlendirecek bir yönteme sahip olursak, ineklerin genel sağlığı ve süt üretimi artacak ve çiftliğin performansı artacaktır.

Son olarak yem maliyeti optimizasyonu var

Hayvancılık sektöründe yem en büyük değişken maliyettir. Yemin kalitesini ve envanterini güvence altına almak için çiftliklerin genellikle yem bileşenlerini yurt içi ve yurt dışındaki tedarikçilerden satın alması ve bunları işlenmek üzere yem formülasyon fabrikalarına teslim etmesi gerekir. Soya fasulyesi küspesi, mısır, yonca, yulaf otu vb. dahil olmak üzere birçok modern yem bileşeni türü vardır; bu da oyunda birçok değişkenin olduğu anlamına gelir. Her tür yem bileşeninin kendi fiyat döngüsü ve fiyat dalgalanmaları vardır. Önemli dalgalanmalar sırasında toplam yem maliyeti yüzde 15'ten fazla dalgalanarak önemli bir etkiye neden olabilir.

Yem maliyetleri dalgalanıyor ancak süt ürünleri fiyatları uzun vadede nispeten istikrarlı. Sonuç olarak, aksi takdirde değişmeyen koşullar altında, genel kâr, yalnızca yem maliyetindeki değişikliklere bağlı olarak önemli ölçüde dalgalanabilir.

Bu dalgalanmayı önlemek için fiyatlar düşük olduğunda daha fazla malzeme depolamayı düşünmek gerekir. Ancak stoklamanın aynı zamanda fiyatın gerçekten dip seviyede olup olmadığını ve mevcut tüketim oranına göre ne miktarda yem satın alınması gerektiğini de dikkate alması gerekir.

Yem tüketimini kesin olarak tahmin etmenin ve bunu genel fiyat eğilimiyle birleştirerek satın almak için en iyi yem zamanını ve miktarını önermenin bir yolunu bulabilirsek, çiftlikteki maliyetleri azaltabilir ve verimliliği artırabiliriz.

Bu sorunların doğrudan müşterinin iyileştirme hedefiyle ilgili olduğu açıktır. çiftlik operasyonel verimliliğive yöntemler sırasıyla emeği serbest bırakmak, artan üretim ve maliyetleri düşürmek. Her bir sorunu çözmenin zorluğu ve değeri üzerine yapılan tartışmalar sonucunda, artan üretim Başlangıç ​​noktası olarak topal inek sorununu çözmeye öncelik verdik.

Araştırma

Teknolojiyi tartışmadan önce araştırma yapılması gerekiyordu. Araştırma, AWS müşteri ekibi tarafından ortaklaşa yürütüldü. AWS Üretken Yapay Zeka İnovasyon MerkeziMakine öğrenimi algoritma modellerini yöneten ve AWS AI Şangay Lablet, en son bilgisayarla görme araştırmaları ve New Hope Dairy'nin uzman tarım ekibi hakkında algoritma danışmanlığı sağlayan. Araştırma birkaç bölüme ayrıldı:

• Topal ineklerin geleneksel kağıt tabanlı tanımlama yöntemini anlamak ve topal ineklerin ne olduğuna dair temel bir anlayış geliştirmek.
• Çiftliklerde ve endüstride kullanılanlar da dahil olmak üzere mevcut çözümlerin doğrulanması.
• Fiziksel durumu ve sınırlamaları anlamak için çiftlik ortamı araştırması yapmak.

Ekipler, materyalleri inceleyerek ve sahadaki videoları gözlemleyerek topal inekler hakkında temel bilgiler edindiler. Okuyucular ayrıca aşağıdaki animasyonlu görüntü aracılığıyla topal ineklerin duruşu hakkında temel bir fikir edinebilirler.

Nispeten sağlıklı bir ineğin aksine.

Topal ineklerin sağlıklı ineklere göre duruş ve yürüme şekillerinde gözle görülür farklılıkları vardır.

Mevcut çözümlerle ilgili olarak çoğu çiftlik, topal inekleri tespit etmek için veterinerler ve beslenme uzmanları tarafından yapılan görsel incelemeye güvenmektedir. Sektörde, tanımlama için giyilebilir adımsayarlar ve ivmeölçerlerin kullanıldığı çözümlerin yanı sıra, tanımlama için bölmeli kantarların kullanıldığı çözümler de bulunmaktadır, ancak her ikisi de nispeten pahalıdır. Oldukça rekabetçi olan süt ürünleri endüstrisi için, tanımlama maliyetlerini, maliyetleri ve jenerik olmayan donanıma bağımlılığı en aza indirmemiz gerekiyor.

