Osservando il tuo bestiame utilizzando la tecnologia dell’IA

Osservando il tuo bestiame con l'intelligenza artificiale

A Amazon Web Services (AWS), non solo siamo appassionati di fornire ai clienti una varietà di soluzioni tecniche complete, ma siamo anche interessati a comprendere profondamente i processi aziendali dei nostri clienti. Adottiamo una prospettiva terza e un giudizio obiettivo per aiutare i clienti a definire le loro proposte di valore, raccogliere i punti critici, proporre soluzioni adeguate e creare prototipi più economici e utilizzabili per aiutarli a raggiungere sistematicamente i loro obiettivi aziendali.

Questo metodo si chiama working backwards presso AWS. Significa mettere da parte la tecnologia e le soluzioni, partendo dai risultati attesi dai clienti, confermando il loro valore e poi deducendo ciò che deve essere fatto in ordine inverso prima di implementare una soluzione. Durante la fase di implementazione, seguiamo anche il concetto di prodotto minimo valido e cerchiamo di formare rapidamente un prototipo che possa generare valore entro poche settimane, per poi lavorarci sopra.

Oggi, rivediamo uno studio di caso in cui AWS e New Hope Dairy hanno collaborato per costruire una fattoria intelligente nel cloud. Da questo post sul blog, potrete avere una comprensione approfondita di ciò che AWS può offrire per la creazione di una fattoria intelligente e di come creare applicazioni per le fattorie intelligenti nel cloud con gli esperti di AWS.

Sfondo del progetto

Il latte è una bevanda nutriente. Tenendo conto della salute nazionale, la Cina ha promosso attivamente lo sviluppo dell’industria lattiero-casearia. Secondo i dati di Euromonitor International, le vendite di prodotti lattiero-caseari in Cina hanno raggiunto 638,5 miliardi di RMB nel 2020 e si prevede che raggiungeranno 810 miliardi di RMB nel 2025. Inoltre, il tasso di crescita annuale composto negli ultimi 14 anni è stato del 10%, mostrando uno sviluppo rapido.

• SalesForce AI Research ha sviluppato ProGen un salto in avanti nell’ingegneria delle proteine ​​utilizzando l’intelligenza artificiale.
• Scopri come Amazon Pharmacy ha creato il loro chat-bot basato su LLM utilizzando Amazon SageMaker
• Performance impressionante modelli di lingua di grandi dimensioni fino a 4 volte più veloci su RTX con TensorRT-LLM per Windows

D’altra parte, fino al 2022, la maggior parte del fatturato dell’industria lattiero-casearia cinese deriva ancora dal latte liquido. Il sessanta percento del latte crudo viene utilizzato per il latte liquido e lo yogurt, mentre un altro venti percento viene utilizzato per il latte in polvere, un derivato del latte liquido. Solo una quantità molto piccola viene utilizzata per prodotti altamente processati come formaggi e panna.

Il latte liquido è un prodotto poco elaborato e la sua produzione, qualità e costo sono strettamente legati al latte crudo. Ciò significa che se l’industria lattiero-casearia vuole liberare capacità per concentrarsi sulla produzione di prodotti altamente elaborati, creare nuovi prodotti e condurre ricerche biotecnologiche più innovative, deve prima migliorare e stabilizzare la produzione e la qualità del latte crudo.

Come leader nell’industria lattiero-casearia, New Hope Dairy ha riflettuto su come migliorare l’efficienza delle sue operazioni nella fattoria e aumentare la produzione e la qualità del latte crudo. New Hope Dairy spera di utilizzare la prospettiva di terze parti e l’expertise tecnologica di AWS per favorire l’innovazione nel settore lattiero-caseario. Con il supporto e la promozione di Liutong Hu, VP e CIO di New Hope Dairy, il team dei clienti AWS ha iniziato ad organizzare le operazioni e i punti di innovazione potenziali per le fattorie lattiero-casearie.

