At أمازون ويب سيرفيسز (أوس)، نحن لسنا متحمسين فقط لتزويد العملاء بمجموعة متنوعة من الحلول التقنية الشاملة، ولكننا أيضًا حريصون على الفهم العميق للعمليات التجارية لعملائنا. نحن نعتمد منظور طرف ثالث وحكمًا موضوعيًا لمساعدة العملاء على فرز عروض القيمة الخاصة بهم، وجمع نقاط الضعف، واقتراح الحلول المناسبة، وإنشاء النماذج الأولية الأكثر فعالية من حيث التكلفة وقابلة للاستخدام لمساعدتهم على تحقيق أهداف أعمالهم بشكل منهجي.
هذه الطريقة تسمى العمل إلى الوراء في AWS. ويعني وضع التكنولوجيا والحلول جانبًا، بدءًا من النتائج المتوقعة للعملاء، وتأكيد قيمتها، ومن ثم استنتاج ما يجب القيام به بترتيب عكسي قبل تنفيذ الحل في النهاية. خلال مرحلة التنفيذ، نتبع أيضًا مفهوم الحد الأدنى من المنتجات قابلة للحياة ونسعى جاهدين لتشكيل نموذج أولي سريعًا يمكنه توليد قيمة في غضون أسابيع قليلة، ومن ثم التكرار عليه.
اليوم، دعونا نراجع دراسة حالة حيث تعاونت AWS وNew Hope Dairy لبناء مزرعة ذكية على السحابة. من منشور المدونة هذا، يمكنك الحصول على فهم عميق حول ما يمكن أن توفره AWS لإنشاء مزرعة ذكية وكيفية إنشاء تطبيقات المزرعة الذكية على السحابة مع خبراء AWS.
خلفية المشروع
الحليب هو مشروب مغذي. وفي ضوء الصحة الوطنية، تعمل الصين بنشاط على تعزيز تطوير صناعة الألبان. وفقًا لبيانات من يورومونيتور إنترناشيونال، وصلت مبيعات منتجات الألبان في الصين إلى 638.5 مليار يوان صيني في عام 2020، ومن المتوقع أن تصل إلى 810 مليار يوان صيني في عام 2025. بالإضافة إلى ذلك، وصل معدل النمو السنوي المركب في السنوات الـ 14 الماضية أيضًا إلى 10 بالمائة. تظهر التطور السريع.
من ناحية أخرى، اعتبارًا من عام 2022، لا تزال معظم إيرادات صناعة الألبان الصينية تأتي من الحليب السائل. يتم استخدام 20% من الحليب الخام في الحليب السائل والزبادي، وXNUMX% أخرى من الحليب المجفف – وهو أحد مشتقات الحليب السائل. يتم استخدام كمية صغيرة جدًا فقط للمنتجات عالية المعالجة مثل الجبن والقشدة.
الحليب السائل هو منتج معالج بشكل خفيف ويرتبط إنتاجه وجودته وتكلفته ارتباطًا وثيقًا بالحليب الخام. وهذا يعني أنه إذا كانت صناعة الألبان ترغب في تحرير القدرة للتركيز على إنتاج منتجات عالية المعالجة، وإنشاء منتجات جديدة، وإجراء المزيد من أبحاث التكنولوجيا الحيوية المبتكرة، فيتعين عليها أولاً تحسين واستقرار إنتاج وجودة الحليب الخام.
باعتبارها شركة رائدة في صناعة الألبان، تفكر شركة New Hope Dairy في كيفية تحسين كفاءة عمليات مزرعتها وزيادة إنتاج الحليب الخام وجودته. وتأمل شركة New Hope Dairy في استخدام منظور الطرف الثالث والخبرة التكنولوجية لشركة AWS لتسهيل الابتكار في صناعة الألبان. بفضل الدعم والترويج من Liutong Hu، نائب الرئيس ورئيس قسم المعلومات في شركة New Hope Dairy، بدأ فريق عملاء AWS في تنظيم العمليات ونقاط الابتكار المحتملة لمزارع الألبان.
تحديات مزرعة الألبان
تعتبر AWS خبيرة في مجال التكنولوجيا السحابية، ولكن لتنفيذ الابتكار في صناعة الألبان، من الضروري الحصول على المشورة المهنية من الخبراء في مجال منتجات الألبان. لذلك، أجرينا عدة مقابلات متعمقة مع ليانغ رونغ سونغ، نائب مدير مركز تكنولوجيا الإنتاج في شركة New Hope Dairy، وفريق إدارة المزرعة، وخبراء التغذية لفهم بعض المشكلات والتحديات التي تواجه المزرعة.
