Слідкуйте за своєю худобою за допомогою технології ШІ | Веб-сервіси Amazon

At Веб-служби Amazon (AWS), ми не тільки прагнемо надавати клієнтам різноманітні комплексні технічні рішення, але й прагнемо глибоко розуміти бізнес-процеси наших клієнтів. Ми приймаємо погляди третьої сторони та об’єктивне судження, щоб допомогти клієнтам відсортувати їхні ціннісні пропозиції, зібрати недоліки, запропонувати відповідні рішення та створити найбільш економічно ефективні та придатні для використання прототипи, щоб допомогти їм систематично досягати своїх бізнес-цілей.

Цей метод називається працюючи в зворотному напрямку в AWS. Це означає відкласти технології та рішення, починаючи з очікуваних результатів клієнтів, підтверджуючи їх цінність, а потім виводячи, що потрібно зробити у зворотному порядку, перш ніж остаточно запровадити рішення. На етапі впровадження ми також дотримуємося концепції мінімально життєздатний продукт і прагнути швидко сформувати прототип, який може генерувати цінність протягом кількох тижнів, а потім ітерувати його.

Сьогодні давайте розглянемо практичний приклад, у якому AWS і New Hope Dairy співпрацювали для створення розумної ферми в хмарі. З цього допису в блозі ви зможете отримати глибоке розуміння того, що AWS може надати для створення розумної ферми, і як створювати програми розумної ферми в хмарі за допомогою експертів AWS.

Фон проекту

Молоко – поживний напій. З огляду на здоров'я країни Китай активно сприяє розвитку молочної промисловості. Згідно з даними Euromonitor International, продаж молочних продуктів у Китаї досяг 638.5 мільярдів юанів у 2020 році та, як очікується, досягне 810 мільярдів юанів у 2025 році. Крім того, сукупний річний темп зростання за останні 14 років також досяг 10 відсотків, демонструє швидкий розвиток.

З іншого боку, станом на 2022 рік більша частина доходу китайської молочної промисловості все ще надходить від рідкого молока. Шістдесят відсотків сирого молока використовується для рідкого молока та йогурту, а ще 20 відсотків становить сухе молоко — похідне рідкого молока. Лише дуже невелика кількість використовується для продуктів високої обробки, таких як сир і вершки.

Рідке молоко є продуктом легкої обробки, і його вихід, якість і вартість тісно пов’язані з сирим молоком. Це означає, що якщо молочна промисловість хоче звільнити потужності, щоб зосередитися на виробництві продуктів з високим ступенем обробки, створювати нові продукти та проводити більш інноваційні біотехнологічні дослідження, вона повинна спочатку покращити та стабілізувати виробництво та якість сирого молока.

Як лідер молочної промисловості New Hope Dairy думала про те, як підвищити ефективність роботи ранчо та збільшити виробництво та якість сирого молока. New Hope Dairy сподівається використовувати погляди третьої сторони та технологічний досвід AWS для сприяння інноваціям у молочній промисловості. За підтримки та сприяння Лютонга Ху, віце-президента та директора з інформаційних технологій New Hope Dairy, команда клієнтів AWS почала організовувати операції та потенційні інноваційні точки для молочних ферм.

Проблеми молочної ферми

AWS є експертом у сфері хмарних технологій, але для впровадження інновацій у молочній промисловості необхідні професійні поради експертів у молочній галузі. Тому ми провели кілька поглиблених інтерв’ю з Лянжун Сонгом, заступником директора виробничо-технологічного центру New Hope Dairy, командою керівництва ранчо та дієтологами, щоб зрозуміти деякі проблеми та виклики, з якими стикається ферма.

По-перше, проводиться інвентаризація резервних корів

Молочні корови на ранчо діляться на два види: доїнні корови та резервних корів. Молочні корови є статевозрілими і безперервно дають молоко, а резервні — корови, які ще не досягли віку, здатного давати молоко. Великі та середні ферми зазвичай надають резервним коровам більшу відкриту територію для створення більш комфортних умов вирощування.