Sfide nelle fattorie lattiero-casearie

AWS è un esperto nel campo della tecnologia cloud, ma per implementare l’innovazione nell’industria lattiero-casearia, sono necessari consigli professionali da parte di esperti del settore lattiero-caseario. Pertanto, abbiamo condotto diverse interviste approfondite con Liangrong Song, Direttore Aggiunto del Centro di Tecnologia di Produzione di New Hope Dairy, il team di gestione della fattoria e i nutrizionisti per capire alcune delle problematiche e sfide che affrontano le fattorie.

La prima è il rilevamento delle vacche di riserva

Le vacche da latte nella fattoria sono divise in due tipi: vacche da latte e vacche di riserva. Le vacche da latte sono mature e producono continuamente latte, mentre le vacche di riserva sono vacche che non hanno ancora raggiunto l’età per produrre latte. Le fattorie di grandi dimensioni e con dimensioni VoAGI di solito offrono alle vacche di riserva un’ampia area di attività aperta per creare un ambiente di crescita più confortevole.

Tuttavia, sia le vacche da latte che le vacche di riserva sono risorse della fattoria e devono essere inventariate mensilmente. Le vacche da latte vengono munte ogni giorno e, poiché sono relativamente ferme durante la mungitura, il monitoraggio dell’inventario è facile. Tuttavia, le vacche di riserva si trovano in uno spazio aperto e si muovono liberamente, il che rende scomodo l’inventario. Ogni volta che viene effettuato l’inventario, diversi lavoratori contano le vacche di riserva ripetutamente da diverse aree e infine vengono confrontati i numeri. Questo processo richiede da uno a due giorni a diversi lavoratori e spesso ci sono problemi nell’allineare i conteggi o nell’incertezza se ogni vacca sia stata conteggiata.

Si possono risparmiare notevoli risorse se si dispone di un modo per inventariare rapidamente e accuratamente le vacche di riserva.

La seconda è l’identificazione delle vacche zoppe

Attualmente, la maggior parte delle aziende lattiero-casearie utilizza una razza chiamata Holstein per produrre latte. Le Holstein sono le mucche nere e bianche che molti di noi conoscono. Nonostante la maggior parte delle aziende lattiero-casearie utilizzi la stessa razza, ci sono ancora differenze nella quantità e qualità della produzione di latte tra diverse aziende e fattorie. Questo perché la salute delle vacche da latte influisce direttamente sulla produzione di latte.

Tuttavia, le mucche non possono esprimere disagio da sole come possono fare gli esseri umani, e non è pratico che i veterinari effettuino regolarmente esami fisici a migliaia di mucche. Pertanto, dobbiamo utilizzare indicatori esterni per giudicare rapidamente lo stato di salute delle mucche.

Gli indicatori esterni dello stato di salute di una mucca includono il punteggio di condizione corporea e il grado di zoppia. Il punteggio di condizione corporea è in gran parte correlato al percentuale di grasso corporeo della mucca ed è un indicatore a lungo termine, mentre la zoppia è un indicatore a breve termine causato da problemi alle gambe o infezioni al piede e altri problemi che influenzano l’umore, la salute e la produzione di latte della mucca. Inoltre, le mucche adulte di razza Holstein possono pesare oltre 500 kg, il che può causare danni significativi ai loro piedi se non sono stabili. Pertanto, quando si verifica la zoppia, i veterinari dovrebbero intervenire il più presto possibile.

Secondo uno studio del 2014, la proporzione di mucche gravemente zoppicanti in Cina può arrivare al 31 percento. Sebbene la situazione potrebbe essere migliorata dallo studio, il numero di veterinari nelle fattorie è estremamente limitato, rendendo difficile controllare regolarmente le mucche. Quando viene rilevata la zoppia, la situazione è spesso grave, il trattamento è lungo e difficile e la produzione di latte è già compromessa.