الأول هو جرد الأبقار الاحتياطية
تنقسم الأبقار الحلوب الموجودة في المزرعة إلى نوعين: الأبقار الحلوب و الأبقار الاحتياطية. الأبقار الحلوب تكون ناضجة وتنتج الحليب بشكل مستمر، أما الأبقار الاحتياطية فهي الأبقار التي لم تبلغ بعد سن إنتاج الحليب. عادة ما توفر المزارع الكبيرة والمتوسطة الحجم للأبقار الاحتياطية مساحة نشاط مفتوحة أكبر لخلق بيئة نمو أكثر راحة.
ومع ذلك، تعتبر كل من أبقار الألبان والأبقار الاحتياطية من أصول المزرعة ويجب جردها شهريًا. يتم حلب الأبقار الحلوب يوميًا، ولأنها تكون ساكنة نسبيًا أثناء الحلب، فإن تتبع المخزون أمر سهل. ومع ذلك، فإن الأبقار الاحتياطية تكون في مكان مفتوح وتتجول بحرية، مما يجعل من غير المناسب جردها. في كل مرة يتم فيها الجرد، يقوم العديد من العمال بإحصاء الأبقار الاحتياطية بشكل متكرر من مناطق مختلفة، وفي النهاية، يتم فحص الأرقام. تستغرق هذه العملية يومًا أو يومين للعديد من العمال، وغالبًا ما تكون هناك مشاكل في مواءمة الأعداد أو عدم اليقين بشأن ما إذا كان قد تم حساب كل بقرة أم لا.
يمكن توفير وقت كبير إذا كانت لدينا طريقة لجرد الأبقار الاحتياطية بسرعة ودقة.
الثاني هو تحديد الماشية العرجاء
حاليًا، تستخدم معظم شركات الألبان سلالة تحمل الاسم نفسه هولشتاين لإنتاج الحليب. هولشتاين هي الأبقار السوداء والبيضاء التي يعرفها معظمنا. على الرغم من أن معظم شركات الألبان تستخدم نفس السلالة، إلا أنه لا تزال هناك اختلافات في كمية ونوعية إنتاج الحليب بين الشركات والمزارع المختلفة. وذلك لأن صحة الأبقار الحلوب تؤثر بشكل مباشر على إنتاج الحليب.
ومع ذلك، لا تستطيع الأبقار التعبير عن الانزعاج من تلقاء نفسها كما يفعل البشر، وليس من العملي بالنسبة للأطباء البيطريين إجراء فحوصات بدنية لآلاف الأبقار بانتظام. ولذلك، علينا استخدام المؤشرات الخارجية للحكم بسرعة على الحالة الصحية للأبقار.
تشمل المؤشرات الخارجية لصحة البقرة درجة حالة الجسم و درجة العرج. ترتبط درجة حالة الجسم إلى حد كبير بنسبة الدهون في جسم البقرة وهي مؤشر طويل المدى، في حين أن العرج هو مؤشر قصير المدى ناتج عن مشاكل في الساق أو التهابات في القدم وغيرها من المشكلات التي تؤثر على مزاج البقرة وصحتها وإنتاجها للحليب. بالإضافة إلى ذلك، يمكن أن تزن أبقار الهولشتاين البالغة أكثر من 500 كجم، مما قد يسبب ضررًا كبيرًا لأقدامها إذا لم تكن مستقرة. لذلك، عند حدوث العرج، يجب على الأطباء البيطريين التدخل في أسرع وقت ممكن.
وفقا لدراسة أجريت عام 2014، فإن نسبة الأبقار العرجاء بشدة في الصين يمكن أن تصل إلى 31 في المائة. على الرغم من أن الوضع ربما تحسن منذ الدراسة، إلا أن عدد الأطباء البيطريين في المزارع محدود للغاية، مما يجعل من الصعب مراقبة الأبقار بانتظام. عندما يتم الكشف عن العرج، غالبا ما تكون الحالة حادة، والعلاج يستغرق وقتا طويلا وصعبا، ويتأثر إنتاج الحليب بالفعل.
إذا كانت لدينا طريقة للكشف عن العرج في الأبقار في الوقت المناسب وحث الأطباء البيطريين على التدخل في مرحلة العرج الخفيف، فإن الصحة العامة وإنتاج الحليب للأبقار سيزداد، وسيتحسن أداء المزرعة.
