AI ٹیکنالوجی کا استعمال کرتے ہوئے اپنے مویشیوں پر نظر رکھنا | ایمیزون ویب سروسز

At ایمیزون ویب سروسز (AWS)، نہ صرف ہم گاہکوں کو متعدد جامع تکنیکی حل فراہم کرنے کے بارے میں پرجوش ہیں، بلکہ ہم اپنے صارفین کے کاروباری عمل کو گہرائی سے سمجھنے کے خواہشمند بھی ہیں۔ ہم ایک فریق ثالث کے نقطہ نظر اور معروضی فیصلے کو اپناتے ہیں تاکہ صارفین کو ان کی قدر کی تجاویز کو ترتیب دینے، درد کے نکات جمع کرنے، مناسب حل تجویز کرنے، اور سب سے زیادہ سرمایہ کاری مؤثر اور قابل استعمال پروٹو ٹائپ تخلیق کرنے میں مدد ملے تاکہ وہ اپنے کاروباری اہداف کو منظم طریقے سے حاصل کر سکیں۔

اس طریقہ کو کہا جاتا ہے۔ پیچھے کام کرنا AWS میں اس کا مطلب ہے کہ ٹیکنالوجی اور حل کو ایک طرف رکھنا، صارفین کے متوقع نتائج سے شروع کرنا، ان کی قدر کی تصدیق کرنا، اور پھر حتمی طور پر کسی حل کو نافذ کرنے سے پہلے الٹا ترتیب میں کیا کرنے کی ضرورت ہے۔ نفاذ کے مرحلے کے دوران، ہم کے تصور کی بھی پیروی کرتے ہیں۔ کم از کم قابل عمل مصنوعات اور فوری طور پر ایک پروٹو ٹائپ بنانے کی کوشش کریں جو چند ہفتوں میں قدر پیدا کر سکے، اور پھر اس پر اعادہ کریں۔

آج، آئیے ایک کیس اسٹڈی کا جائزہ لیں جہاں AWS اور New Hope Dairy نے کلاؤڈ پر ایک سمارٹ فارم بنانے کے لیے تعاون کیا۔ اس بلاگ پوسٹ سے، آپ اس بارے میں گہری سمجھ حاصل کر سکتے ہیں کہ AWS ایک سمارٹ فارم بنانے کے لیے کیا فراہم کر سکتا ہے اور AWS ماہرین کے ساتھ کلاؤڈ پر سمارٹ فارم ایپلی کیشنز کو کیسے بنایا جائے۔

پروجیکٹ کا پس منظر

دودھ ایک غذائیت سے بھرپور مشروب ہے۔ قومی صحت کو مدنظر رکھتے ہوئے، چین ڈیری صنعت کی ترقی کو فعال طور پر فروغ دے رہا ہے۔ یورو مانیٹر انٹرنیشنل کے اعداد و شمار کے مطابق، چین میں ڈیری مصنوعات کی فروخت 638.5 میں 2020 بلین RMB تک پہنچ گئی اور 810 میں 2025 بلین RMB تک پہنچنے کی توقع ہے۔ اس کے علاوہ، گزشتہ 14 سالوں میں کمپاؤنڈ سالانہ ترقی کی شرح بھی 10 فیصد تک پہنچ گئی ہے، تیز رفتار ترقی دکھا رہا ہے.

دوسری طرف، 2022 تک، چینی ڈیری انڈسٹری کی زیادہ تر آمدنی اب بھی مائع دودھ سے آتی ہے۔ خام دودھ کا ساٹھ فیصد مائع دودھ اور دہی کے لیے استعمال ہوتا ہے، اور دوسرا 20 فیصد دودھ کا پاؤڈر ہے جو مائع دودھ سے مشتق ہے۔ انتہائی پراسیس شدہ مصنوعات جیسے پنیر اور کریم کے لیے صرف بہت کم مقدار استعمال ہوتی ہے۔

مائع دودھ ایک ہلکی پروسیس شدہ مصنوعات ہے اور اس کی پیداوار، معیار اور قیمت کا کچے دودھ سے گہرا تعلق ہے۔ اس کا مطلب یہ ہے کہ اگر ڈیری انڈسٹری انتہائی پروسیس شدہ مصنوعات کی تیاری پر توجہ مرکوز کرنے، نئی مصنوعات بنانے، اور زیادہ جدید بائیو ٹیکنالوجی ریسرچ کرنے کی صلاحیت کو آزاد کرنا چاہتی ہے، تو اسے پہلے خام دودھ کی پیداوار اور معیار کو بہتر اور مستحکم کرنا ہوگا۔

ڈیری انڈسٹری کے رہنما کے طور پر، نیو ہوپ ڈیری اس بارے میں سوچ رہی ہے کہ اپنے فارم کے کاموں کی کارکردگی کو کیسے بہتر بنایا جائے اور کچے دودھ کی پیداوار اور معیار کو کیسے بڑھایا جائے۔ نیو ہوپ ڈیری ڈیری انڈسٹری میں جدت طرازی کو آسان بنانے کے لیے تیسرے فریق کے تناظر اور AWS کی تکنیکی مہارت کو استعمال کرنے کی امید رکھتی ہے۔ نیو ہوپ ڈیری کے لیوتونگ ہو، VP اور CIO کے تعاون اور فروغ کے ساتھ، AWS کسٹمر ٹیم نے ڈیری فارمز کے لیے آپریشنز اور ممکنہ اختراعی پوائنٹس کو منظم کرنا شروع کیا۔

ڈیری فارم کے چیلنجز

AWS کلاؤڈ ٹیکنالوجی کے شعبے میں ایک ماہر ہے، لیکن ڈیری انڈسٹری میں جدت کو نافذ کرنے کے لیے ڈیری مضامین کے ماہرین سے پیشہ ورانہ مشورہ ضروری ہے۔ لہٰذا، ہم نے لیانگرونگ سونگ، نیو ہوپ ڈیری کے پروڈکشن ٹیکنالوجی سینٹر کے ڈپٹی ڈائریکٹر، فارم کو درپیش کچھ مسائل اور چیلنجوں کو سمجھنے کے لیے فارم مینجمنٹ ٹیم، اور غذائیت کے ماہرین کے ساتھ کئی گہرائی سے انٹرویوز کیے ہیں۔