Однак і дійні, і резервні корови є активами господарства і потребують щомісячної інвентаризації. Молочних корів доять щодня, і оскільки вони відносно нерухомі під час доїння, відстежувати запаси легко. Проте резервні корови знаходяться на відкритому просторі і вільно кочують, що ускладнює їх інвентаризацію. Кожного разу під час інвентаризації декілька робітників повторно перераховують резервних корів з різних районів, а нарешті перевіряють чисельність. Цей процес займає від одного до двох днів для кількох працівників, і часто виникають проблеми з узгодженням підрахунків або невпевненість щодо того, чи була порахована кожна корова.

Можна заощадити значний час, якщо у нас є спосіб швидко й точно провести інвентаризацію резервних корів.

По-друге, ідентифікація кульгавої худоби

В даний час більшість молочних компаній використовують породу ім Гольштейн виробляти молоко. Голштини - це чорно-білі корови, знайомі більшості з нас. Незважаючи на те, що більшість молочних компаній використовують ту саму породу, все ще існують відмінності в кількості та якості молока між різними компаніями та фермами. Це пов’язано з тим, що здоров’я дійних корів безпосередньо впливає на виробництво молока.

Однак корови не можуть висловлювати дискомфорт самі по собі, як це можуть зробити люди, і для ветеринарів непрактично проводити регулярні медичні огляди тисячам корів. Тому доводиться за зовнішніми показниками швидко судити про стан здоров’я корів.

До зовнішніх показників здоров'я корови відносяться оцінка стану тіла та ступінь кульгавості. Оцінка стану тіла значною мірою пов’язана з відсотком жиру в тілі корови та є довгостроковим показником, тоді як кульгавість є короткостроковим показником, спричиненим проблемами з ногами чи інфекціями стоп та іншими проблемами, які впливають на настрій, здоров’я та виробництво молока корови. Крім того, дорослі корови голштинської породи можуть важити понад 500 кг, що може завдати значної шкоди їхнім ногам, якщо вони не стійкі. Тому при появі кульгавості ветеринари повинні втрутитися якомога швидше.

Згідно з дослідженням 2014 року, частка сильно кульгавих корів у Китаї може досягати 31 відсотка. Хоча після дослідження ситуація могла б покращитися, кількість ветеринарів на фермах надзвичайно обмежена, що ускладнює регулярний моніторинг корів. Коли виявляється кульгавість, ситуація часто важка, лікування займає багато часу та є складним, а вироблення молока вже порушується.

Якщо ми матимемо спосіб вчасно виявити кульгавість у корів і запропонувати ветеринарам втрутитися на стадії легкої кульгавості, загальний стан здоров’я та молочна продуктивність корів покращиться, а продуктивність ферми покращиться.

Нарешті, оптимізація витрат на корм

У тваринницькій галузі корми є найбільшими змінними витратами. Для забезпечення якості та запасів кормів фермам часто доводиться закуповувати кормові інгредієнти у вітчизняних та зарубіжних постачальників і доставляти їх на заводи з виробництва кормів для переробки. Існує багато типів сучасних кормових інгредієнтів, включаючи соєвий шрот, кукурудзу, люцерну, вівсяну траву тощо, що означає, що існує багато змінних. Кожен тип кормового інгредієнта має свій власний ціновий цикл і коливання цін. Під час значних коливань загальна вартість корму може коливатися більш ніж на 15 відсотків, що спричиняє значний вплив.

Вартість кормів коливається, але ціни на молочну продукцію є відносно стабільними в довгостроковій перспективі. Отже, за незмінних умов загальний прибуток може суттєво коливатися виключно через зміни вартості корму.

Щоб уникнути таких коливань, необхідно розглянути можливість зберігання більшої кількості інгредієнтів, коли ціни низькі. Але при заготівлі також потрібно враховувати, чи справді ціна знаходиться на найвищому рівні та яку кількість корму слід закуповувати відповідно до поточної норми споживання.