وأخيرًا، هناك تحسين تكلفة التغذية
وفي صناعة الماشية، يعتبر العلف هو أكبر تكلفة متغيرة. لضمان جودة الأعلاف ومخزونها، غالبًا ما تحتاج المزارع إلى شراء مكونات الأعلاف من الموردين المحليين والأجانب وتسليمها إلى مصانع تركيبات الأعلاف لمعالجتها. هناك أنواع عديدة من مكونات الأعلاف الحديثة، بما في ذلك وجبة فول الصويا، والذرة، والبرسيم الحجازي، وعشب الشوفان، وما إلى ذلك، مما يعني أن هناك العديد من المتغيرات المؤثرة. كل نوع من مكونات العلف له دورة أسعار خاصة به وتقلبات الأسعار. خلال التقلبات الكبيرة، يمكن أن تتقلب التكلفة الإجمالية للأعلاف بأكثر من 15 بالمائة، مما يسبب تأثيرًا كبيرًا.
تتقلب تكاليف الأعلاف، ولكن أسعار منتجات الألبان مستقرة نسبيا على المدى الطويل. وبالتالي، في ظل الظروف التي لم تتغير، يمكن أن يتقلب إجمالي الربح بشكل كبير بسبب التغيرات في تكلفة العلف.
لتجنب هذا التقلب، من الضروري التفكير في تخزين المزيد من المكونات عندما تكون الأسعار منخفضة. لكن التخزين يحتاج أيضًا إلى الأخذ في الاعتبار ما إذا كان السعر عند أدنى مستوياته حقًا وما هي كمية العلف التي يجب شراؤها وفقًا لمعدل الاستهلاك الحالي.
إذا كانت لدينا طريقة للتنبؤ بدقة باستهلاك الأعلاف ودمجها مع الاتجاه العام للسعر لاقتراح أفضل وقت وكمية العلف للشراء، فيمكننا تقليل التكاليف وزيادة الكفاءة في المزرعة.
من الواضح أن هذه المشكلات ترتبط ارتباطًا مباشرًا بهدف العميل المتمثل في التحسين الكفاءة التشغيلية للمزرعة، والأساليب على التوالي تحرير العمالة, زيادة الإنتاج و تقلل التكاليف. ومن خلال المناقشات حول صعوبة وقيمة حل كل قضية، اخترنا ذلك زيادة الإنتاج كنقطة انطلاق وأولوية لحل مشكلة الأبقار العرجاء.
أبحاث
قبل مناقشة التكنولوجيا، كان لا بد من إجراء البحوث. تم إجراء البحث بشكل مشترك من قبل فريق عملاء AWS، وهو مركز AWS للابتكار في مجال الذكاء الاصطناعي، والتي أدارت نماذج خوارزمية التعلم الآلي، و AWS AI Shanghai Lablet، والذي يقدم استشارات خوارزمية حول أحدث أبحاث الرؤية الحاسوبية وفريق الزراعة الخبير من New Hope Dairy. وقد قسم البحث إلى عدة أجزاء:
- فهم طريقة التحديد الورقية التقليدية للأبقار العرجاء وتطوير فهم أساسي لماهية الأبقار العرجاء.
- تأكيد الحلول الموجودة، بما في ذلك تلك المستخدمة في المزارع وفي الصناعة.
- إجراء أبحاث بيئة المزرعة لفهم الوضع المادي والقيود.
ومن خلال دراسة المواد ومراقبة مقاطع الفيديو في الموقع، اكتسبت الفرق فهمًا أساسيًا للأبقار العرجاء. يمكن للقراء أيضًا الحصول على فكرة أساسية عن وضعية الأبقار العرجاء من خلال الصورة المتحركة أدناه.
على عكس بقرة صحية نسبيا.
لدى الأبقار العرجاء اختلافات واضحة في الوضعية والمشية مقارنة بالأبقار السليمة.
وفيما يتعلق بالحلول الحالية، تعتمد معظم المزارع على الفحص البصري من قبل الأطباء البيطريين وأخصائيي التغذية لتحديد الأبقار العرجاء. في الصناعة، هناك حلول تستخدم عدادات الخطى ومقاييس التسارع القابلة للارتداء لتحديد الهوية، بالإضافة إلى الحلول التي تستخدم جسور الميزان المقسمة لتحديد الهوية، ولكن كلاهما باهظ الثمن نسبيًا. بالنسبة لصناعة الألبان ذات القدرة التنافسية العالية، نحتاج إلى تقليل تكاليف تحديد الهوية والتكاليف والاعتماد على الأجهزة غير العامة.