AWS Üretken Yapay Zeka İnovasyon Merkezi uzmanları, bilgileri çiftlik veterinerleri ve beslenme uzmanlarıyla tartışıp analiz ettikten sonra, kimlik tespiti için yalnızca sıradan donanıma (sivil gözetleme kameraları) güvenerek bilgisayar görüşünü (CV) kullanmaya karar verdi. inekleri azaltın ve maliyetleri ve kullanım engellerini azaltın.

Bu yönde karar verdikten sonra binlerce ineğin bulunduğu orta büyüklükte bir çiftliği ziyaret ederek çiftlik ortamını araştırdık, kamera yerleşim yerini ve açısını belirledik.

ilk teklif

Şimdi çözüme geçelim. CV tabanlı çözümümüzün temeli aşağıdaki adımlardan oluşur:

• İnek kimliği: Tek bir video karesinde birden fazla ineği tanımlayın ve her ineğin konumunu işaretleyin.
• İnek takibi: Video kaydı sırasında kareler değiştikçe inekleri sürekli takip etmemiz ve her ineğe benzersiz bir numara atamamız gerekiyor.
• Duruş işaretlemesi: İnek görüntülerini işaretli noktalara dönüştürerek inek hareketlerinin boyutsallığını azaltın.
• Anormallik tanımlama: İşaretli noktaların dinamiklerindeki anormallikleri belirleyin.
• Topal inek algoritması: İnek topallığının derecesini belirlemek için bir puan elde etmek amacıyla anormallikleri normalleştirin.
• Eşik belirleme: Uzman girdilerine dayalı bir eşik elde edin.

AWS Generative AI Innovation Center uzmanlarının değerlendirmesine göre ilk birkaç adım, açık kaynak modeller kullanılarak çözülebilecek genel gereksinimler iken, sonraki adımlar matematiksel yöntemler kullanmamızı ve uzman müdahalesini gerektiriyor.

Çözümdeki zorluklar

Maliyet ve performansı dengelemek için, bu sahne için iyi bir değer sağlayan, 5 piksel giriş genişliğine sahip, inek tanıma için orta büyüklükte, önceden eğitilmiş bir model olan yolov640l modelini seçtik.

YOLOv5, inekleri tek bir görüntüde tanımak ve etiketlemekten sorumlu olsa da gerçekte videolar, sürekli değişen birden fazla görüntüden (kareden) oluşur. YOLOv5, farklı çerçevelerdeki ineklerin aynı bireye ait olduğunu belirleyemez. Bir ineği birden fazla görüntüde takip etmek ve bulmak için SORT adı verilen başka bir modele ihtiyaç vardır.

SIRALAMA anlamına gelir basit çevrimiçi ve gerçek zamanlı izleme, Burada Online izlenecek diğer kareleri dikkate almadan yalnızca mevcut ve önceki kareleri dikkate aldığı anlamına gelir ve realtime nesnenin kimliğini anında tanımlayabildiği anlamına gelir.

SORT'un geliştirilmesinden sonra, birçok mühendis onu uyguladı ve optimize etti; bu da nesnenin görünümünü dikkate alan OC-SORT'un, insan görünümünü içeren DeepSORT'un (ve yükseltilmiş versiyonu StrongSORT) ve kullanan ByteTrack'in geliştirilmesine yol açtı. düşük güvenirlik tanımayı dikkate almak için iki aşamalı bir ilişkilendirme bağlayıcı. Testten sonra, sahnemiz için DeepSORT'un görünüm izleme algoritmasının ineklerden ziyade insanlar için daha uygun olduğunu ve ByteTrack'in izleme doğruluğunun biraz daha zayıf olduğunu gördük. Sonuç olarak izleme algoritmamız olarak OC-SORT'u seçtik.

Daha sonra ineklerin iskelet noktalarını işaretlemek için DeepLabCut (kısaca DLC) kullanıyoruz. DLC işaretsiz bir modeldir; yani baş ve uzuvlar gibi farklı noktaların farklı anlamları olsa da hepsi sadece noktaları Yalnızca noktaları işaretlememizi ve modeli eğitmemizi gerektiren DLC için.

