At Amazon Web Services (AWS), me ei soovi mitte ainult pakkuda klientidele mitmesuguseid terviklikke tehnilisi lahendusi, vaid tahame ka oma klientide äriprotsesse põhjalikult mõista. Võtame kasutusele kolmanda osapoole vaatenurga ja objektiivse hinnangu, et aidata klientidel oma väärtuspakkumisi välja selgitada, valupunkte koguda, pakkuda sobivaid lahendusi ning luua kõige kuluefektiivsemaid ja kasutatavamaid prototüüpe, mis aitavad neil süstemaatiliselt oma ärieesmärke saavutada.

Seda meetodit nimetatakse töötab tagurpidi AWS-is. See tähendab tehnoloogia ja lahenduste kõrvale jätmist, alustades klientide oodatavatest tulemustest, kinnitades nende väärtust ja seejärel vastupidises järjekorras tehtavate järelduste tegemist enne lõpliku lahenduse juurutamist. Rakendusfaasis järgime ka kontseptsiooni minimaalne elujõuline toode ja püüdke kiiresti moodustada prototüüp, mis suudab mõne nädala jooksul väärtust luua, ja seejärel seda korrata.

Täna vaatame läbi juhtumiuuringu, kus AWS ja New Hope Dairy tegid koostööd, et luua pilvepõhine nutikas farm. Sellest ajaveebipostitusest saate sügavalt mõista, mida AWS võib nutika farmi ehitamiseks pakkuda ja kuidas koos AWS-i ekspertidega pilves nutikaid farmirakendusi luua.

Projekti taust

Piim on toitev jook. Rahvuslikku tervist silmas pidades on Hiina aktiivselt edendanud piimatööstuse arengut. Euromonitor Internationali andmetel ulatus piimatoodete müük Hiinas 638.5. aastal 2020 miljardi RMB-ni ja 810. aastal eeldatavasti 2025 miljardi RMB-ni. Lisaks on viimase 14 aasta liitaastane kasvumäär samuti jõudnud 10 protsendini, näitab kiiret arengut.

Teisest küljest tuleb 2022. aasta seisuga suurem osa Hiina piimatööstuse tuludest endiselt vedelast piimast. Kuuskümmend protsenti toorpiimast kasutatakse vedela piima ja jogurti valmistamiseks ning veel 20 protsenti on piimapulber – vedela piima derivaat. Väga väikest kogust kasutatakse kõrgelt töödeldud toodete jaoks, nagu juust ja koor.

Vedel piim on kergelt töödeldud toode ning selle toodang, kvaliteet ja maksumus on tihedalt seotud toorpiimaga. See tähendab, et kui piimatööstus soovib vabastada võimsust, et keskenduda kõrgelt töödeldud toodete tootmisele, luua uusi tooteid ja teha uuenduslikumaid biotehnoloogiaalaseid uuringuid, peab ta esmalt parandama ja stabiliseerima toorpiima tootmist ja kvaliteeti.

Piimatööstuse liidrina on New Hope Dairy mõelnud, kuidas tõhustada oma rantšo tegevust ning tõsta toorpiima tootmist ja kvaliteeti. New Hope Dairy loodab kasutada AWS-i kolmanda osapoole vaatenurka ja tehnoloogilisi teadmisi, et hõlbustada innovatsiooni piimatööstuses. New Hope Dairy asepresident ja infojuht Liutong Hu toel ja edutamisel hakkas AWS-i kliendimeeskond korraldama piimafarmide tegevusi ja potentsiaalseid innovatsioonipunkte.

Piimafarmi väljakutsed

AWS on pilvetehnoloogia valdkonna ekspert, kuid uuenduste juurutamiseks piimatööstuses on vajalik professionaalne nõustamine piimavaldkonna asjatundjatelt. Seetõttu viisime läbi mitu põhjalikku intervjuud Liangrong Songiga, New Hope Dairy tootmistehnoloogia keskuse asedirektori, rantšo juhtkonna ja toitumisspetsialistidega, et mõista farmi ees seisvaid probleeme ja väljakutseid.