سب سے پہلے ریزرو گایوں کی انوینٹری لینا ہے۔

کھیت میں دودھ دینے والی گائے دو قسموں میں تقسیم ہوتی ہیں: دودھ والی گائیں اور ریزرو گائے. ڈیری گائے بالغ ہوتی ہیں اور مسلسل دودھ دیتی ہیں، جبکہ ریزرو گائے ایسی گائے ہیں جو دودھ پیدا کرنے کی عمر کو نہیں پہنچی ہیں۔ بڑے اور درمیانے درجے کے فارمز عام طور پر ریزرو گائے کو ایک بڑے کھلے سرگرمی کے علاقے کے ساتھ فراہم کرتے ہیں تاکہ بڑھتے ہوئے زیادہ آرام دہ ماحول پیدا کیا جا سکے۔

تاہم، ڈیری گائے اور ریزرو گائے دونوں فارم کے اثاثے ہیں اور ان کی ماہانہ فہرست کی ضرورت ہے۔ دودھ والی گایوں کو ہر روز دودھ دیا جاتا ہے، اور چونکہ وہ دودھ دینے کے دوران نسبتاً ساکت رہتی ہیں، اس لیے انوینٹری کا پتہ لگانا آسان ہے۔ تاہم، ریزرو گائے ایک کھلی جگہ پر ہوتی ہیں اور آزادانہ گھومتی ہیں، جس کی وجہ سے ان کی انوینٹری میں تکلیف ہوتی ہے۔ جب بھی انوینٹری لی جاتی ہے، کئی کارکنان مختلف علاقوں سے بار بار ریزرو گائے گنتے ہیں، اور آخر میں، نمبروں کی جانچ پڑتال کی جاتی ہے۔ اس عمل میں کئی کارکنوں کو ایک سے دو دن لگتے ہیں، اور اکثر گنتی کو ترتیب دینے میں دشواری ہوتی ہے یا اس بارے میں غیر یقینی صورتحال ہوتی ہے کہ آیا ہر گائے کو شمار کیا گیا ہے۔

اہم وقت بچایا جا سکتا ہے اگر ہمارے پاس گائیوں کو جلدی اور درست طریقے سے ذخیرہ کرنے کا طریقہ ہو۔

دوسرا لنگڑے مویشیوں کی شناخت کرنا ہے۔

فی الحال، زیادہ تر ڈیری کمپنیاں نام کی ایک نسل استعمال کرتی ہیں۔ ہالسٹن دودھ پیدا کرنے کے لئے. ہولسٹین سیاہ اور سفید گائے ہیں جن سے ہم میں سے اکثر واقف ہیں۔ زیادہ تر ڈیری کمپنیاں ایک ہی نسل کا استعمال کرنے کے باوجود، مختلف کمپنیوں اور کھیتوں میں دودھ کی پیداوار کی مقدار اور معیار میں اب بھی فرق موجود ہے۔ اس کی وجہ یہ ہے کہ دودھ والی گایوں کی صحت براہ راست دودھ کی پیداوار کو متاثر کرتی ہے۔

تاہم، گائے اپنے طور پر تکلیف کا اظہار نہیں کر سکتیں جیسا کہ انسان کر سکتے ہیں، اور جانوروں کے ڈاکٹروں کے لیے ہزاروں گایوں کا باقاعدگی سے جسمانی معائنہ کرنا عملی نہیں ہے۔ لہٰذا، ہمیں گائے کی صحت کی حالت کا فوری فیصلہ کرنے کے لیے بیرونی اشارے استعمال کرنا ہوں گے۔

گائے کی صحت کے بیرونی اشارے شامل ہیں۔ جسمانی حالت کا سکور اور لنگڑا پن کی ڈگری. جسمانی حالت کا اسکور زیادہ تر گائے کے جسم کی چربی کے فیصد سے متعلق ہے اور یہ ایک طویل مدتی اشارے ہے، جبکہ لنگڑا پن ایک مختصر مدتی اشارے ہے جو ٹانگوں کے مسائل یا پاؤں میں انفیکشن اور دیگر مسائل کی وجہ سے ہوتا ہے جو گائے کے مزاج، صحت اور دودھ کی پیداوار کو متاثر کرتے ہیں۔ مزید برآں، بالغ ہولسٹین گائے کا وزن 500 کلوگرام سے زیادہ ہو سکتا ہے، جو ان کے پاؤں کو کافی نقصان پہنچا سکتا ہے اگر وہ مستحکم نہ ہوں۔ لہذا، جب لنگڑا پن ہوتا ہے، تو جانوروں کے ڈاکٹروں کو جلد از جلد مداخلت کرنی چاہیے۔

2014 کی ایک تحقیق کے مطابق چین میں شدید لنگڑی گایوں کا تناسب 31 فیصد تک ہو سکتا ہے۔ اگرچہ مطالعہ کے بعد سے صورتحال میں بہتری آئی ہے، لیکن فارموں پر جانوروں کے ڈاکٹروں کی تعداد انتہائی محدود ہے، جس کی وجہ سے گایوں کی باقاعدگی سے نگرانی کرنا مشکل ہو جاتا ہے۔ جب لنگڑا پن کا پتہ چل جاتا ہے، صورت حال اکثر شدید ہوتی ہے، اور علاج وقت طلب اور مشکل ہوتا ہے، اور دودھ کی پیداوار پہلے ہی متاثر ہوتی ہے۔

اگر ہمارے پاس گایوں میں لنگڑے پن کا بروقت پتہ لگانے کا طریقہ ہے اور جانوروں کے ڈاکٹروں کو ہلکے لنگڑے پن کے مرحلے پر مداخلت کرنے کے لیے کہا جائے تو گایوں کی مجموعی صحت اور دودھ کی پیداوار میں اضافہ ہوگا، اور فارم کی کارکردگی بہتر ہوگی۔