Якщо у нас є спосіб точно спрогнозувати споживання корму та поєднати його із загальною тенденцією цін, щоб запропонувати найкращий час і кількість корму для закупівлі, ми можемо зменшити витрати та підвищити ефективність на фермі.

Очевидно, що ці проблеми безпосередньо пов’язані з метою вдосконалення клієнта ефективність роботи ферми, а методи відповідно звільнення робочої сили, збільшення виробництва та зменшення витрат. Через обговорення складності та цінності вирішення кожного питання ми вибрали збільшення виробництва як відправну точку та пріоритетне вирішення проблеми кульгавих корів.

Дослідження

Перш ніж обговорювати технологію, потрібно було провести дослідження. Дослідження проводилося спільно командою клієнтів AWS, the Центр інновацій AWS Generative AI, який керував моделями алгоритмів машинного навчання, і Планшет AWS AI Shanghai, яка надає консультації щодо алгоритмів щодо останніх досліджень комп’ютерного зору та команди експертів із сільського господарства New Hope Dairy. Дослідження було поділено на кілька частин:

• Розуміння традиційного паперового методу ідентифікації кульгавих корів і розвиток базового розуміння того, що таке кульгаві корови.
• Підтвердження існуючих рішень, у тому числі тих, що використовуються на фермах і в промисловості.
• Проведення досліджень середовища ферми для розуміння фізичної ситуації та обмежень.

Вивчаючи матеріали та переглядаючи відео на місці, команди отримали базове уявлення про кульгавих корів. Читачі також можуть отримати базове уявлення про поставу кульгавих корів за допомогою анімованого зображення нижче.

На відміну від відносно здорової корови.

Кульгаві корови мають помітні відмінності в поставі та ході порівняно зі здоровими коровами.

Що стосується існуючих рішень, більшість ранчо покладаються на візуальний огляд ветеринарів і дієтологів для виявлення кульгавих корів. У промисловості існують рішення, які використовують переносні крокоміри та акселерометри для ідентифікації, а також рішення, які використовують розділені мостові ваги для ідентифікації, але обидва є відносно дорогими. Для висококонкурентної молочної промисловості нам потрібно мінімізувати витрати на ідентифікацію, витрати та залежність від нестандартного обладнання.

Після обговорення та аналізу інформації з ветеринарами ранчо та дієтологами експерти AWS Generative AI Innovation Center вирішили використовувати комп’ютерне бачення (CV) для ідентифікації, покладаючись лише на звичайне обладнання: цивільні камери спостереження, які не додають додаткового навантаження на корів і зменшити витрати та бар'єри використання.

Вибравши цей напрямок, ми відвідали ферму середнього розміру з тисячами корів, дослідили середовище ранчо та визначили місце та кут розміщення камери.

Початкова пропозиція

А тепер рішення. Основа нашого рішення на основі CV складається з наступних кроків:

• Ідентифікація корів: Визначте кілька корів в одному кадрі відео та позначте положення кожної корови.
• Відстеження корів: Під час запису відео нам потрібно постійно стежити за коровами, коли кадри змінюються, і призначати унікальний номер кожній корові.
• Маркування пози: Зменшіть розмірність рухів корів, перетворивши зображення корів на позначені точки.
• Ідентифікація аномалії: Визначте аномалії в динаміці позначених точок.
• Алгоритм кульгавої корови: Нормалізуйте аномалії, щоб отримати бал для визначення ступеня кульгавості корови.
• Визначення порогу: Отримайте порогове значення на основі вхідних даних експертів.

Згідно з оцінкою експертів AWS Generative AI Innovation Center, перші кілька кроків — це загальні вимоги, які можна вирішити за допомогою моделей з відкритим кодом, тоді як останні кроки вимагають від нас використання математичних методів і експертного втручання.