Esiteks on reservlehmade inventuur

Rantšos olevad piimalehmad jagunevad kahte tüüpi: lüpsilehmad ja reservlehmad. Lüpsilehmad on täiskasvanud ja toodavad pidevalt piima, reservlehmad on aga lehmad, kes pole veel piimatootmisikka jõudnud. Suured ja keskmised farmid annavad reservlehmadele tavaliselt suurema avatud tegevusala, et luua mugavam kasvukeskkond.

Nii lüpsilehmad kui ka reservlehmad on aga farmi vara ja neid tuleb igakuiselt inventeerida. Lüpsilehmi lüpstakse iga päev ja kuna nad on lüpsmise ajal suhteliselt paigal, on laoseisu jälgimine lihtne. Reservlehmad on aga lagedal alal ja uitavad vabalt ringi, mistõttu on nende inventeerimine ebamugav. Iga inventuuri tegemisel loendavad mitmed töötajad korduvalt erinevatest piirkondadest pärit reservlehmi ja lõpuks kontrollitakse nende arvu. See protsess võtab mitme töötaja jaoks üks kuni kaks päeva ja sageli on probleeme loenduste joondamisega või ebakindlust, kas iga lehm on loendatud.

Märkimisväärset aega saab säästa, kui meil on võimalus lehmad kiiresti ja täpselt inventeerida.

Teiseks on lonkavate veiste tuvastamine

Praegu kasutab enamik piimatootjaid nimelist tõugu Holstein piima toota. Holsteinid on mustad ja valged lehmad, keda enamik meist tunneb. Vaatamata sellele, et enamik piimatootjaid kasutab sama tõugu, on erinevate ettevõtete ja rantšode vahel siiski erinevusi piimatoodangu koguses ja kvaliteedis. Seda seetõttu, et piimalehmade tervis mõjutab otseselt piimatoodangut.

Siiski ei saa lehmad üksinda ebamugavust väljendada nagu inimesed ja veterinaararstidel ei ole otstarbekas tuhandetele lehmadele regulaarselt füüsilisi läbivaatusi anda. Seetõttu peame lehmade tervisliku seisundi kiireks hindamiseks kasutama väliseid näitajaid.

Lehma tervise väliste näitajate hulka kuuluvad keha seisundi skoor ja lonkamise aste. Keha seisundi skoor on suures osas seotud lehma keha rasvaprotsendiga ja on pikaajaline näitaja, samas kui lonkatus on lühiajaline näitaja, mis on põhjustatud jalaprobleemidest või jalapõletikest ja muudest probleemidest, mis mõjutavad lehma meeleolu, tervist ja piimatoodangut. Lisaks võivad täiskasvanud holsteini lehmad kaaluda üle 500 kg, mis võib nende jalgu oluliselt kahjustada, kui nad ei ole stabiilsed. Seetõttu peaksid loomaarstid lonkamise ilmnemisel sekkuma niipea kui võimalik.

2014. aasta uuringu kohaselt võib Hiinas tõsiselt lonkavate lehmade osakaal ulatuda 31 protsendini. Kuigi olukord võis pärast uuringut paraneda, on veterinaararstide arv farmides äärmiselt piiratud, mistõttu on lehmade regulaarne jälgimine raskendatud. Lonkamise avastamisel on olukord sageli raske ning ravi on aeganõudev ja keeruline ning piimatoodang on juba mõjutatud.

Kui meil on võimalus õigeaegselt avastada lehmade lonkatus ja kutsuda veterinaararste sekkuma kerge lonkamise staadiumis, paraneb lehmade üldine tervis ja piimatoodang ning paraneb farmi jõudlus.