آخر میں، فیڈ لاگت کی اصلاح ہے۔

مویشیوں کی صنعت کے اندر، فیڈ سب سے بڑی متغیر لاگت ہے۔ فیڈ کے معیار اور انوینٹری کو یقینی بنانے کے لیے، فارموں کو اکثر گھریلو اور غیر ملکی سپلائرز سے فیڈ کے اجزاء خریدنے اور پروسیسنگ کے لیے فیڈ فارمولیشن فیکٹریوں تک پہنچانے کی ضرورت ہوتی ہے۔ جدید فیڈ اجزاء کی بہت سی قسمیں ہیں، جن میں سویا بین کا کھانا، مکئی، الفالفا، جئی گھاس وغیرہ شامل ہیں، جس کا مطلب ہے کہ بہت سے متغیرات ہیں۔ ہر قسم کے فیڈ اجزاء کی اپنی قیمت کا چکر اور قیمت میں اتار چڑھاو ہوتا ہے۔ اہم اتار چڑھاو کے دوران، فیڈ کی کل لاگت میں 15 فیصد سے زیادہ اتار چڑھاؤ آ سکتا ہے، جس سے ایک اہم اثر پڑتا ہے۔

فیڈ کی قیمتوں میں اتار چڑھاؤ آتا ہے، لیکن ڈیری مصنوعات کی قیمتیں طویل مدت میں نسبتاً مستحکم رہتی ہیں۔ نتیجتاً، بصورت دیگر غیر تبدیل شدہ حالات میں، فیڈ لاگت میں تبدیلی کی وجہ سے مجموعی منافع خالصتاً نمایاں طور پر اتار چڑھاؤ آ سکتا ہے۔

اس اتار چڑھاؤ سے بچنے کے لیے، قیمتیں کم ہونے پر مزید اجزاء ذخیرہ کرنے پر غور کرنا ضروری ہے۔ لیکن ذخیرہ اندوزی کے لیے اس بات پر بھی غور کرنے کی ضرورت ہے کہ آیا قیمت حقیقی طور پر گرت پر ہے اور فیڈ کی موجودہ کھپت کی شرح کے مطابق کتنی مقدار میں خریدی جانی چاہیے۔

اگر ہمارے پاس فیڈ کی کھپت کی قطعی طور پر پیش گوئی کرنے کا طریقہ ہے اور اسے قیمت کے مجموعی رجحان کے ساتھ جوڑ کر فیڈ کی خریداری کے لیے بہترین وقت اور مقدار تجویز کرنے کا طریقہ ہے، تو ہم لاگت کو کم کر سکتے ہیں اور فارم پر کارکردگی بڑھا سکتے ہیں۔

یہ واضح ہے کہ یہ مسائل براہ راست کسٹمر کے بہتر بنانے کے ہدف سے متعلق ہیں۔ فارم آپریشنل کارکردگی، اور طریقے بالترتیب ہیں۔ مزدوری کو آزاد کرنا, پیداوار میں اضافہ اور اخراجات کو کم کرنا. ہر مسئلے کو حل کرنے کی دشواری اور قدر پر بات چیت کے ذریعے، ہم نے انتخاب کیا۔ پیداوار میں اضافہ نقطہ آغاز کے طور پر اور لنگڑی گایوں کے مسئلے کو حل کرنے کو ترجیح دی گئی۔

ریسرچ

ٹیکنالوجی پر بحث کرنے سے پہلے تحقیق کرنی تھی۔ یہ تحقیق AWS کسٹمر ٹیم نے مشترکہ طور پر کی تھی۔ AWS جنریٹیو AI انوویشن سینٹرجس نے مشین لرننگ الگورتھم ماڈلز کا انتظام کیا، اور AWS AI شنگھائی لیبلٹجو کہ جدید ترین کمپیوٹر ویژن ریسرچ اور نیو ہوپ ڈیری کی ماہر کاشتکاری ٹیم پر الگورتھم سے مشاورت فراہم کرتا ہے۔ تحقیق کو کئی حصوں میں تقسیم کیا گیا:

• لنگڑی گایوں کی کاغذ پر مبنی شناخت کے روایتی طریقہ کو سمجھنا اور لنگڑی گائے کیا ہیں اس کی بنیادی سمجھ پیدا کرنا۔
• موجودہ حلوں کی تصدیق کرنا، بشمول فارموں اور صنعت میں استعمال ہونے والے حل۔
• جسمانی صورتحال اور حدود کو سمجھنے کے لیے فارم کے ماحول کی تحقیق کرنا۔

مواد کا مطالعہ کرنے اور سائٹ پر موجود ویڈیوز کے مشاہدے کے ذریعے، ٹیموں نے لنگڑی گایوں کی بنیادی سمجھ حاصل کی۔ قارئین نیچے دی گئی متحرک تصویر کے ذریعے لنگڑی گایوں کی کرنسی کا بنیادی خیال بھی حاصل کر سکتے ہیں۔

ایک نسبتاً صحت مند گائے کے برعکس۔

صحت مند گایوں کے مقابلے لنگڑی گایوں کی کرنسی اور چال میں واضح فرق ہوتا ہے۔

موجودہ حل کے بارے میں، زیادہ تر کھیت لنگڑی گایوں کی شناخت کے لیے جانوروں کے ڈاکٹروں اور غذائیت کے ماہرین کے ذریعے بصری معائنہ پر انحصار کرتے ہیں۔ صنعت میں، ایسے حل موجود ہیں جو شناخت کے لیے پہننے کے قابل پیڈومیٹر اور ایکسلرومیٹر استعمال کرتے ہیں، نیز ایسے حل ہیں جو شناخت کے لیے تقسیم شدہ وزنی پلوں کا استعمال کرتے ہیں، لیکن دونوں نسبتاً مہنگے ہیں۔ انتہائی مسابقتی ڈیری انڈسٹری کے لیے، ہمیں شناختی اخراجات اور اخراجات اور غیر عام ہارڈ ویئر پر انحصار کو کم کرنے کی ضرورت ہے۔

فارم کے جانوروں کے ڈاکٹروں اور غذائیت کے ماہرین کے ساتھ معلومات پر تبادلہ خیال اور تجزیہ کرنے کے بعد، AWS جنریٹیو AI انوویشن سینٹر کے ماہرین نے شناخت کے لیے کمپیوٹر وژن (CV) کا استعمال کرنے کا فیصلہ کیا، صرف عام ہارڈ ویئر پر انحصار کرتے ہوئے: سویلین سرویلنس کیمرے، جو اس پر کوئی اضافی بوجھ نہیں ڈالتے۔ گائے اور اخراجات اور استعمال کی رکاوٹوں کو کم کریں۔