Bu da yeni bir soruyu gündeme getiriyor: Her bir ineğe kaç nokta işaretlemeliyiz ve bunları nereye işaretlemeliyiz? Bu sorunun cevabı işaretleme, eğitim ve sonraki çıkarım verimliliğinin iş yükünü etkiler. Bu sorunu çözmek için öncelikle topal ineklerin nasıl tespit edileceğini anlamalıyız.

Araştırmamıza ve uzman müşterilerimizin girdilerine dayanarak videolardaki topal inekler aşağıdaki özellikleri göstermektedir:

• Kavisli bir sırt: Boyun ve sırt kavislidir ve boyun kemiğinin köküyle (kavisli sırt) bir üçgen oluşturur.
• Sık sık başını sallamak: Her adım ineğin dengesini kaybetmesine veya kaymasına neden olabilir, bu da sık sık yaralanmalara neden olabilir. baş sallama (kafa sallama).
• Kararsız yürüyüş: İneğin yürüyüşü birkaç adımdan sonra hafif duraklamalarla (yürüyüş şekli değişikliği) değişir.

AWS Üretken Yapay Zeka İnovasyon Merkezi uzmanları, boyun ve sırt eğriliğinin yanı sıra baş sallamayla ilgili olarak sığırlarda yalnızca yedi arka noktayı (biri kafada, biri boynun dibinde ve beşi sırtta) işaretlemenin işe yarayabileceğini belirledi. iyi bir tanımlamayla sonuçlanır. Artık bir özdeşleşme çerçevemiz olduğuna göre, dengesiz yürüyüş şekillerini de tanıyabilmeliyiz.

Daha sonra, tanımlama sonuçlarını ve form algoritmalarını temsil etmek için matematiksel ifadeler kullanırız.

Bu sorunların insan tarafından tanımlanması zor değildir ancak bilgisayarla tanımlama için hassas algoritmalar gereklidir. Örneğin, bir program, bir dizi ineğin sırt koordinat noktası göz önüne alındığında, bir ineğin sırtının eğrilik derecesini nasıl bilebilir? Bir ineğin başını sallayıp sallamadığını nasıl anlar?

Sırt eğriliği açısından öncelikle ineğin sırtını bir açı olarak ele alırız ve daha sonra o açının tepe noktasını buluruz, bu da açıyı hesaplamamızı sağlar. Bu yöntemin sorunu, omurganın çift yönlü eğriliğe sahip olabilmesi ve bu da açının tepe noktasının belirlenmesini zorlaştırmasıdır. Bu, sorunu çözmek için diğer algoritmalara geçmeyi gerektirir.

Baş sallama açısından, ilk olarak ineğin genel duruş eğrisindeki farkı karşılaştırarak ineğin başını sallayıp sallamadığını belirlemek için Fréchet mesafesini kullanmayı düşündük. Ancak sorun, ineğin iskelet noktalarının yer değiştirmesi ve benzer eğriler arasında önemli mesafe oluşmasıdır. Bu sorunu çözmek için başın tanıma kutusuna göre konumunu çıkarıp normalleştirmemiz gerekiyor.

Başın pozisyonunu normalleştirdikten sonra yeni bir sorunla karşılaştık. Aşağıdaki görselde soldaki grafik ineğin kafasının pozisyonundaki değişimi göstermektedir. Tanıma doğruluğu sorunları nedeniyle baş noktasının konumunun sürekli olarak hafifçe sallanacağını görebiliriz. Bu küçük hareketleri çıkarıp kafanın nispeten büyük hareket eğilimini bulmamız gerekiyor. Burası sinyal işleme konusunda biraz bilgiye ihtiyaç duyulan yerdir. Savitzky-Golay filtresini kullanarak, bir sinyali yumuşatabilir ve genel eğilimini elde edebiliriz, bu da sağdaki grafikteki turuncu eğride gösterildiği gibi baş sallamayı tanımlamamızı kolaylaştırır.

Ek olarak, onlarca saatlik video tanımanın ardından, sırt eğriliği son derece yüksek olan bazı ineklerin aslında kambur bir sırta sahip olmadığını gördük. Daha ileri araştırmalar, bunun, DLC modelini eğitmek için kullanılan ineklerin çoğunun çoğunlukla siyah veya siyah beyaz olmasından kaynaklandığını ve çoğunlukla beyaz veya saf beyaza yakın olan çok fazla ineğin bulunmamasından kaynaklandığını, bunun da modelin onları yanlış tanımasıyla sonuçlandığını ortaya çıkardı. aşağıdaki şekilde kırmızı okla gösterildiği gibi vücutlarında geniş beyaz alanlar vardı. Bu durum daha ileri model eğitimiyle düzeltilebilir.