Viimaseks on söödakulude optimeerimine

Loomakasvatussektoris on sööt suurim muutuvkulu. Sööda kvaliteedi ja varude tagamiseks peavad põllumajandusettevõtted sageli ostma sööda koostisosi kodumaistelt ja välismaistelt tarnijatelt ning tarnima need töötlemiseks söödavalmistamise tehastesse. Kaasaegseid sööda koostisosi on mitut tüüpi, sealhulgas sojajahu, mais, lutsern, kaerahein ja nii edasi, mis tähendab, et mängus on palju muutujaid. Igal sööda koostisosa tüübil on oma hinnatsükkel ja hinnakõikumised. Oluliste kõikumiste ajal võib sööda kogumaksumus kõikuda rohkem kui 15 protsenti, põhjustades märkimisväärset mõju.

Söödakulud kõiguvad, kuid piimatoodete hinnad on pikemas perspektiivis suhteliselt stabiilsed. Järelikult võib kogukasum muidu muutumatutel tingimustel oluliselt kõikuda puhtalt söödahinna muutuste tõttu.

Selle kõikumise vältimiseks on vaja kaaluda madalate hindade korral rohkemate koostisosade säilitamist. Kuid varustamisega tuleb arvestada ka sellega, kas hind on tõesti küna juures ja millises koguses sööta praeguse kulunormi järgi osta.

Kui meil on võimalus täpselt prognoosida söödatarbimist ja kombineerida seda üldise hinnatrendiga, et soovitada parimat sööda ostmise aega ja kogust, saame vähendada kulusid ja suurendada farmi efektiivsust.

On ilmne, et need probleemid on otseselt seotud kliendi eesmärgiga parandada talu töö tõhusus, ja meetodid on vastavalt tööjõu vabastamine, tootmise suurendamine ja kulude vähendamine. Arutades iga probleemi lahendamise raskust ja väärtust, tegime valiku tootmise suurendamine lähtepunktiks ja seadis prioriteediks lonkavate lehmade probleemi lahendamise.

uurimistöö

Enne tehnoloogia üle arutlemist tuli läbi viia uuringud. Uuringu viis ühiselt läbi AWS-i kliendimeeskond AWS Generative AI innovatsioonikeskus, mis haldas masinõppe algoritmi mudeleid ja AWS AI Shanghai Lablet, mis pakub algoritmiga seotud konsultatsioone uusimate arvutinägemisuuringute ja New Hope Dairy ekspertrühma kohta. Uuring jagunes mitmeks osaks:

• Traditsioonilise lonkavate lehmade paberipõhise identifitseerimismeetodi mõistmine ja põhiteadmiste kujundamine lonkavate lehmade kohta.
• Olemasolevate lahenduste, sh farmides ja tööstuses kasutatavate, kinnitamine.
• Talukeskkonna uuringute läbiviimine füüsilise olukorra ja piirangute mõistmiseks.

Uurides materjale ja jälgides kohapeal videoid, said meeskonnad põhiteadmised lonkavatest lehmadest. Lugejad saavad alloleva animeeritud pildi kaudu ka põhilise ettekujutuse lonkavate lehmade kehahoiakust.

Vastupidiselt suhteliselt tervele lehmale.

Lamedatel lehmadel on tervete lehmadega võrreldes silmaga nähtavad erinevused kehahoiaku ja kõnnaku osas.

Olemasolevate lahenduste osas tugineb enamik rantšoid lonkavate lehmade tuvastamiseks veterinaararstide ja toitumisspetsialistide visuaalsele kontrollile. Tööstuses on lahendusi, mis kasutavad identifitseerimiseks kantavaid sammuloendureid ja kiirendusmõõtureid, aga ka lahendusi, mis kasutavad tuvastamiseks vaheseintega kaalusid, kuid mõlemad on suhteliselt kallid. Tugeva konkurentsiga piimatööstuse jaoks peame minimeerima identifitseerimiskulusid ning kulusid ja sõltuvust mitte-üldisest riistvarast.