اس سمت کا فیصلہ کرنے کے بعد، ہم نے سائٹ پر ہزاروں گایوں کے ساتھ ایک درمیانے سائز کے فارم کا دورہ کیا، کھیت کے ماحول کی چھان بین کی، اور کیمرہ لگانے کے مقام اور زاویے کا تعین کیا۔

ابتدائی تجویز

اب، حل کے لئے. ہمارے CV پر مبنی حل کا بنیادی حصہ درج ذیل مراحل پر مشتمل ہے:

• گائے کی شناخت: ویڈیو کے ایک فریم میں متعدد گایوں کی شناخت کریں اور ہر گائے کی پوزیشن کو نشان زد کریں۔
• گائے سے باخبر رہنا: ویڈیو ریکارڈنگ کے دوران، ہمیں گایوں کو مسلسل ٹریک کرنے کی ضرورت ہے کیونکہ فریم تبدیل ہوتے ہیں اور ہر گائے کو ایک منفرد نمبر تفویض کرتے ہیں۔
• کرنسی مارکنگ: گائے کی تصاویر کو نشان زد پوائنٹس میں تبدیل کرکے گائے کی نقل و حرکت کی جہت کو کم کریں۔
• بے ضابطگی کی شناخت: نشان زد پوائنٹس کی حرکیات میں بے ضابطگیوں کی نشاندہی کریں۔
• لنگڑی گائے کا الگورتھم: گائے کے لنگڑے پن کی ڈگری کا تعین کرنے کے لیے اسکور حاصل کرنے کے لیے بے ضابطگیوں کو معمول بنائیں۔
• حد کا تعین: ماہرانہ معلومات کی بنیاد پر ایک حد حاصل کریں۔

AWS جنریٹو AI انوویشن سنٹر کے ماہرین کے فیصلے کے مطابق، پہلے چند اقدامات عمومی تقاضے ہیں جنہیں اوپن سورس ماڈلز کا استعمال کرتے ہوئے حل کیا جا سکتا ہے، جب کہ بعد کے مراحل میں ہم سے ریاضیاتی طریقوں اور ماہرین کی مداخلت کی ضرورت ہوتی ہے۔

حل میں مشکلات

لاگت اور کارکردگی کو متوازن کرنے کے لیے، ہم نے yolov5l ماڈل کا انتخاب کیا، گائے کی شناخت کے لیے ایک درمیانے درجے کا پہلے سے تربیت یافتہ ماڈل، جس کی ان پٹ چوڑائی 640 پکسلز ہے، جو اس منظر کے لیے اچھی قیمت فراہم کرتا ہے۔

اگرچہ YOLOv5 ایک ہی تصویر میں گائے کو پہچاننے اور ٹیگ کرنے کے لیے ذمہ دار ہے، حقیقت میں، ویڈیوز میں متعدد تصاویر (فریمز) ہوتی ہیں جو مسلسل بدلتی رہتی ہیں۔ YOLOv5 یہ شناخت نہیں کر سکتا کہ مختلف فریموں میں موجود گائے ایک ہی فرد کی ہیں۔ متعدد تصاویر میں گائے کو ٹریک کرنے اور تلاش کرنے کے لیے، SORT نامی ایک اور ماڈل کی ضرورت ہے۔

SORT کا مطلب ہے۔ سادہ آن لائن اور ریئل ٹائم ٹریکنگ، کہاں آن لائن اس کا مطلب یہ ہے کہ یہ کسی دوسرے فریم پر غور کیے بغیر صرف موجودہ اور پچھلے فریموں کو ٹریک کرنے پر غور کرتا ہے، اور حقیقی وقت اس کا مطلب ہے کہ یہ فوری طور پر آبجیکٹ کی شناخت کر سکتا ہے۔

SORT کی ترقی کے بعد، بہت سے انجینئرز نے اسے لاگو کیا اور اسے بہتر بنایا، جس کے نتیجے میں OC-SORT کی ترقی ہوئی، جو آبجیکٹ کی ظاہری شکل پر غور کرتا ہے، DeepSORT (اور اس کا اپ گریڈ شدہ ورژن، StrongSORT)، جس میں انسانی ظاہری شکل شامل ہے، اور ByteTrack، جو استعمال کرتا ہے۔ کم اعتماد کی شناخت پر غور کرنے کے لیے دو مرحلوں پر مشتمل ایسوسی ایشن لنکر۔ جانچ کے بعد، ہم نے پایا کہ ہمارے منظر کے لیے، DeepSORT کا ظاہری شکل سے باخبر رہنے کا الگورتھم گائے کے مقابلے انسانوں کے لیے زیادہ موزوں ہے، اور ByteTrack کی ٹریکنگ کی درستگی قدرے کمزور ہے۔ نتیجے کے طور پر، ہم نے بالآخر اپنے ٹریکنگ الگورتھم کے طور پر OC-SORT کا انتخاب کیا۔

اگلا، ہم گائے کے کنکال پوائنٹس کو نشان زد کرنے کے لیے DeepLabCut (مختصر کے لیے DLC) کا استعمال کرتے ہیں۔ ڈی ایل سی ایک مارکر لیس ماڈل ہے، جس کا مطلب ہے کہ اگرچہ مختلف پوائنٹس، جیسے سر اور اعضاء، کے مختلف معنی ہوسکتے ہیں، لیکن وہ سب صرف پوائنٹس DLC کے لیے، جس کے لیے ہم سے صرف پوائنٹس کو نشان زد کرنے اور ماڈل کو تربیت دینے کی ضرورت ہوتی ہے۔

یہ ایک نئے سوال کی طرف جاتا ہے: ہمیں ہر گائے پر کتنے پوائنٹس کو نشان زد کرنا چاہئے اور ہمیں انہیں کہاں نشان زد کرنا چاہئے؟ اس سوال کا جواب مارکنگ، ٹریننگ، اور اس کے نتیجے میں ہونے والی کارکردگی کے کام کے بوجھ کو متاثر کرتا ہے۔ اس مسئلے کو حل کرنے کے لیے ہمیں سب سے پہلے یہ سمجھنا چاہیے کہ لنگڑی گایوں کو کیسے پہچانا جائے۔