Önceki sorunların çözülmesine ek olarak çözülmesi gereken başka genel sorunlar da vardı:

• Video karesinde iki yol vardır ve uzaktaki inekler de tanınarak sorunlara neden olabilir.
• Videodaki yollar da belli bir eğriliğe sahip ve inek yolun kenarlarındayken ineğin vücut uzunluğu kısalıyor, bu da duruşun yanlış tanımlanmasını kolaylaştırıyor.
• Birden fazla ineğin üst üste gelmesi veya çitin kapatılması nedeniyle aynı inek iki inek olarak tanımlanabilir.
• İzleme parametreleri ve kameranın ara sıra kare atlamaları nedeniyle inekleri doğru bir şekilde takip etmek imkansızdır ve bu da kimlik karışıklığı sorunlarına neden olur.

Kısa vadede, New Hope Dairy ile minimum uygulanabilir ürün sunma ve daha sonra yineleme konusunda yapılan anlaşmaya dayalı olarak, bu sorunlar genellikle güven filtrelemeyle birleştirilmiş aykırı değerlendirme algoritmaları ile çözülebilir ve eğer çözülemezlerse, daha da kötüleşecekler. geçersiz veriler, bu da ek eğitim yapmamızı ve algoritmalarımızı ve modellerimizi sürekli olarak yinelememizi gerektiriyor.

Uzun vadede, AWS AI Şangay Lablet nesne merkezli araştırmalarına dayanarak önceki sorunları çözmek için gelecekteki deney önerilerini sundu: Gerçek Dünyadaki Nesne Merkezli Öğrenim ile Aradaki Boşluğu Kapatmak ve Kendi Kendini Denetleyen Amodal Video Nesnesi Segmentasyonu. Bu aykırı verileri geçersiz kılmanın yanı sıra, poz tahmini, amodal segmentasyon ve denetimli izleme için daha hassas nesne düzeyinde modeller geliştirilerek sorunlar da çözülebilir. Ancak bu görevler için geleneksel görüş hatları genellikle kapsamlı etiketleme gerektirir. Nesne merkezli öğrenme, piksellerin nesnelere bağlanma sorununu ek denetim olmadan çözmeye odaklanır. Bağlama işlemi yalnızca nesnelerin konumu hakkında bilgi sağlamakla kalmaz, aynı zamanda aşağı yönlü görevler için sağlam ve uyarlanabilir nesne temsilleriyle de sonuçlanır. Nesne merkezli ardışık düzen, kendi kendini denetleyen veya zayıf biçimde denetlenen ayarlara odaklandığından, müşterilerimiz için etiketleme maliyetlerini önemli ölçüde artırmadan performansı artırabiliriz.

Bir dizi problemi çözdükten ve çiftlik veterineri ile beslenme uzmanı tarafından verilen puanları birleştirdikten sonra, inekler için kapsamlı bir topallık puanı elde ettik; bu, şiddetli, orta ve hafif gibi farklı topallık derecelerine sahip inekleri tanımlamamıza yardımcı oluyor ve ayrıca ineklerin birden fazla vücut duruşu özelliğini tanımlayarak daha fazla analize ve karara varılmasına yardımcı olur.

Birkaç hafta içinde topal inekleri tespit etmek için uçtan uca bir çözüm geliştirdik. Bu çözüme yönelik donanım kamerasının maliyeti yalnızca 300 RMB'dir ve Amazon Adaçayı Yapıcı g4dn.xlarge örneğini kullanırken toplu çıkarım, 50 saatlik video için yaklaşık 2 saat sürdü; toplamda yalnızca 300 RMB. Üretime girdiğinde, haftada beş grup inek tespit edilirse (yaklaşık 10 saat varsayılırsa) ve kaydedilen video ve veriler de dahil olmak üzere, birkaç bin ineğe sahip orta büyüklükte bir çiftliğin aylık tespit maliyeti 10,000 RMB'den azdır.