Pärast rantšo veterinaararstide ja toitumisspetsialistidega teabe arutamist ja analüüsimist otsustasid AWS Generative AI Innovation Centeri eksperdid identifitseerimiseks kasutada arvutinägemist (CV), tuginedes ainult tavalisele riistvarale: tsiviilvalvekaameratele, mis ei lisa loomale täiendavat koormust. lehmi ning vähendada kulusid ja kasutustõkkeid.

Pärast selle suuna otsustamist külastasime keskmise suurusega farmi, kus oli kohapeal tuhandeid lehmi, uurisime rantšo keskkonda ning määrasime kaamera asukoha ja nurga.

Esialgne ettepanek

Nüüd lahendusest. Meie CV-põhise lahenduse tuum koosneb järgmistest sammudest:

• Lehma identifitseerimine: Tuvastage ühes videokaadris mitu lehma ja märkige iga lehma asukoht.
• Lehma jälgimine: Video salvestamise ajal peame lehmi pidevalt jälgima, kui kaadrid muutuvad, ja määrama igale lehmale kordumatu numbri.
• Poosi märgistamine: Vähendage lehmade liikumiste mõõtmeid, teisendades lehmapildid märgitud punktideks.
• Anomaalia tuvastamine: Tuvastage märgitud punktide dünaamika kõrvalekalded.
• Lame lehma algoritm: Normaliseerige kõrvalekalded, et saada skoor lehmade lonkamise astme määramiseks.
• Künnise määramine: Hankige ekspertide sisendite põhjal lävi.

AWS Generative AI Innovation Centeri ekspertide hinnangul on esimesed paar sammu üldised nõuded, mida saab lahendada avatud lähtekoodiga mudelite abil, viimased aga nõuavad matemaatilisi meetodeid ja ekspertide sekkumist.

Lahenduse raskused

Kulude ja jõudluse tasakaalustamiseks valisime yolov5l mudeli, keskmise suurusega eelkoolitatud mudeli lehma tuvastamiseks ja mille sisendlaius on 640 pikslit, mis annab selle stseeni jaoks hea väärtuse.

Kui YOLOv5 vastutab lehmade äratundmise ja märgistamise eest ühel pildil, siis tegelikkuses koosnevad videod mitmest pildist (kaadrist), mis muutuvad pidevalt. YOLOv5 ei suuda tuvastada, et erinevates raamides olevad lehmad kuuluvad samale isendile. Lehma jälgimiseks ja asukoha leidmiseks mitmel pildil on vaja teist mudelit nimega SORT.

SORT tähistab lihtne võrgus ja reaalajas jälgimine, Kus Internetis tähendab, et see arvestab jälgimiseks ainult praegused ja eelmised kaadrid, arvestamata muid kaadreid, ja reaalajas tähendab, et see suudab kohe tuvastada objekti identiteedi.

Pärast SORTi väljatöötamist rakendasid ja optimeerisid paljud insenerid selle, mille tulemusel töötati välja OC-SORT, mis võtab arvesse objekti välimust, DeepSORT (ja selle täiendatud versioon StrongSORT), mis hõlmab inimese välimust, ja ByteTrack, mis kasutab kaheastmeline assotsiatsioonilinker, et kaaluda madala usaldusväärsuse tuvastamist. Pärast testimist avastasime, et meie stseeni jaoks sobib DeepSORTi välimuse jälgimise algoritm rohkem inimestele kui lehmadele ja ByteTracki jälgimistäpsus on veidi nõrgem. Selle tulemusena valisime lõpuks oma jälgimisalgoritmiks OC-SORT.

Järgmisena kasutame lehmade luustikupunktide tähistamiseks DeepLabCut (lühidalt DLC). DLC on markerita mudel, mis tähendab, et kuigi erinevatel punktidel, nagu pea ja jäsemed, võivad olla erinevad tähendused, on need kõik lihtsalt võrra DLC jaoks, mis nõuab meilt ainult punktide märkimist ja mudeli koolitamist.