بعد مناقشة المعلومات وتحليلها مع الأطباء البيطريين وأخصائيي التغذية في المزرعة، قرر خبراء مركز AWS Geneative AI Innovation Center استخدام رؤية الكمبيوتر (CV) لتحديد الهوية، والاعتماد فقط على الأجهزة العادية: كاميرات المراقبة المدنية، والتي لا تضيف أي عبئًا إضافيًا على الأبقار وخفض التكاليف وعوائق الاستخدام.
بعد اتخاذ قرار بشأن هذا الاتجاه، قمنا بزيارة مزرعة متوسطة الحجم تضم آلاف الأبقار في الموقع، وفحصنا بيئة المزرعة، وحددنا موقع وزاوية وضع الكاميرا.
الاقتراح الأولي
الآن، للحل. يتكون جوهر الحل القائم على السيرة الذاتية لدينا من الخطوات التالية:
- تحديد البقرة: حدد عدة أبقار في إطار فيديو واحد وحدد موضع كل بقرة.
- تتبع البقرة: أثناء تسجيل الفيديو، نحتاج إلى تتبع الأبقار بشكل مستمر مع تغير الإطارات وتعيين رقم فريد لكل بقرة.
- علامات الموقف: تقليل أبعاد حركات البقرة عن طريق تحويل صور البقرة إلى نقاط محددة.
- تحديد الشذوذ: تحديد الحالات الشاذة في ديناميات النقاط المحددة.
- خوارزمية البقرة العرجاء: تطبيع الحالات الشاذة للحصول على درجة لتحديد درجة عرج البقرة.
- تحديد العتبة: الحصول على عتبة استنادا إلى مدخلات الخبراء.
وفقًا لحكم خبراء مركز AWS Geneative AI Innovation Center، فإن الخطوات القليلة الأولى هي متطلبات عامة يمكن حلها باستخدام نماذج مفتوحة المصدر، بينما تتطلب الخطوات الأخيرة منا استخدام الأساليب الرياضية وتدخل الخبراء.
صعوبات في الحل
لتحقيق التوازن بين التكلفة والأداء، اخترنا نموذج yolov5l، وهو نموذج متوسط الحجم مُدرب مسبقًا للتعرف على البقرة، بعرض إدخال يبلغ 640 بكسل، مما يوفر قيمة جيدة لهذا المشهد.
في حين أن YOLOv5 مسؤول عن التعرف على الأبقار ووضع علامات عليها في صورة واحدة، إلا أن مقاطع الفيديو في الواقع تتكون من صور (إطارات) متعددة تتغير باستمرار. لا يستطيع YOLOv5 تحديد أن الأبقار الموجودة في إطارات مختلفة تنتمي إلى نفس الفرد. لتتبع البقرة وتحديد موقعها عبر صور متعددة، هناك حاجة إلى نموذج آخر يسمى SORT.
SORT تعني تتبع بسيط عبر الإنترنت وفي الوقت الحقيقي، حيث online يعني أنه يأخذ في الاعتبار الإطارات الحالية والسابقة فقط للتتبع دون النظر إلى أي إطارات أخرى، و في الوقت الحالى يعني أنه يمكنه التعرف على هوية الكائن على الفور.
بعد تطوير SORT، قام العديد من المهندسين بتنفيذه وتحسينه، مما أدى إلى تطوير OC-SORT، الذي يأخذ في الاعتبار مظهر الكائن، وDeepSORT (ونسخته المطورة، StrongSORT)، والذي يتضمن المظهر البشري، وByteTrack، الذي يستخدم رابط اقتران من مرحلتين للنظر في التعرف على الثقة المنخفضة. بعد الاختبار، وجدنا أنه بالنسبة لمشهدنا، فإن خوارزمية تتبع المظهر الخاصة بـ DeepSORT مناسبة للبشر أكثر من الأبقار، كما أن دقة تتبع ByteTrack أضعف قليلاً. ونتيجة لذلك، اخترنا في النهاية OC-SORT لتكون خوارزمية التتبع الخاصة بنا.
بعد ذلك، نستخدم DeepLabCut (DLC للاختصار) لتحديد نقاط الهيكل العظمي للأبقار. DLC هو نموذج بدون علامات، مما يعني أنه على الرغم من أن النقاط المختلفة، مثل الرأس والأطراف، قد يكون لها معاني مختلفة، إلا أنها جميعها مجرد نقاط لـ DLC، والذي يتطلب منا فقط تحديد النقاط وتدريب النموذج.