Şu anda makine öğrenimi modeli sürecimiz aşağıdaki gibidir:

1. Ham video kaydedilir.
2. İnekler tespit edilip kimlikleri belirleniyor.
3. Her inek takip edilir ve kilit noktalar tespit edilir.
4. Her ineğin hareketi analiz edilir.
5. Bir topallık puanı belirlenir.

Model dağıtımı

Topal ineklerin makine öğrenimine dayalı olarak tespit edilmesine yönelik çözümü daha önce anlatmıştık. Şimdi bu modelleri SageMaker üzerinde konuşlandırmamız gerekiyor. Aşağıdaki şekilde gösterildiği gibi:

İş uygulaması

Elbette şu ana kadar tartıştıklarımız teknik çözümümüzün yalnızca özüdür. Çözümün tamamını iş sürecine entegre etmek için aşağıdaki sorunları da ele almalıyız:

• Veri geri bildirimi: Örneğin veteriner hekimlere, işlenmesi gereken topal inekleri filtreleyip görüntüleyebilmeleri ve bu süreçte eğitim verisi olarak kullanmak üzere veri toplayabilmeleri için bir arayüz sağlamalıyız.
• İnek kimliği: Veteriner hekim topal bir ineği gördükten sonra ineğin numarası, kalemi gibi kimliğini de bilmelidir.
• İnek konumlandırma: Yüzlerce ineğin bulunduğu bir ağılda hedef ineği hızla bulun.
• Veri madenciliği: Örneğin topallık derecesinin beslenmeyi, geviş getirmeyi, dinlenmeyi ve süt üretimini nasıl etkilediğini öğrenin.
• Veri tabanlı: Örneğin, optimal üreme ve üremeyi sağlamak için topal ineklerin genetik, fizyolojik ve davranışsal özelliklerini tanımlayın.

Çözüm, yalnızca bu sorunları ele alarak iş sorununu gerçek anlamda çözebilir ve toplanan veriler uzun vadeli değer üretebilir. Bu sorunlardan bazıları sistem entegrasyonu sorunları, bazıları ise teknoloji ve iş entegrasyonu sorunlarıdır. Bu konularla ilgili daha detaylı bilgiyi ilerleyen yazılarımızda paylaşacağız.

Özet

Bu makalede AWS Müşteri Çözümleri ekibinin müşterinin işine göre nasıl hızlı bir şekilde inovasyon yaptığını kısaca anlattık. Bu mekanizmanın çeşitli özellikleri vardır:

• İş liderliği: Teknolojiyi tartışmadan önce müşterinin sektörünü ve iş süreçlerini yerinde ve şahsen anlamaya öncelik verin ve ardından teknolojiyle çözülebilecek önemli sorunları belirlemek için müşterinin sıkıntılı noktalarını, zorluklarını ve sorunlarını derinlemesine inceleyin.
• Hemen Mümkün: Basit ama eksiksiz ve kullanışlı bir prototipi test etmek, doğrulamak ve hızlı yineleme için aylar değil haftalar içinde doğrudan müşteriye sunun.
• Minimum maliyet: Gelecekle ilgili endişelerden kaçınarak, değer gerçekten doğrulanmadan önce müşterinin maliyetlerini en aza indirin veya hatta ortadan kaldırın. Bu, AWS ile uyumludur tutumluluk liderlik ilkesi.

Süt endüstrisi ile ortak inovasyon projemizde, yalnızca iş perspektifinden iş uzmanlarıyla belirli iş sorunlarını belirlemekle kalmadık, aynı zamanda müşteriyle birlikte çiftlikte ve fabrikada yerinde incelemeler yaptık. Sahadaki kamera yerleşimini belirledik, kameraları kurup devreye aldık ve video akışı çözümünü devreye aldık. AWS Üretken Yapay Zeka İnovasyon Merkezi'nden uzmanlar, müşterinin gereksinimlerini inceleyerek bir algoritma geliştirdi. Bu algoritma daha sonra bir çözüm mimarı tarafından tüm algoritma için tasarlandı.

Her çıkarımla, her biri orijinal video kimliğine, inek kimliğine, topallık puanına ve çeşitli ayrıntılı puanlara sahip binlerce ayrıştırılmış ve etiketlenmiş inek yürüme videosu elde edebildik. Tam hesaplama mantığı ve ham yürüyüş verileri de sonraki algoritma optimizasyonu için tutuldu.