Siit tekib uus küsimus: mitu punkti peaksime igale lehmale märkima ja kuhu need märkima? Vastus sellele küsimusele mõjutab märgistamise, koolituse ja hilisema järelduste tõhususe töökoormust. Selle probleemi lahendamiseks peame kõigepealt mõistma, kuidas lonkavaid lehmi tuvastada.

Tuginedes meie uuringutele ja meie asjatundlike klientide panusele, on videos olevatel lonkavatel lehmadel järgmised omadused:

• Kaarjas selg: Kael ja selg on kumerad, moodustades kaelaluu ​​juurega kolmnurga (selgkaare).
• Sage noogutamine: Iga samm võib põhjustada lehma tasakaalu kaotamise või libisemise, mille tulemuseks on sagedane noogutab (pea vangutab).
• Ebastabiilne kõnnak: Lehma kõnnak muutub mõne sammu järel, kergete pausidega ( kõnnakustri muutus).

Kaela ja selja kõveruse ning noogutamise osas on AWS Generative AI Innovation Centeri eksperdid kindlaks teinud, et veistel on võimalik märkida ainult seitse seljapunkti (üks peas, üks kaela juure ja viis seljale). tulemuseks on hea tuvastamine. Kuna meil on nüüd identifitseerimisraam, peaksime suutma ära tunda ka ebastabiilseid kõnnimustreid.

Järgmisena kasutame matemaatilisi avaldisi identifitseerimistulemuste ja vormistamisalgoritmide esitamiseks.

Nende probleemide inimeste tuvastamine ei ole keeruline, kuid arvuti tuvastamiseks on vaja täpseid algoritme. Näiteks kuidas saab programm teada lehma selja kõverusastet, kui on antud hulk lehma seljakoordinaatpunkte? Kuidas see teab, kas lehm noogutab?

Selja kumeruse osas kaalume esmalt lehma selja käsitlemist nurgana ja seejärel leiame selle nurga tipu, mis võimaldab nurga arvutada. Selle meetodi probleem seisneb selles, et selgrool võib olla kahesuunaline kõverus, mistõttu on nurga tippu raske tuvastada. See nõuab probleemi lahendamiseks üleminekut teistele algoritmidele.

Noogutamise osas kaalusime esmalt Fréchet' kauguse kasutamist, et teha kindlaks, kas lehm noogutab, võrreldes lehma üldise kehahoiaku kõvera erinevust. Probleem seisneb aga selles, et lehma luustikupunktid võivad olla nihkunud, põhjustades olulist vahemaad sarnaste kõverate vahel. Selle probleemi lahendamiseks peame välja võtma pea asukoha tuvastuskasti suhtes ja normaliseerima selle.

Peale pea asendi normaliseerimist tekkis meil uus probleem. Järgneval pildil on vasakpoolsel graafikul näha lehma pea asendi muutust. Näeme, et tuvastamise täpsuse probleemide tõttu loksub peapunkti asend pidevalt kergelt. Peame need väikesed liigutused eemaldama ja leidma pea suhteliselt suure liikumistrendi. Siin on vaja mõningaid teadmisi signaali töötlemisest. Savitzky-Golay filtrit kasutades saame signaali tasandada ja saada selle üldise trendi, muutes meil noogutamise tuvastamise lihtsamaks, nagu näitab parempoolsel graafikul olev oranž kõver.

Lisaks avastasime pärast kümneid tunde kestnud videotuvastust, et mõnel ülikõrge seljakõverusega lehmal polnud tegelikult selg küürus. Edasine uurimine näitas, et see oli tingitud sellest, et enamik DLC-mudeli väljaõppeks kasutatud lehmi olid enamasti mustad või mustvalged ning polnud palju lehmi, kes olid enamasti valged või peaaegu puhtad valged, mistõttu mudel tundis nad neid valesti ära, kui nende kehal olid suured valged alad, nagu näitab punane nool alloleval joonisel. Seda saab parandada täiendava mudelikoolitusega.