ہماری تحقیق اور ہمارے ماہر کلائنٹس کی معلومات کی بنیاد پر، ویڈیوز میں لنگڑی گائے درج ذیل خصوصیات کو ظاہر کرتی ہیں:

• ایک محراب والا پیٹھ: گردن اور پیٹھ مڑے ہوئے ہیں، جو گردن کی ہڈی کی جڑ کے ساتھ ایک مثلث بناتے ہیں (محراب والی پشت)۔
• بار بار سر ہلانا: ہر قدم گائے کو توازن کھونے یا پھسلنے کا سبب بن سکتا ہے، جس کے نتیجے میں بار بار ہوتا ہے۔ سر ہلا رہا ہے (سر بوبنگ)
• غیر مستحکم چال: گائے کی چال چند قدموں کے بعد بدل جاتی ہے، معمولی توقف کے ساتھ (چلنے کے انداز میں تبدیلی)۔

گردن اور کمر کے گھماؤ کے ساتھ ساتھ سر ہلانے کے حوالے سے، AWS جنریٹیو AI انوویشن سینٹر کے ماہرین نے یہ طے کیا ہے کہ مویشیوں پر صرف سات بیک پوائنٹس (ایک سر پر، ایک گردن کے نیچے اور پانچ پیٹھ پر) نشان زد کر سکتے ہیں۔ اچھی شناخت کے نتیجے میں. چونکہ اب ہمارے پاس شناخت کا ایک فریم ہے، ہمیں غیر مستحکم چال کے نمونوں کو بھی پہچاننے کے قابل ہونا چاہیے۔

اگلا، ہم شناختی نتائج کی نمائندگی کرنے اور الگورتھم بنانے کے لیے ریاضی کے تاثرات استعمال کرتے ہیں۔

ان مسائل کی انسانی شناخت مشکل نہیں ہے، لیکن کمپیوٹر کی شناخت کے لیے درست الگورتھم درکار ہیں۔ مثال کے طور پر، ایک پروگرام گائے کی پیٹھ کے گھماؤ کی ڈگری کو گائے کے پیچھے کوآرڈینیٹ پوائنٹس کے سیٹ سے کیسے جانتا ہے؟ یہ کیسے پتہ چلے گا کہ گائے سر ہلا رہی ہے؟

پیچھے کی گھماؤ کے لحاظ سے، ہم پہلے گائے کی پیٹھ کو ایک زاویہ کے طور پر دیکھتے ہیں اور پھر ہم اس زاویے کا چوٹی تلاش کرتے ہیں، جو ہمیں زاویہ کا حساب لگانے کی اجازت دیتا ہے۔ اس طریقہ کار میں مسئلہ یہ ہے کہ ریڑھ کی ہڈی میں دو طرفہ گھماؤ ہو سکتا ہے، جس سے زاویہ کی چوٹی کو پہچاننا مشکل ہو جاتا ہے۔ اس مسئلے کو حل کرنے کے لیے دوسرے الگورتھم پر سوئچ کرنے کی ضرورت ہے۔

سر ہلانے کے معاملے میں، ہم نے پہلے Fréchet فاصلے کا استعمال کرتے ہوئے اس بات کا تعین کرنے کے لیے غور کیا کہ آیا گائے گائے کی مجموعی کرنسی کے وکر میں فرق کا موازنہ کر کے سر ہلا رہی ہے۔ تاہم، مسئلہ یہ ہے کہ گائے کے کنکال پوائنٹس بے گھر ہوسکتے ہیں، جس کی وجہ سے اسی طرح کے منحنی خطوط کے درمیان اہم فاصلہ پیدا ہوتا ہے۔ اس مسئلے کو حل کرنے کے لیے، ہمیں شناختی خانے سے متعلق سر کی پوزیشن کو نکال کر اسے معمول پر لانا ہوگا۔

سر کی پوزیشن کو معمول پر لانے کے بعد، ہمیں ایک نئی پریشانی کا سامنا کرنا پڑا۔ مندرجہ ذیل تصویر میں، بائیں طرف کا گراف گائے کے سر کی پوزیشن میں تبدیلی کو ظاہر کرتا ہے۔ ہم دیکھ سکتے ہیں کہ شناخت کی درستگی کے مسائل کی وجہ سے، ہیڈ پوائنٹ کی پوزیشن مسلسل ہلکی سی ہلتی رہے گی۔ ہمیں ان چھوٹی حرکتوں کو دور کرنے اور سر کی نسبتاً بڑی حرکت کا رجحان تلاش کرنے کی ضرورت ہے۔ یہ وہ جگہ ہے جہاں سگنل پروسیسنگ کے بارے میں کچھ علم کی ضرورت ہے۔ Savitzky-Golay فلٹر کا استعمال کرتے ہوئے، ہم ایک سگنل کو ہموار کر سکتے ہیں اور اس کے مجموعی رجحان کو حاصل کر سکتے ہیں، جس سے ہمارے لیے سر ہلانے کی شناخت کرنا آسان ہو جاتا ہے، جیسا کہ دائیں طرف کے گراف میں نارنجی وکر سے دکھایا گیا ہے۔

مزید برآں، درجنوں گھنٹے کی ویڈیو کی شناخت کے بعد، ہم نے پایا کہ کچھ گائیں جن کی کمر بہت زیادہ گھماؤ والی ہے، درحقیقت ان کی پیٹھ پیچھے نہیں تھی۔ مزید تفتیش سے معلوم ہوا کہ ایسا اس لیے ہوا کہ ڈی ایل سی ماڈل کی تربیت کے لیے استعمال ہونے والی زیادہ تر گائیں زیادہ تر کالی یا کالی اور سفید تھیں، اور ایسی بہت سی گائیں نہیں تھیں جو زیادہ تر سفید یا خالص سفید کے قریب تھیں، جس کے نتیجے میں ماڈل نے انہیں غلط طریقے سے پہچانا جب ان کے جسم پر سفید رنگ کے بڑے حصے تھے، جیسا کہ نیچے دی گئی تصویر میں سرخ تیر سے دکھایا گیا ہے۔ اس کو مزید ماڈل ٹریننگ کے ذریعے درست کیا جا سکتا ہے۔