وهذا يؤدي إلى سؤال جديد: كم عدد النقاط التي يجب أن نضع علامة عليها على كل بقرة وأين يجب أن نضع علامة عليها؟ تؤثر الإجابة على هذا السؤال على عبء العمل في وضع العلامات والتدريب وكفاءة الاستدلال اللاحقة. لحل هذه المشكلة، يجب علينا أولا أن نفهم كيفية التعرف على الأبقار العرجاء.
بناءً على أبحاثنا ومدخلات عملائنا الخبراء، تظهر الأبقار العرجاء في مقاطع الفيديو الخصائص التالية:
- الظهر المقوس: الرقبة والظهر منحنيتان، وتشكلان مثلثًا مع جذر عظمة الرقبة (الظهر المقوس).
- الإيماء المتكرر: يمكن أن تتسبب كل خطوة في فقدان البقرة لتوازنها أو انزلاقها، مما يؤدي إلى تكرارها الايماء (تمايل الراس).
- مشية غير مستقرة: تتغير مشية البقرة بعد بضع خطوات، مع توقفات طفيفة (تغيير نمط المشية).
فيما يتعلق بانحناء الرقبة والظهر بالإضافة إلى الإيماء، قرر الخبراء من مركز AWS Geneative AI Innovation Center أنه من الممكن تحديد سبع نقاط خلفية فقط (واحدة على الرأس، وواحدة عند قاعدة الرقبة، وخمس على الظهر) على الماشية يؤدي إلى تحديد جيد. وبما أن لدينا الآن إطارًا لتحديد الهوية، فيجب أن نكون أيضًا قادرين على التعرف على أنماط المشي غير المستقرة.
بعد ذلك، نستخدم التعبيرات الرياضية لتمثيل نتائج التعريف وخوارزميات النموذج.
إن التعرف البشري على هذه المشكلات ليس بالأمر الصعب، ولكن هناك حاجة إلى خوارزميات دقيقة للتعرف على الكمبيوتر. على سبيل المثال، كيف يمكن لبرنامج أن يعرف درجة انحناء ظهر البقرة بالنظر إلى مجموعة من النقاط الإحداثية لظهر البقرة؟ كيف تعرف إذا كانت البقرة تومئ برأسها؟
فيما يتعلق بانحناء الظهر، نفكر أولاً في التعامل مع ظهر البقرة كزاوية ثم نجد قمة تلك الزاوية، مما يسمح لنا بحساب الزاوية. المشكلة في هذه الطريقة هي أن العمود الفقري قد يكون به انحناء ثنائي الاتجاه، مما يجعل تحديد قمة الزاوية صعبًا. وهذا يتطلب التبديل إلى خوارزميات أخرى لحل المشكلة.
فيما يتعلق بالإيماء، فكرنا أولاً في استخدام مسافة فريشيه لتحديد ما إذا كانت البقرة تومئ برأسها من خلال مقارنة الفرق في منحنى الوضع العام للبقرة. ومع ذلك، فإن المشكلة هي أن نقاط الهيكل العظمي للبقرة قد يتم إزاحتها، مما يسبب مسافة كبيرة بين المنحنيات المتشابهة. لحل هذه المشكلة، نحتاج إلى إزالة موضع الرأس بالنسبة لصندوق التعرف وتطبيعه.
بعد تطبيع وضع الرأس، واجهنا مشكلة جديدة. في الصورة التالية، الرسم البياني الموجود على اليسار يوضح التغير في موضع رأس البقرة. يمكننا أن نرى أنه بسبب مشاكل دقة التعرف، فإن موضع نقطة الرأس سوف يهتز باستمرار قليلاً. نحتاج إلى إزالة هذه الحركات الصغيرة والعثور على اتجاه الحركة الكبير نسبيًا للرأس. هذا هو المكان الذي نحتاج فيه إلى بعض المعرفة بمعالجة الإشارات. باستخدام مرشح Savitzky-Golay، يمكننا تسهيل الإشارة والحصول على اتجاهها العام، مما يسهل علينا تحديد الإيماء، كما هو موضح في المنحنى البرتقالي في الرسم البياني على اليمين.
بالإضافة إلى ذلك، بعد عشرات الساعات من التعرف على الفيديو، وجدنا أن بعض الأبقار ذات انحناء الظهر المرتفع للغاية لم يكن لها في الواقع أحدب الظهر. وكشف المزيد من التحقيقات أن هذا يرجع إلى أن معظم الأبقار المستخدمة لتدريب نموذج المحتوى القابل للتنزيل (DLC) كانت في الغالب سوداء أو سوداء وبيضاء، ولم يكن هناك الكثير من الأبقار التي كانت في الغالب بيضاء أو قريبة من الأبيض النقي، مما أدى إلى تعرف النموذج عليها بشكل غير صحيح عندما وكانت لديهم مناطق بيضاء كبيرة على أجسادهم، كما هو موضح بالسهم الأحمر في الشكل أدناه. ويمكن تصحيح ذلك من خلال مزيد من التدريب النموذجي.