Lisaks eelmiste probleemide lahendamisele oli ka teisi üldprobleeme, mis vajasid lahendamist:

• Videokaadris on kaks teed ja kauguses olevad lehmad võidakse samuti ära tunda, mis põhjustab probleeme.
• Ka videol olevad rajad on teatud kumerusega ning lehma kehapikkus muutub lühemaks, kui lehm on raja külgedel, mistõttu on kehahoiak kergesti tuvastatav.
• Mitme lehma kattumise või tarast kinnijäämise tõttu võib sama lehma tuvastada kahe lehmana.
• Jälgimisparameetrite ja kaamera aeg-ajalt kaadri vahelejätmise tõttu on võimatu lehmi õigesti jälgida, mis põhjustab ID segadust.

Lühiajalises perspektiivis, võttes aluseks New Hope Dairyga vastavusse viimise minimaalse elujõulise toote tarnimisel ja seejärel selle itereerimisel, saab neid probleeme tavaliselt lahendada kõrvalekallete hinnangute algoritmide abil, mis on kombineeritud usaldusfiltriga ja kui neid ei suudeta lahendada, muutuvad need kehtetuid andmeid, mis nõuab meilt täiendavat koolitust ning algoritmide ja mudelite pidevat kordamist.

Pikas perspektiivis, AWS AI Shanghai Lablet pakkusid tulevaste katsete ettepanekuid eelnevate probleemide lahendamiseks nende objektikeskse uurimistöö põhjal: Lõhe ületamine reaalmaailma objektikesksele õppele ja Enesejärelevalvega Amodaalne videoobjektide segmentimine. Lisaks nende kõrvalekallete andmete kehtetuks tunnistamisele saab probleeme lahendada ka täpsemate objektitaseme mudelite väljatöötamisega positsioneerimise, amodaalse segmenteerimise ja järelevalvega jälgimise jaoks. Traditsioonilised nägemistorud nende ülesannete jaoks nõuavad aga tavaliselt ulatuslikku märgistamist. Objektikeskne õpe keskendub pikslite objektidega sidumise probleemi lahendamisele ilma täiendava järelevalveta. Köitmisprotsess ei anna mitte ainult teavet objektide asukoha kohta, vaid annab tulemuseks ka töökindlad ja kohandatavad objektide esitused allavoolu ülesannete jaoks. Kuna objektikeskne konveier keskendub enesejärelevalvega või nõrgalt jälgitavatele sätetele, saame parandada jõudlust ilma klientide märgistamiskulusid märkimisväärselt suurendamata.

Pärast rea ülesannete lahendamist ning farmi veterinaararsti ja toitumisspetsialisti poolt antud hinnete kombineerimist saime lehmade kohta põhjaliku lonkamise skoori, mis aitab tuvastada erineva lonkamise astmega lehmi, nagu raske, keskmine ja kerge, ning suudab ka teha kindlaks mitu lehmade kehahoiaku atribuuti, aidates edasi analüüsida ja otsustada.

Mõne nädala jooksul töötasime välja tervikliku lahenduse lonkavate lehmade tuvastamiseks. Selle lahenduse riistvarakaamera maksis vaid 300 RMB ja Amazon SageMaker partii järelduse tegemiseks kulus eksemplari g4dn.xlarge kasutamisel 50 tunni video jaoks umbes 2 tundi, kokku vaid 300 RMB. Tootmisse jõudes, kui nädalas avastatakse viis lehmapartii (eeldusel, et see on umbes 10 tundi), on igakuine avastamiskulu mitme tuhande lehmaga keskmise suurusega rantšo puhul alla 10,000 XNUMX RMB.

Praegu on meie masinõppemudeli protsess järgmine:

1. Toores video salvestatakse.
2. Lehmad avastatakse ja identifitseeritakse.
3. Iga lehma jälgitakse ja põhipunktid tuvastatakse.
4. Analüüsitakse iga lehma liikumist.
5. Määratakse lonkamise skoor.