پچھلے مسائل کو حل کرنے کے علاوہ، دیگر عمومی مسائل تھے جن کو حل کرنے کی ضرورت تھی:

• ویڈیو فریم میں دو راستے ہیں، اور فاصلے پر موجود گائے کو بھی پہچانا جا سکتا ہے، جس سے مسائل پیدا ہو سکتے ہیں۔
• ویڈیو میں راستوں میں بھی ایک خاص گھما ہوا ہے، اور گائے کے جسم کی لمبائی اس وقت کم ہو جاتی ہے جب گائے راستے کے اطراف میں ہوتی ہے، جس سے کرنسی کو غلط طریقے سے پہچاننا آسان ہو جاتا ہے۔
• ایک سے زیادہ گایوں کے اوورلیپ یا باڑ سے بند ہونے کی وجہ سے، ایک ہی گائے کی شناخت دو گایوں کے طور پر کی جا سکتی ہے۔
• ٹریکنگ پیرامیٹرز اور کیمرہ کے کبھی کبھار فریم چھوڑنے کی وجہ سے، گائے کو درست طریقے سے ٹریک کرنا ناممکن ہے، جس کے نتیجے میں ID کنفیوژن کے مسائل پیدا ہوتے ہیں۔

قلیل مدت میں، کم از کم قابل عمل مصنوعات کی فراہمی اور پھر اس پر اعادہ کرنے کے لیے نیو ہوپ ڈیری کے ساتھ صف بندی کی بنیاد پر، ان مسائل کو عام طور پر اعتماد کی فلٹرنگ کے ساتھ مل کر آؤٹ لیئر ججمنٹ الگورتھم کے ذریعے حل کیا جا سکتا ہے، اور اگر ان کو حل نہیں کیا جا سکتا، تو وہ بن جائیں گے۔ غلط ڈیٹا، جس کے لیے ہم سے اضافی تربیت کی ضرورت ہوتی ہے اور اپنے الگورتھم اور ماڈلز کو مسلسل دہرانا پڑتا ہے۔

طویل مدتی میں ، AWS AI شنگھائی لیبلٹ ان کی آبجیکٹ پر مبنی تحقیق کی بنیاد پر سابقہ ​​مسائل کو حل کرنے کے لیے مستقبل کے تجربات کی تجاویز فراہم کیں: ریئل ورلڈ آبجیکٹ سینٹرک لرننگ کے خلا کو پورا کرنا اور خود زیر نگرانی اموڈل ویڈیو آبجیکٹ سیگمنٹیشن. ان خارجی اعداد و شمار کو باطل کرنے کے علاوہ، مسائل کو پوز کے تخمینے، اموڈل سیگمنٹیشن، اور زیر نگرانی ٹریکنگ کے لیے زیادہ درست آبجیکٹ لیول ماڈل تیار کر کے بھی حل کیا جا سکتا ہے۔ تاہم، ان کاموں کے لیے روایتی وژن پائپ لائنز کو عام طور پر وسیع لیبلنگ کی ضرورت ہوتی ہے۔ آبجیکٹ سنٹرک لرننگ اضافی نگرانی کے بغیر اشیاء کے پکسلز کے پابند مسئلہ سے نمٹنے پر مرکوز ہے۔ بائنڈنگ عمل نہ صرف اشیاء کے محل وقوع کے بارے میں معلومات فراہم کرتا ہے بلکہ اس کے نتیجے میں بہاوی کاموں کے لیے مضبوط اور قابل موافقت آبجیکٹ کی نمائندگی بھی ہوتی ہے۔ چونکہ آبجیکٹ سینٹرک پائپ لائن خود زیر نگرانی یا کمزور نگرانی والی ترتیبات پر فوکس کرتی ہے، اس لیے ہم اپنے صارفین کے لیے لیبلنگ کے اخراجات میں نمایاں اضافہ کیے بغیر کارکردگی کو بہتر بنا سکتے ہیں۔

مسائل کی ایک سیریز کو حل کرنے اور فارم کے ماہر ویٹرنریرین اور نیوٹریشنسٹ کی طرف سے دیے گئے اسکور کو یکجا کرنے کے بعد، ہم نے گایوں کے لیے لنگڑا پن کا ایک جامع اسکور حاصل کیا ہے، جس سے ہمیں لنگڑے پن کی مختلف ڈگریوں جیسے شدید، اعتدال پسند اور ہلکے پن والی گایوں کی شناخت کرنے میں مدد ملتی ہے، اور گائے کی متعدد جسمانی کرنسی کی خصوصیات کی نشاندہی کریں، مزید تجزیہ اور فیصلے میں مدد کریں۔

ہفتوں کے اندر، ہم نے لنگڑی گایوں کی شناخت کے لیے آخر سے آخر تک حل تیار کیا۔ اس حل کے لیے ہارڈ ویئر کیمرے کی قیمت صرف 300 RMB ہے، اور ایمیزون سیج میکر بیچ کا اندازہ، g4dn.xlarge مثال استعمال کرتے وقت، 50 گھنٹے کی ویڈیو کے لیے تقریباً 2 گھنٹے لگے، کل صرف 300 RMB۔ جب یہ پیداوار میں داخل ہوتا ہے، اگر فی ہفتہ گائیوں کے پانچ کھیپوں کا پتہ چل جاتا ہے (تقریباً 10 گھنٹے فرض کیا جاتا ہے)، اور اس میں رولنگ محفوظ شدہ ویڈیوز اور ڈیٹا بھی شامل ہے، تو کئی ہزار گایوں کے ساتھ درمیانے درجے کے فارم کے لیے ماہانہ پتہ لگانے کی لاگت 10,000 RMB سے کم ہے۔

فی الحال، ہمارے مشین لرننگ ماڈل کا عمل درج ذیل ہے:

1. خام ویڈیو ریکارڈ کی گئی ہے۔
2. گائے کا پتہ لگا کر ان کی شناخت کی جاتی ہے۔
3. ہر گائے کو ٹریک کیا جاتا ہے، اور اہم نکات کا پتہ چلا جاتا ہے۔
4. ہر گائے کی حرکت کا تجزیہ کیا جاتا ہے۔
5. لنگڑا پن کا سکور طے ہوتا ہے۔

ماڈل کی تعیناتی۔

ہم نے مشین لرننگ کی بنیاد پر لنگڑی گایوں کی شناخت کا حل پہلے بیان کیا ہے۔ اب، ہمیں ان ماڈلز کو SageMaker پر تعینات کرنے کی ضرورت ہے۔ جیسا کہ مندرجہ ذیل تصویر میں دکھایا گیا ہے:

کاروباری عمل درآمد

بلاشبہ، ہم نے اب تک جو بات چیت کی ہے وہ ہمارے تکنیکی حل کا بنیادی حصہ ہے۔ پورے حل کو کاروباری عمل میں ضم کرنے کے لیے، ہمیں درج ذیل مسائل کو بھی حل کرنا ہوگا:

• ڈیٹا فیڈ بیک: مثال کے طور پر، ہمیں جانوروں کے ڈاکٹروں کو لنگڑی گایوں کو فلٹر کرنے اور دیکھنے کے لیے ایک انٹرفیس فراہم کرنا چاہیے جن پر کارروائی کی ضرورت ہے اور اس عمل کے دوران ڈیٹا اکٹھا کرنا ہے تاکہ تربیتی ڈیٹا کے طور پر استعمال کیا جا سکے۔
• گائے کی شناخت: جانوروں کے ڈاکٹر کے لنگڑی گائے کو دیکھنے کے بعد، انہیں گائے کی شناخت، جیسے کہ اس کا نمبر اور قلم بھی جاننے کی ضرورت ہوتی ہے۔
• گائے کی پوزیشننگ: سینکڑوں گایوں کے ساتھ ایک قلم میں، فوری طور پر ہدف گائے کا پتہ لگائیں۔
• اعداد و شمار کوجھنا: مثال کے طور پر، معلوم کریں کہ لنگڑے پن کی ڈگری کھانا کھلانے، افواہوں، آرام اور دودھ کی پیداوار کو کیسے متاثر کرتی ہے۔
• ڈیٹا پر مبنی: مثال کے طور پر، زیادہ سے زیادہ افزائش اور تولید کو حاصل کرنے کے لیے لنگڑی گایوں کی جینیاتی، جسمانی اور طرز عمل کی خصوصیات کی شناخت کریں۔

صرف ان مسائل کو حل کرنے سے ہی کاروباری مسئلے کو صحیح معنوں میں حل کیا جا سکتا ہے، اور جمع کردہ ڈیٹا طویل مدتی قدر پیدا کر سکتا ہے۔ ان میں سے کچھ مسائل سسٹم کے انضمام کے مسائل ہیں، جبکہ دیگر ٹیکنالوجی اور کاروباری انضمام کے مسائل ہیں۔ ہم مستقبل کے مضامین میں ان مسائل کے بارے میں مزید معلومات کا اشتراک کریں گے۔

خلاصہ

اس مضمون میں، ہم نے مختصراً بتایا کہ کس طرح AWS کسٹمر سلوشنز ٹیم گاہک کے کاروبار کی بنیاد پر تیزی سے اختراعات کرتی ہے۔ اس میکانزم میں کئی خصوصیات ہیں:

• کاروبار کی قیادت: ٹکنالوجی پر بات کرنے سے پہلے سائٹ پر اور ذاتی طور پر صارف کی صنعت اور کاروباری عمل کو سمجھنے کو ترجیح دیں، اور پھر گاہک کے درد کے نکات، چیلنجز، اور مسائل کا جائزہ لیں تاکہ اہم مسائل کی نشاندہی کی جا سکے جنہیں ٹیکنالوجی سے حل کیا جا سکتا ہے۔
• فوری طور پر دستیاب: ایک سادہ لیکن مکمل اور قابل استعمال پروٹو ٹائپ براہ راست کسٹمر کو جانچ، توثیق اور تیزی سے تکرار کے لیے مہینوں کے اندر نہیں بلکہ ہفتوں میں فراہم کریں۔
• کم سے کم لاگت: مستقبل کے بارے میں خدشات سے گریز کرتے ہوئے، قیمت کی صحیح معنوں میں توثیق ہونے سے پہلے گاہک کے اخراجات کو کم سے کم یا ختم کر دیں۔ یہ AWS کے ساتھ مطابقت رکھتا ہے۔ سستی قیادت کے اصول.

ڈیری انڈسٹری کے ساتھ اپنے مشترکہ جدت طرازی کے منصوبے میں، ہم نے نہ صرف کاروباری نقطہ نظر سے کاروباری ماہرین کے ساتھ مخصوص کاروباری مسائل کی نشاندہی کرنے کے لیے آغاز کیا، بلکہ گاہک کے ساتھ فارم اور فیکٹری میں سائٹ پر تحقیقات بھی کیں۔ ہم نے سائٹ پر کیمرہ کی جگہ کا تعین کیا، کیمروں کو انسٹال اور تعینات کیا، اور ویڈیو اسٹریمنگ سلوشن کو تعینات کیا۔ AWS جنریٹو AI انوویشن سینٹر کے ماہرین نے گاہک کی ضروریات کو الگ الگ کیا اور ایک الگورتھم تیار کیا، جسے پھر پورے الگورتھم کے لیے ایک حل آرکیٹیکٹ نے انجنیئر کیا۔

ہر ایک اندازہ کے ساتھ، ہم ہزاروں سڑے ہوئے اور ٹیگ شدہ گائے کے چلنے کی ویڈیوز حاصل کر سکتے ہیں، جن میں سے ہر ایک کی اصل ویڈیو ID، کاؤ ID، لنگڑا پن اسکور، اور مختلف تفصیلی اسکورز ہیں۔ مکمل حساب کتاب کی منطق اور خام چال کا ڈیٹا بھی بعد میں الگورتھم کی اصلاح کے لیے برقرار رکھا گیا۔