بالإضافة إلى حل المشاكل السابقة، كانت هناك مشاكل عامة أخرى تحتاج إلى حل:
- يوجد مساران في إطار الفيديو، ويمكن أيضًا التعرف على الأبقار الموجودة على مسافة، مما يسبب مشاكل.
- تتميز المسارات الموجودة في الفيديو أيضًا بانحناء معين، ويصبح طول جسم البقرة أقصر عندما تكون البقرة على جانبي المسار، مما يسهل التعرف على الوضعية بشكل غير صحيح.
- نظرًا لتداخل العديد من الأبقار أو الانسداد من السياج، يمكن تحديد البقرة نفسها على أنها بقرتين.
- نظرًا لمعلمات التتبع وتخطي إطار الكاميرا في بعض الأحيان، فمن المستحيل تتبع الأبقار بشكل صحيح، مما يؤدي إلى مشكلات ارتباك في الهوية.
على المدى القصير، واستنادًا إلى التوافق مع شركة New Hope Dairy بشأن تقديم الحد الأدنى من المنتجات القابلة للتطبيق ثم التكرار عليه، يمكن عادةً حل هذه المشكلات من خلال خوارزميات الحكم المتطرفة جنبًا إلى جنب مع تصفية الثقة، وإذا لم يكن من الممكن حلها، فسوف تصبح بيانات غير صالحة، الأمر الذي يتطلب منا إجراء تدريب إضافي وتكرار خوارزمياتنا ونماذجنا بشكل مستمر.
على المدى الطويل، AWS AI Shanghai Lablet قدمت اقتراحات تجارب مستقبلية لحل المشكلات السابقة بناءً على أبحاثها المتمركزة حول الكائنات: سد الفجوة في التعلم المرتكز على الكائنات في العالم الحقيقي و تجزئة كائنات الفيديو Amodal ذاتية الإشراف. إلى جانب إبطال تلك البيانات الخارجية، يمكن أيضًا معالجة المشكلات من خلال تطوير نماذج أكثر دقة على مستوى الكائن لتقدير الوضع، والتجزئة النموذجية، والتتبع الخاضع للإشراف. ومع ذلك، تتطلب مسارات الرؤية التقليدية لهذه المهام عادةً وضع علامات واسعة النطاق. يركز التعلم المرتكز على الكائنات على معالجة مشكلة ربط وحدات البكسل بالكائنات دون إشراف إضافي. لا توفر عملية الربط معلومات عن موقع الكائنات فحسب، بل تؤدي أيضًا إلى تمثيل كائنات قوية وقابلة للتكيف للمهام النهائية. نظرًا لأن المسار المرتكز على الكائن يركز على الإعدادات الخاضعة للإشراف الذاتي أو للإشراف الضعيف، يمكننا تحسين الأداء دون زيادة تكاليف وضع العلامات بشكل كبير على عملائنا.
بعد حل سلسلة من المشاكل والجمع بين الدرجات التي قدمها الطبيب البيطري وأخصائي التغذية في المزرعة، حصلنا على درجة عرج شاملة للأبقار، مما يساعدنا على تحديد الأبقار ذات درجات العرج المختلفة مثل الشديد، المتوسط، والخفيف، ويمكنها أيضًا تحديد سمات وضعية الجسم المتعددة للأبقار، مما يساعد على مزيد من التحليل والحكم.
وفي غضون أسابيع، قمنا بتطوير حل شامل لتحديد الأبقار العرجاء. تبلغ تكلفة الكاميرا الخاصة بهذا الحل 300 يوان صيني فقط، و الأمازون SageMaker استغرق الاستدلال الدفعي، عند استخدام مثيل g4dn.xlarge، حوالي 50 ساعة لمدة ساعتين من الفيديو، بإجمالي 2 يوان صيني فقط. عندما يدخل الإنتاج، إذا تم الكشف عن خمس دفعات من الأبقار أسبوعيًا (بافتراض حوالي 300 ساعات)، بما في ذلك مقاطع الفيديو والبيانات المحفوظة المتداولة، فإن تكلفة الكشف الشهرية لمزرعة متوسطة الحجم تضم عدة آلاف من الأبقار أقل من 10 يوان صيني.
حاليًا، عملية نموذج التعلم الآلي لدينا هي كما يلي:
- يتم تسجيل الفيديو الخام.