Topallık verileri yalnızca veteriner hekimler tarafından erken müdahale için kullanılmaz, aynı zamanda çapraz analiz için sağım makinesi verileriyle de birleştirilebilir, böylece ek bir doğrulama boyutu sağlanır ve aşağıdakiler gibi bazı ek iş sorularına yanıt verilir: En yüksek topallık oranına sahip ineklerin fiziksel özellikleri nelerdir? süt verimi? İneklerde topallığın süt üretimine etkisi nedir? Topal ineklerin ana nedeni nedir ve nasıl önlenebilir? Bu bilgiler çiftlik operasyonları için yeni fikirler sağlayacaktır.

Topal inekleri tespit etme hikayesi burada bitiyor ancak çiftlik inovasyonunun hikayesi daha yeni başlıyor. Sonraki yazılarımızda, diğer sorunları çözmek için müşterilerimizle nasıl yakın işbirliği içinde çalıştığımızı tartışmaya devam edeceğiz.

---

Yazarlar Hakkında

Hao Huang AWS Üretken Yapay Zeka İnovasyon Merkezi'nde uygulamalı bir bilim insanıdır. Computer Vision (CV) ve Visual-Language Model (VLM) konusunda uzmandır. Son zamanlarda üretken AI teknolojilerine güçlü bir ilgi geliştirdi ve bu en son teknolojileri işlerine uygulamak için müşterilerle şimdiden işbirliği yaptı. Ayrıca ICCV ve AAAI gibi AI konferanslarının eleştirmenidir.

Peiyang He AWS Üretken Yapay Zeka İnovasyon Merkezi'nde kıdemli veri bilimcisidir. GenAI/ML çözümlerinden yararlanarak en acil ve yenilikçi iş ihtiyaçlarını çözmek için çok çeşitli sektörlerdeki müşterilerle birlikte çalışıyor. Boş zamanlarında kayak yapmaktan ve seyahat etmekten hoşlanıyor.

Xuefeng Liu Asya Pasifik ve Büyük Çin bölgelerindeki AWS Üretken Yapay Zeka İnovasyon Merkezi'nde bir bilim ekibine liderlik ediyor. Ekibi, müşterilerin üretken yapay zekayı benimsemesini hızlandırmak amacıyla üretken yapay zeka projelerinde AWS müşterileriyle iş birliği yapıyor.

Tianjun Xiao AWS AI Shanghai Lablet'te kıdemli uygulamalı bilim insanıdır ve bilgisayarla görme çalışmalarına liderlik etmektedir. Şu anda asıl odak noktası çok modlu temel modeller ve nesne merkezli öğrenme alanlarında yatmaktadır. Video analizi, 3D görüş ve otonom sürüş dahil olmak üzere çeşitli uygulamalardaki potansiyellerini aktif olarak araştırıyor.

Çang Dai Çin Geo İş Sektörü için AWS kıdemli çözüm mimarıdır. İş süreçleri, kullanıcı deneyimi ve bulut teknolojisi konularında danışmanlık vererek, farklı büyüklükteki şirketlerin iş hedeflerine ulaşmalarına yardımcı oluyor. Üretken bir blog yazarı ve aynı zamanda iki kitabın yazarıdır: The Modern Autodidact ve Designing Experience.

Jianyu Zeng AWS'de kıdemli müşteri çözümleri yöneticisidir ve sorumluluğu New Hope grubu gibi müşterileri buluta geçişleri sırasında desteklemek ve bulut tabanlı teknoloji çözümleri aracılığıyla iş değeri elde etmelerine yardımcı olmaktır. Yapay zekaya olan güçlü ilgisiyle, müşterilerimizin işlerinde yenilikçi değişiklikleri teşvik etmek için sürekli olarak yapay zekadan yararlanmanın yollarını araştırıyor.

Carol Tong Min GCR GEO West'in iki önemli kurumsal müşterisi olan Jiannanchun Group ve New Hope Group dahil olmak üzere Kilit Müşterilerden sorumlu kıdemli bir iş geliştirme yöneticisidir. Kendisi müşteri odaklıdır ve müşterilerin bulut yolculuğunu destekleme ve hızlandırma konusunda her zaman tutkuludur.

Nick Jiang Çin'deki AIML SSO ekibinde kıdemli satış uzmanıdır. Yenilikçi AIML çözümlerini aktarmaya ve müşterinin AWS içinde AI ile ilgili iş yüklerini oluşturmasına yardımcı olmaya odaklanıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/