لنگڑا پن کا ڈیٹا نہ صرف جانوروں کے ڈاکٹروں کی جانب سے ابتدائی مداخلت کے لیے استعمال کیا جا سکتا ہے، بلکہ کراس تجزیہ کے لیے دودھ دینے والی مشین کے ڈیٹا کے ساتھ مل کر، ایک اضافی توثیق کی جہت فراہم کرتا ہے اور کچھ اضافی کاروباری سوالات کے جوابات دیتا ہے، جیسے: گائے کی جسمانی خصوصیات کیا ہیں جن میں سب سے زیادہ دودھ کی پیداوار؟ گائے میں دودھ کی پیداوار پر لنگڑے پن کا کیا اثر ہے؟ لنگڑی گایوں کی اصل وجہ کیا ہے اور اسے کیسے روکا جا سکتا ہے؟ یہ معلومات فارم آپریشنز کے لیے نئے آئیڈیاز فراہم کرے گی۔

لنگڑی گایوں کی شناخت کی کہانی یہیں ختم ہوتی ہے، لیکن فارم کی اختراع کی کہانی ابھی شروع ہوئی ہے۔ اس کے بعد کے مضامین میں، ہم اس بات پر بات کرتے رہیں گے کہ دوسرے مسائل کو حل کرنے کے لیے ہم کس طرح گاہکوں کے ساتھ مل کر کام کرتے ہیں۔

---

مصنفین کے بارے میں

ہاؤ ہوانگ AWS جنریٹیو AI انوویشن سینٹر میں ایک اپلائیڈ سائنسدان ہے۔ وہ کمپیوٹر وژن (CV) اور بصری زبان کے ماڈل (VLM) میں مہارت رکھتا ہے۔ حال ہی میں، اس نے جنریٹیو AI ٹیکنالوجیز میں ایک مضبوط دلچسپی پیدا کی ہے اور اس نے پہلے ہی صارفین کے ساتھ ان جدید ٹیکنالوجیز کو اپنے کاروبار میں لاگو کرنے کے لیے تعاون کیا ہے۔ وہ AI کانفرنسوں جیسے ICCV اور AAAI کا جائزہ لینے والا بھی ہے۔

پییانگ ہی AWS جنریٹیو AI انوویشن سینٹر میں ایک سینئر ڈیٹا سائنسدان ہیں۔ وہ صنعتوں کے متنوع سپیکٹرم میں صارفین کے ساتھ کام کرتی ہے تاکہ وہ GenAI/ML سلوشنز سے فائدہ اٹھاتے ہوئے ان کی انتہائی اہم اور جدید کاروباری ضروریات کو حل کریں۔ اپنے فارغ وقت میں وہ اسکیئنگ اور سفر سے لطف اندوز ہوتی ہے۔

زوفینگ لیو ایشیا پیسفک اور گریٹر چائنا کے علاقوں میں AWS جنریٹو AI انوویشن سینٹر میں سائنس ٹیم کی قیادت کرتا ہے۔ ان کی ٹیم AWS صارفین کے ساتھ جنریٹو AI پروجیکٹس پر شراکت کرتی ہے، جس کا مقصد صارفین کے جنریٹو AI کو اپنانے میں تیزی لانا ہے۔

تیانجن ژاؤ AWS AI شنگھائی لیبلٹ کے ایک سینئر اپلائیڈ سائنس دان ہیں، جو کمپیوٹر ویژن کی کوششوں میں شریک رہنمائی کر رہے ہیں۔ فی الحال، اس کی بنیادی توجہ ملٹی موڈل فاؤنڈیشن ماڈلز اور آبجیکٹ سینٹرک لرننگ کے دائروں میں ہے۔ وہ ویڈیو تجزیہ، 3D وژن اور خود مختار ڈرائیونگ سمیت متنوع ایپلی کیشنز میں ان کی صلاحیتوں کی سرگرمی سے تحقیقات کر رہا ہے۔

ژانگ ڈائی چائنا جیو بزنس سیکٹر کے لیے AWS سینئر حل آرکیٹیکٹ ہے۔ وہ مختلف سائز کی کمپنیوں کو کاروباری عمل، صارف کے تجربے اور کلاؤڈ ٹیکنالوجی پر مشاورت فراہم کرکے اپنے کاروباری اہداف حاصل کرنے میں مدد کرتا ہے۔ وہ ایک مشہور بلاگ مصنف ہیں اور دو کتابوں کے مصنف بھی ہیں: جدید آٹو ڈیڈیکٹ اور ڈیزائننگ کا تجربہ۔

جیانیو زینگ AWS میں ایک سینئر کسٹمر سلوشنز مینیجر ہیں، جن کی ذمہ داری ہے کہ وہ کلاؤڈ ٹرانزیشن کے دوران نیو ہوپ گروپ جیسے صارفین کی مدد کریں اور کلاؤڈ بیسڈ ٹیکنالوجی سلوشنز کے ذریعے کاروباری قدر کو حاصل کرنے میں ان کی مدد کریں۔ مصنوعی ذہانت میں گہری دلچسپی کے ساتھ، وہ مسلسل AI سے فائدہ اٹھانے کے طریقے تلاش کر رہا ہے تاکہ ہمارے کسٹمر کے کاروبار میں اختراعی تبدیلیاں لائی جا سکیں۔

کیرول ٹونگ من ایک سینئر بزنس ڈویلپمنٹ مینیجر ہے، جو GCR GEO West میں کلیدی اکاؤنٹس کے لیے ذمہ دار ہے، بشمول دو اہم انٹرپرائز صارفین: Jiannanchun Group اور New Hope Group۔ وہ گاہک کی جنون میں مبتلا ہے، اور گاہکوں کے کلاؤڈ سفر کی حمایت اور تیز کرنے کے بارے میں ہمیشہ پرجوش رہتی ہے۔

نک جیانگ چین میں AIML SSO ٹیم میں ایک سینئر ماہر سیلز ہیں۔ وہ اختراعی AIML سلوشنز کو منتقل کرنے اور AWS کے اندر AI سے متعلق کام کا بوجھ بنانے میں کسٹمر کی مدد کرنے پر توجہ مرکوز کر رہا ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/