Труднощі в рішенні

Щоб збалансувати вартість і продуктивність, ми обрали модель yolov5l, попередньо навчену модель середнього розміру для розпізнавання корів із шириною введення 640 пікселів, яка забезпечує гарне значення для цієї сцени.

Хоча YOLOv5 відповідає за розпізнавання та позначення корів на одному зображенні, насправді відео складається з кількох зображень (кадрів), які постійно змінюються. YOLOv5 не може визначити, що корови в різних рамках належать одній особині. Щоб відстежувати та знаходити корову на кількох зображеннях, потрібна інша модель під назвою SORT.

SORT означає просте відстеження онлайн і в реальному часі, Де онлайн означає, що для відстеження розглядаються лише поточні та попередні кадри без урахування будь-яких інших кадрів реальному часі означає, що він може негайно ідентифікувати особу об’єкта.

Після розробки SORT багато інженерів реалізували та оптимізували його, що призвело до розробки OC-SORT, який розглядає зовнішній вигляд об’єкта, DeepSORT (і його оновлену версію, StrongSORT), який включає зовнішній вигляд людини, і ByteTrack, який використовує двоетапний зв'язувач асоціацій для розгляду розпізнавання з низькою достовірністю. Після тестування ми виявили, що для нашої сцени алгоритм відстеження зовнішнього вигляду DeepSORT більше підходить для людей, ніж для корів, а точність відстеження ByteTrack дещо нижча. У результаті ми зрештою обрали OC-SORT як наш алгоритм відстеження.

Далі ми використовуємо DeepLabCut (скорочено DLC), щоб позначити точки скелета корів. DLC — це модель без маркерів, що означає, що хоча різні точки, наприклад голова та кінцівки, можуть мати різне значення, усі вони просто точок для DLC, для якого потрібно лише позначити точки та навчити модель.

Це призводить до нового питання: скільки балів ми повинні позначити на кожній корові і де ми повинні їх позначити? Відповідь на це запитання впливає на навантаження на виставлення оцінок, навчання та подальшу ефективність висновків. Щоб вирішити цю проблему, ми повинні спочатку зрозуміти, як визначити кульгавих корів.

Згідно з нашими дослідженнями та інформацією наших досвідчених клієнтів, кульгаві корови на відео мають такі характеристики:

• Вигнута спина: Шия і спина вигнуті, утворюючи трикутник з коренем шийної кістки (дугоподібна спина).
• Часте кивання: Кожен крок може призвести до того, що корова втратить рівновагу або посковзнеться, що призведе до частого киваючи (похитує головою).
• Нестійка хода: Хода корови змінюється після кількох кроків, з невеликими паузами (зміна ходи).

Що стосується вигину шиї та спини, а також кивання, експерти з Інноваційного центру AWS Generative AI визначили, що позначення на худобі лише семи точок спини (однієї на голові, однієї біля основи шиї та п’яти на спині) можна призвести до гарної ідентифікації. Оскільки тепер у нас є система ідентифікації, ми також повинні бути в змозі розпізнавати нестабільні моделі ходи.

Далі ми використовуємо математичні вирази для представлення результатів ідентифікації та формування алгоритмів.

Виявлення цих проблем людиною нескладне, але для комп’ютерної ідентифікації потрібні точні алгоритми. Наприклад, як програма дізнається ступінь викривлення спини корови за набору точок координат спини корови? Як дізнатися, чи киває корова?

Що стосується викривлення спини, ми спочатку розглядаємо спину корови як кут, а потім знаходимо вершину цього кута, що дозволяє обчислити кут. Проблема цього методу полягає в тому, що хребет може мати двонаправлену кривизну, через що важко визначити вершину кута. Це вимагає переходу на інші алгоритми для вирішення проблеми.

Щодо кивання голови, ми спочатку розглядали використання відстані Фреше, щоб визначити, чи киває корова, порівнюючи різницю в кривій загальної пози корови. Однак проблема полягає в тому, що точки скелета корови можуть бути зміщені, спричиняючи значну відстань між подібними кривими. Щоб вирішити цю проблему, нам потрібно вилучити положення голови відносно поля розпізнавання та нормалізувати його.