- يتم الكشف عن الأبقار وتحديد هويتها.
- يتم تعقب كل بقرة، ويتم الكشف عن النقاط الرئيسية.
- يتم تحليل حركة كل بقرة.
- يتم تحديد درجة العرج.
نشر النموذج
لقد وصفنا الحل لتحديد الأبقار العرجاء بناءً على التعلم الآلي من قبل. والآن، نحتاج إلى نشر هذه النماذج على SageMaker. كما هو مبين في الشكل التالي:
تنفيذ الأعمال
وبطبيعة الحال، ما ناقشناه حتى الآن هو مجرد جوهر الحل التقني الذي نقدمه. لدمج الحل بأكمله في عملية الأعمال، يجب علينا أيضًا معالجة المشكلات التالية:
- ردود الفعل على البيانات: على سبيل المثال، يجب أن نوفر للأطباء البيطريين واجهة لتصفية وعرض الأبقار العرجاء التي تحتاج إلى معالجة وجمع البيانات أثناء هذه العملية لاستخدامها كبيانات تدريب.
- تحديد البقرة: بعد أن يرى الطبيب البيطري بقرة عرجاء، يحتاج أيضًا إلى معرفة هوية البقرة، مثل رقمها وقلمها.
- وضع البقرة: في حظيرة بها مئات الأبقار، حدد موقع البقرة المستهدفة بسرعة.
- بيانات التعدين: على سبيل المثال، اكتشف كيف تؤثر درجة العرج على التغذية، والاجترار، والراحة، وإنتاج الحليب.
- تعتمد على البيانات: على سبيل المثال، التعرف على الخصائص الوراثية والفسيولوجية والسلوكية للأبقار العرجاء لتحقيق التربية والتكاثر الأمثل.
فقط من خلال معالجة هذه المشكلات يمكن للحل أن يحل مشكلة العمل حقًا، ويمكن للبيانات المجمعة أن تولد قيمة طويلة المدى. بعض هذه المشكلات هي مشكلات تكامل النظام، بينما البعض الآخر عبارة عن مشكلات تكامل التكنولوجيا والأعمال. سنشارك المزيد من المعلومات حول هذه المشكلات في المقالات المستقبلية.
نبذة عامة
في هذه المقالة، شرحنا بإيجاز كيف يبتكر فريق AWS Customer Solutions بسرعة بناءً على أعمال العميل. وتتميز هذه الآلية بعدة خصائص:
- الأعمال التي يقودها: إعطاء الأولوية لفهم صناعة العميل والعمليات التجارية في الموقع وشخصيًا قبل مناقشة التكنولوجيا، ثم التعمق في نقاط الضعف والتحديات والمشكلات التي يواجهها العميل لتحديد المشكلات المهمة التي يمكن حلها باستخدام التكنولوجيا.
- متوفر حالا: قم بتوفير نموذج أولي بسيط ولكنه كامل وقابل للاستخدام مباشرة إلى العميل للاختبار والتحقق من الصحة والتكرار السريع في غضون أسابيع، وليس أشهر.
- الحد الأدنى من التكلفة: يمكنك تقليل تكاليف العميل أو حتى إزالتها قبل التحقق من صحة القيمة حقًا، وتجنب المخاوف بشأن المستقبل. وهذا يتوافق مع AWS التوفير مبدأ القيادة.
في مشروع الابتكار التعاوني الخاص بنا مع صناعة الألبان، لم نبدأ فقط من منظور الأعمال لتحديد مشكلات عمل محددة مع خبراء الأعمال، ولكننا أجرينا أيضًا تحقيقات في الموقع في المزرعة والمصنع مع العميل. لقد حددنا موضع الكاميرا في الموقع، وقمنا بتركيب الكاميرات ونشرها، ونشرنا حل بث الفيديو. قام خبراء من مركز AWS Geneative AI Innovation Center بتحليل متطلبات العميل وتطوير خوارزمية، والتي تم تصميمها بعد ذلك بواسطة مهندس حلول للخوارزمية بأكملها.
مع كل استنتاج، يمكننا الحصول على الآلاف من مقاطع الفيديو المتحللة والموسومة بمشي الأبقار، كل منها يحتوي على معرف الفيديو الأصلي، ومعرف البقرة، ودرجة العرج، ودرجات تفصيلية متنوعة. تم أيضًا الاحتفاظ بمنطق الحساب الكامل وبيانات المشية الأولية لتحسين الخوارزمية لاحقًا.