Mudeli juurutamine

Oleme varem kirjeldanud masinõppel põhinevat lonkavate lehmade tuvastamise lahendust. Nüüd peame need mudelid SageMakeris juurutama. Nagu on näidatud järgmisel joonisel:

Äri rakendamine

Loomulikult on see, mida oleme seni arutanud, vaid meie tehnilise lahenduse tuum. Kogu lahenduse äriprotsessi integreerimiseks peame tegelema ka järgmiste probleemidega:

• Andmete tagasiside: Näiteks peame looma veterinaararstidele liidese töötlemist vajavate lonkavate lehmade filtreerimiseks ja vaatamiseks ning koguma selle protsessi käigus andmeid, mida kasutada koolitusandmetena.
• Lehma identifitseerimine: Pärast seda, kui loomaarst on lonkavat lehma näinud, peab ta teadma ka lehma isikut, näiteks numbrit ja aedikuid.
• Lehma positsioneerimine: Leidke sadade lehmadega aedikus kiiresti sihtlehm.
• Andmete kaevandamine: Näiteks uurige, kuidas lonkamise aste mõjutab söötmist, mäletsemist, puhkust ja piimatoodangut.
• Andmepõhine: Näiteks tuvastage lonkavate lehmade geneetilised, füsioloogilised ja käitumuslikud omadused, et saavutada optimaalne aretus ja paljunemine.

Ainult nende probleemide lahendamisega saab lahendus äriprobleemi tõeliselt lahendada ja kogutud andmed võivad luua pikaajalist väärtust. Mõned neist probleemidest on seotud süsteemiintegratsiooniga, teised aga tehnoloogia ja äriintegratsiooniga. Jagame nende probleemide kohta lisateavet tulevastes artiklites.

kokkuvõte

Selles artiklis selgitasime lühidalt, kuidas AWS-i kliendilahenduste meeskond teeb kliendi äritegevusest lähtuvalt kiiresti uuendusi. Sellel mehhanismil on mitmeid omadusi:

• Ettevõtluse juhitud: Enne tehnoloogia arutamist seadke prioriteediks kliendi tööstuse ja äriprotsesside mõistmine kohapeal ja isiklikult ning seejärel süvenege kliendi valupunktidesse, väljakutsetesse ja probleemidesse, et tuvastada olulised probleemid, mida tehnoloogia abil saab lahendada.
• Koheselt saadaval: Esitage lihtne, kuid terviklik ja kasutatav prototüüp otse kliendile testimiseks, valideerimiseks ja kiireks iteratsiooniks nädalate, mitte kuude jooksul.
• Minimaalne hind: Minimeerige või isegi kõrvaldage kliendi kulud enne, kui väärtus on tõeliselt kinnitatud, vältides muret tuleviku pärast. See ühtib AWS-iga kokkuhoidlikkus juhtimise põhimõte.

Meie koostöös piimatööstusega koostatud innovatsiooniprojektis ei alustanud me mitte ainult ärilisest vaatenurgast, et tuvastada äriekspertidega konkreetseid äriprobleeme, vaid viisime koos kliendiga läbi ka kohapealseid uuringuid farmis ja tehases. Määrasime kaamera paigutuse kohapeal, paigaldasime ja juurutasime kaamerad ning kasutasime video voogesituse lahendust. AWS Generative AI Innovation Centeri eksperdid lahkasid kliendi nõudeid ja töötasid välja algoritmi, mille seejärel koostas lahendusarhitekt kogu algoritmi jaoks.

Iga järeldusega võime saada tuhandeid lagunenud ja märgistatud lehmade kõndimise videoid, millest igaühel on algne video ID, lehma ID, lonkamise skoor ja erinevad üksikasjalikud hinded. Täielik arvutusloogika ja töötlemata kõnnakandmed säilitati ka järgnevaks algoritmi optimeerimiseks.