Після нормалізації положення голови ми зіткнулися з новою проблемою. На наступному зображенні графік ліворуч показує зміну положення голови корови. Ми бачимо, що через проблеми з точністю розпізнавання положення головної точки буде постійно злегка хитатися. Нам потрібно видалити ці невеликі рухи і знайти відносно великий тренд руху голови. Тут потрібні деякі знання обробки сигналів. Використовуючи фільтр Савицького-Голея, ми можемо згладити сигнал і отримати його загальну тенденцію, полегшуючи нам ідентифікацію кивка, як показано помаранчевою кривою на графіку праворуч.

Крім того, після десятків годин розпізнавання відео ми виявили, що деякі корови з надзвичайно високим вигином спини насправді не мали згорбленої спини. Подальше дослідження показало, що це сталося через те, що більшість корів, які використовувалися для навчання DLC-моделі, були переважно чорними або чорно-білими, і було небагато корів, які були переважно білими або близькими до чисто білих, в результаті чого модель неправильно розпізнавала їх, коли вони мали великі білі ділянки на тілі, як показано червоною стрілкою на малюнку нижче. Це можна виправити шляхом подальшого навчання моделі.

Окрім вирішення попередніх проблем, існували інші загальні проблеми, які потрібно було вирішити:

• У відеокадрі є два шляхи, і корови на відстані також можуть бути розпізнані, що спричиняє проблеми.
• Шляхи на відео також мають певну кривизну, і довжина тіла корови стає коротшою, коли корова стоїть по боках стежки, що робить позу легкою для неправильного визначення.
• Через перекриття кількох корів або оклюзію з огорожі ту саму корову можна ідентифікувати як дві корови.
• Через параметри відстеження та періодичні пропуски кадрів камери неможливо правильно відстежити корів, що призводить до проблем з плутаниною ідентифікаторів.

У короткостроковій перспективі, ґрунтуючись на узгодженості з New Hope Dairy щодо доставки мінімально життєздатного продукту, а потім ітерації на ньому, ці проблеми зазвичай можна вирішити за допомогою алгоритмів викидів у поєднанні з фільтрацією достовірності, і якщо їх неможливо вирішити, вони стануть недійсні дані, що вимагає від нас додаткового навчання та постійної ітерації наших алгоритмів і моделей.

В довготривалій перспективі, Планшет AWS AI Shanghai надав пропозиції щодо майбутніх експериментів для вирішення попередніх проблем на основі їх об’єктоцентричного дослідження: Подолання розриву в об’єктно-орієнтованому навчанні в реальному світі та Сегментація відеооб’єктів Amodal із самоконтролем. Окрім визнання цих викидів недійсними, проблеми також можна вирішити шляхом розробки більш точних моделей рівня об’єктів для оцінки пози, амодальної сегментації та контрольованого відстеження. Однак традиційні конвеєри зору для цих завдань зазвичай потребують розширеного маркування. Об’єктно-орієнтоване навчання фокусується на вирішенні проблеми прив’язки пікселів до об’єктів без додаткового контролю. Процес зв’язування не лише надає інформацію про розташування об’єктів, але також призводить до надійних і адаптованих представлень об’єктів для подальших завдань. Оскільки конвеєр, орієнтований на об’єкти, зосереджений на налаштуваннях із самоконтролем або слабким контролем, ми можемо підвищити продуктивність без значного збільшення витрат на маркування для наших клієнтів.

Розв’язавши серію проблем і об’єднавши оцінки, надані ветеринаром ферми та дієтологом, ми отримали комплексну оцінку кульгавості для корів, яка допомагає нам ідентифікувати корів із різним ступенем кульгавості, як-от важка, помірна та легка, а також може визначити численні особливості пози тіла корів, допомагаючи подальшому аналізу та судженню.