لا يمكن استخدام بيانات العرج للتدخل المبكر من قبل الأطباء البيطريين فحسب، بل يمكن أيضًا دمجها مع بيانات آلة الحلب للتحليل الشامل، مما يوفر بُعدًا إضافيًا للتحقق من الصحة والإجابة على بعض أسئلة العمل الإضافية، مثل: ما هي الخصائص الفيزيائية للأبقار التي تحتوي على أعلى نسبة المجموع الكلي من الحليب؟ ما هو تأثير العرج على إنتاج الحليب في الأبقار؟ ما هو السبب الرئيسي للعرج في الأبقار، وكيف يمكن الوقاية منه؟ ستوفر هذه المعلومات أفكارًا جديدة للعمليات الزراعية.
تنتهي قصة تحديد الأبقار العرجاء هنا، لكن قصة ابتكار المزرعة بدأت للتو. وفي المقالات اللاحقة، سنواصل مناقشة كيفية عملنا بشكل وثيق مع العملاء لحل المشكلات الأخرى.
حول المؤلف
هاو هوانغ هو عالم تطبيقي في AWS Generative AI Innovation Center. وهو متخصص في الرؤية الحاسوبية (CV) ونموذج اللغة المرئية (VLM). في الآونة الأخيرة ، طور اهتمامًا قويًا بتقنيات الذكاء الاصطناعي التوليدية وتعاون بالفعل مع العملاء لتطبيق هذه التقنيات المتطورة في أعمالهم. وهو أيضًا مراجع لمؤتمرات الذكاء الاصطناعي مثل ICCV و AAAI.
بييانج هي هو أحد كبار علماء البيانات في مركز AWS Geneative AI Innovation Center. إنها تعمل مع العملاء عبر مجموعة متنوعة من الصناعات لحل احتياجاتهم التجارية الأكثر إلحاحًا وابتكارًا من خلال الاستفادة من حلول GenAI/ML. وفي أوقات فراغها تستمتع بالتزلج والسفر.
شيوفنغ ليو يقود فريقًا علميًا في مركز AWS Geneative AI Innovation Center في منطقتي آسيا والمحيط الهادئ والصين الكبرى. يتعاون فريقه مع عملاء AWS في مشاريع الذكاء الاصطناعي التوليدي، بهدف تسريع اعتماد العملاء للذكاء الاصطناعي التوليدي.
تيانجون شياو هو أحد كبار العلماء التطبيقيين في AWS AI Shanghai Lablet، ويشارك في قيادة جهود الرؤية الحاسوبية. في الوقت الحاضر، ينصب تركيزه الأساسي على مجالات النماذج الأساسية متعددة الوسائط والتعلم المرتكز على الكائنات. وهو يبحث بنشاط في إمكاناتها في تطبيقات متنوعة، بما في ذلك تحليل الفيديو والرؤية ثلاثية الأبعاد والقيادة الذاتية.
تشانغ داي هو أحد كبار مهندسي الحلول لدى AWS لقطاع الأعمال الجغرافية الصينية. إنه يساعد الشركات من مختلف الأحجام على تحقيق أهداف أعمالها من خلال تقديم الاستشارات بشأن العمليات التجارية وتجربة المستخدم والتكنولوجيا السحابية. وهو كاتب مدونة غزير الإنتاج ومؤلف أيضًا لكتابين: The Modern Autodidact وDesigning Experience.
جيانيو تسنغ هو أحد كبار مديري حلول العملاء في AWS، وتتمثل مسؤوليته في دعم العملاء، مثل مجموعة New Hope، أثناء انتقالهم إلى السحابة ومساعدتهم في تحقيق قيمة الأعمال من خلال حلول التكنولوجيا المستندة إلى السحابة. ومع اهتمامه القوي بالذكاء الاصطناعي، فهو يستكشف باستمرار طرقًا للاستفادة من الذكاء الاصطناعي لدفع التغييرات المبتكرة في أعمال عملائنا.
كارول تونغ مين هو أحد كبار مديري تطوير الأعمال، وهو مسؤول عن الحسابات الرئيسية في GCR GEO West، بما في ذلك اثنين من عملاء المؤسسات المهمين: Jiannanchun Group وNew Hope Group. إنها مهووسة بالعملاء، ومتحمسة دائمًا لدعم وتسريع رحلة العملاء السحابية.
نيك جيانغ هو أحد كبار المبيعات المتخصصة في فريق AIML SSO في الصين. إنه يركز على نقل حلول AIML المبتكرة ومساعدة العملاء على بناء أعباء العمل المتعلقة بالذكاء الاصطناعي داخل AWS.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/