Lonkamise andmeid ei saa kasutada mitte ainult veterinaararstide varajaseks sekkumiseks, vaid neid saab kombineerida ka lüpsimasina andmetega ristanalüüsiks, pakkudes täiendavat valideerimisdimensiooni ja vastates mõnele täiendavale äriküsimusele, näiteks: Millised on kõige kõrgemate lehmade füüsilised omadused. piimatoodang? Milline on lonkamise mõju lehmade piimatoodangule? Mis on lonkavate lehmade peamine põhjus ja kuidas seda ennetada? See teave annab uusi ideid farmitegevuseks.

Siin lõppeb lonkavate lehmade tuvastamise lugu, aga talude uuenduslugu on alles alanud. Järgmistes artiklites jätkame arutelu selle üle, kuidas teeme klientidega tihedat koostööd muude probleemide lahendamiseks.

---

Autoritest

Hao Huang on rakendusteadlane AWS Generative AI Innovation Centeris. Ta on spetsialiseerunud arvutinägemisele (CV) ja visuaalkeelemudelile (VLM). Viimasel ajal on tal tekkinud suur huvi generatiivsete AI-tehnoloogiate vastu ja ta on juba teinud koostööd klientidega, et rakendada neid tipptasemel tehnoloogiaid oma äritegevuses. Ta on ka AI konverentside, nagu ICCV ja AAAI, retsensent.

Peiyang He on AWS Generative AI Innovation Centeri vanemandmeteadlane. Ta teeb koostööd klientidega erinevatest tööstusharudest, et lahendada nende kõige pakilisemad ja uuenduslikumad ärivajadused, kasutades GenAI/ML lahendusi. Vabal ajal meeldib talle suusatada ja reisida.

Xuefeng Liu juhib Aasia Vaikse ookeani ja Suur-Hiina piirkondades AWS Generative AI innovatsioonikeskuse teadusmeeskonda. Tema meeskond teeb koostööd AWS-i klientidega generatiivsete AI projektide raames, eesmärgiga kiirendada klientide generatiivse AI kasutuselevõttu.

Tianjun Xiao on AWS AI Shanghai Lableti vanemrakendusteadlane, kes juhib arvutinägemisega seotud jõupingutusi. Praegu on tema põhirõhk multimodaalsete alusmudelite ja objektikeskse õppimise valdkondades. Ta uurib aktiivselt nende potentsiaali erinevates rakendustes, sealhulgas videoanalüüsis, 3D-nägemises ja autonoomses juhtimises.

Zhang Dai on Hiina geograafilise ärisektori AWS-i vanemlahenduste arhitekt. Ta aitab erineva suurusega ettevõtetel saavutada oma ärieesmärke, pakkudes nõustamist äriprotsesside, kasutajakogemuse ja pilvetehnoloogia vallas. Ta on viljakas ajaveebikirjutaja ja ka kahe raamatu autor: The Modern Autodidact ja Designing Experience.

Jianyu Zeng on AWS-i vanemkliendilahenduste juht, kelle ülesanne on toetada kliente, näiteks New Hope'i gruppi, nende pilveülemineku ajal ja aidata neil pilvepõhiste tehnoloogiliste lahenduste kaudu äriväärtust realiseerida. Kuna ta tunneb suurt huvi tehisintellekti vastu, uurib ta pidevalt võimalusi, kuidas kasutada tehisintellekti võimendada meie klientide äritegevuses uuenduslikke muutusi.

Carol Tong min on äriarenduse vanemjuht, kes vastutab GCR GEO Westi võtmekontode eest, sealhulgas kahe olulise ettevõtte kliendi eest: Jiannanchun Group ja New Hope Group. Ta on klientidest kinnisideeks ja on alati kirglik klientide pilveteekonna toetamise ja kiirendamise vastu.

Nick Jiang on Hiina AIML SSO meeskonna müügispetsialist. Ta keskendub uuenduslike AIML-lahenduste edasiandmisele ja aitab klientidel luua AWS-is tehisintellektiga seotud töökoormust.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/