За кілька тижнів ми розробили наскрізне рішення для ідентифікації кульгавих корів. Апаратна камера для цього рішення коштує лише 300 юанів, а Amazon SageMaker Пакетний висновок під час використання екземпляра g4dn.xlarge зайняв близько 50 годин для 2 годин відео, загалом лише 300 юанів. Коли він входить у виробництво, якщо п’ять партій корів виявляються на тиждень (припустимо, що це приблизно 10 годин), включаючи збережені відео та дані, щомісячна вартість виявлення для ранчо середнього розміру з кількома тисячами корів становитиме менше 10,000 XNUMX юанів.

Наразі процес нашої моделі машинного навчання виглядає так:

1. Записується необроблене відео.
2. Корів виявлено та ідентифіковано.
3. Кожну корову відслідковують і виявляють ключові точки.
4. Кожен рух корови аналізується.
5. Визначається бал кульгавості.

Розгортання моделі

Раніше ми вже описували рішення для ідентифікації кульгавих корів на основі машинного навчання. Тепер нам потрібно розгорнути ці моделі на SageMaker. Як показано на наступному малюнку:

Реалізація бізнесу

Звичайно, те, що ми обговорювали досі, є лише суттю нашого технічного рішення. Щоб інтегрувати все рішення в бізнес-процес, ми також повинні вирішити такі проблеми:

• Відгук про дані: Наприклад, ми повинні надати ветеринарам інтерфейс для фільтрації та перегляду кульгавих корів, яких потрібно обробити, і збирати дані під час цього процесу, щоб використовувати їх як тренувальні дані.
• Ідентифікація корів: Після того, як ветеринар побачить кульгаву корову, він також повинен знати особу корови, наприклад її номер і загін.
• Розташування корови: У загоні з сотнями корів швидко знайдіть цільову корову.
• Видобуток даних: Наприклад, з’ясуйте, як ступінь кульгавості впливає на годування, жування, відпочинок і виробництво молока.
• На основі даних: Наприклад, визначити генетичні, фізіологічні та поведінкові характеристики кульгавих корів для досягнення оптимального розведення та відтворення.

Лише вирішення цих питань може справді вирішити бізнес-проблему, а зібрані дані можуть створити довгострокову цінність. Деякі з цих проблем є проблемами системної інтеграції, а інші – проблемами технології та бізнес-інтеграції. Ми поділимося додатковою інформацією про ці проблеми в наступних статтях.

Підсумки

У цій статті ми коротко пояснили, як команда AWS Customer Solutions швидко впроваджує інновації на основі бізнесу клієнта. Цей механізм має кілька характеристик:

• Під керівництвом бізнесу: Надайте пріоритет розумінню галузі та бізнес-процесів клієнта на місці та особисто, перш ніж обговорювати технологію, а потім заглибтеся в больові точки клієнта, труднощі та проблеми, щоб визначити важливі проблеми, які можна вирішити за допомогою технології.
• Відразу в наявності: Надайте простий, але повний і придатний для використання прототип безпосередньо клієнту для тестування, перевірки та швидкої ітерації протягом тижнів, а не місяців.
• Мінімальна вартість: Мінімізуйте або навіть усуньте витрати клієнта до того, як цінність буде справді підтверджена, уникаючи хвилювань про майбутнє. Це узгоджується з AWS ощадливість принцип лідерства.

У нашому спільному інноваційному проекті з молочною промисловістю ми не лише почали з точки зору бізнесу, щоб визначити конкретні бізнес-проблеми з бізнес-експертами, але й провели дослідження на місці на фермі та заводі разом із клієнтом. Ми визначили розміщення камер на місці, встановили та розгорнули камери, а також розгорнули рішення для потокового відео. Фахівці AWS Generative AI Innovation Center проаналізували вимоги замовника та розробили алгоритм, який потім розробив архітектор рішення для всього алгоритму.

З кожним висновком ми можемо отримати тисячі розкладених і позначених тегами відео з коровою, кожне з оригінальним ідентифікатором відео, ідентифікатором корови, оцінкою кульгавості та різними детальними оцінками. Повна логіка розрахунку та необроблені дані ходи також були збережені для подальшої оптимізації алгоритму.

Дані про кульгавість можуть не лише використовуватися ветеринарами для раннього втручання, а й поєднуватися з даними доїльного апарату для перехресного аналізу, забезпечуючи додатковий вимір перевірки та відповідаючи на деякі додаткові бізнес-питання, наприклад: які фізичні характеристики корів із найвищим надої молока? Який вплив кульгавості на продуктивність молока у корів? Яка основна причина кульгавості корів і як цьому запобігти? Ця інформація дасть нові ідеї щодо роботи ферми.

Історія виявлення кульгавих корів на цьому закінчується, але історія інновацій на фермі тільки починається. У наступних статтях ми продовжимо обговорювати, як ми тісно співпрацюємо з клієнтами для вирішення інших проблем.

---

Про авторів

Хао Хуан є прикладним науковцем у Центрі інновацій AWS Generative AI. Він спеціалізується на комп’ютерному баченні (CV) і візуально-мовній моделі (VLM). Нещодавно він сильно зацікавився генеративними технологіями штучного інтелекту та вже співпрацював із клієнтами, щоб застосувати ці передові технології у своєму бізнесі. Він також є рецензентом конференцій ШІ, таких як ICCV та AAAI.

Пейян Хе є старшим спеціалістом із обробки даних у Центрі інновацій AWS Generative AI. Вона працює з клієнтами в різних галузях, щоб вирішити їхні найнагальніші та інноваційні бізнес-потреби, використовуючи рішення GenAI/ML. У вільний час вона любить кататися на лижах і подорожувати.

Сюефен Лю очолює наукову групу в Центрі інновацій AWS Generative AI в Азіатсько-Тихоокеанському регіоні та Великому Китаї. Його команда співпрацює з клієнтами AWS над проектами генеративного штучного інтелекту з метою прискорення впровадження клієнтами генеративного штучного інтелекту.

Тяньцзюнь Сяо є старшим прикладним науковим співробітником AWS AI Shanghai Lablet, який очолює роботу з комп’ютерного зору. Наразі його основна увага зосереджена на мультимодальних базових моделях та об’єктно-орієнтованому навчанні. Він активно досліджує їхній потенціал у різноманітних програмах, включаючи аналіз відео, 3D-бачення та автономне водіння.

Чжан Дай є старшим архітектором рішень AWS у бізнес-секторі China Geo. Він допомагає компаніям різного розміру досягти їхніх бізнес-цілей, надаючи консультації щодо бізнес-процесів, досвіду користувачів і хмарних технологій. Він є плідним автором блогів, а також автором двох книг: «Сучасний самонавчання» та «Досвід проектування».

Цзянью Цзен є старшим менеджером з рішень для клієнтів в AWS, який відповідає за підтримку клієнтів, таких як група New Hope, під час переходу на хмару та допомогу їм у реалізації бізнес-цінності за допомогою хмарних технологічних рішень. Виявляючи великий інтерес до штучного інтелекту, він постійно шукає способи використання ШІ для інноваційних змін у бізнесі наших клієнтів.

Керол Тонг Мін є старшим менеджером з розвитку бізнесу, відповідальним за ключових клієнтів у GCR GEO West, включаючи двох важливих корпоративних клієнтів: Jiannanchun Group і New Hope Group. Вона одержима клієнтами та завжди зацікавлена ​​у підтримці та прискоренні хмарної подорожі клієнтів.

Нік Цзян є старшим спеціалістом із продажу в команді AIML SSO у Китаї. Він зосереджений на передачі інноваційних рішень AIML і допомозі клієнтам створювати робочі навантаження, пов’язані зі штучним інтелектом, у AWS.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/