Se abbiamo un modo per rilevare tempestivamente la zoppia delle mucche e inviare un avviso ai veterinari nella fase iniziale della zoppia lieve, la salute complessiva e la produzione di latte delle mucche aumenteranno e le prestazioni della fattoria miglioreranno.

Infine, c’è l’ottimizzazione del costo del fabbisogno

All’interno dell’industria del bestiame, il cibo rappresenta il maggior costo variabile. Per garantire la qualità e l’inventario del cibo, le fattorie devono spesso acquistare ingredienti per il cibo da fornitori nazionali e internazionali e consegnarli alle fabbriche di formulazione del cibo per la lavorazione. Ci sono molti tipi di ingredienti moderni per il cibo, tra cui farina di soia, mais, erba medica, erba avena e così via, il che significa che ci sono molte variabili in gioco. Ogni tipo di ingrediente per il cibo ha il proprio ciclo di prezzi e fluttuazioni di prezzo. Durante fluttuazioni significative, il costo totale del cibo può variare di più del 15 percento, causando un impatto significativo.

I costi del cibo fluttuano, ma i prezzi dei prodotti lattiero-caseari sono relativamente stabili nel lungo periodo. Di conseguenza, a condizioni altrimenti invariate, il profitto complessivo può variare notevolmente solo a causa dei cambiamenti dei costi del cibo.

Per evitare questa fluttuazione, è necessario considerare di accumulare maggiori ingredienti quando i prezzi sono bassi. Ma anche l’accumulo deve considerare se il prezzo è realmente al minimo e quale quantità di cibo dovrebbe essere acquistata in base al tasso di consumo attuale.

Se abbiamo un modo per prevedere con precisione il consumo di cibo e combinarlo con la tendenza complessiva dei prezzi per suggerire il momento migliore e la quantità migliore di cibo da acquistare, possiamo ridurre i costi e aumentare l’efficienza nella fattoria.

È evidente che questi problemi sono direttamente correlati all’obiettivo del cliente di migliorare l’efficienza operativa della fattoria, e i metodi sono rispettivamente la liberazione della forza lavoro, l’aumento della produzione e la riduzione dei costi. Attraverso discussioni sulla difficoltà e il valore di risolvere ogni problema, abbiamo scelto di aumentare la produzione come punto di partenza e dato priorità alla risoluzione del problema delle mucche zoppicanti.

Ricerca

Prima di discutere della tecnologia, è stato necessario condurre una ricerca. La ricerca è stata condotta congiuntamente dal team del cliente AWS, il Centro di innovazione AI generativo di AWS, che gestiva i modelli di algoritmo di apprendimento automatico, e il laboratorio di intelligenza artificiale di AWS a Shanghai, che fornisce consulenza sugli algoritmi per le ultime ricerche di visione artificiale e il team di esperti di allevamento di New Hope Dairy. La ricerca è stata divisa in diverse parti:

• Comprendere il metodo tradizionale di identificazione delle mucche zoppicanti basato su carta e sviluppare una conoscenza di base di ciò che sono le mucche zoppicanti.
• Confermare le soluzioni esistenti, comprese quelle utilizzate nelle fattorie e nell’industria.
• Condurre una ricerca sull’ambiente delle fattorie per comprendere la situazione fisica e le limitazioni.

Attraverso lo studio dei materiali e l’osservazione di video sul posto, i team hanno acquisito una conoscenza di base delle mucche zoppicanti. I lettori possono anche avere un’idea di base della postura delle mucche zoppicanti tramite l’immagine animata qui sotto.

In contrasto a una mucca relativamente sana.

Le mucche zoppicanti presentano differenze visibili nella postura e nella camminata rispetto alle mucche sane.

Riguardo alle soluzioni esistenti, la maggior parte delle fattorie si basa sull’ispezione visiva da parte dei veterinari e dei nutrizionisti per identificare le mucche zoppicanti. Nell’industria, esistono soluzioni che utilizzano pedometri e accelerometri indossabili per l’identificazione, così come soluzioni che utilizzano ponti pesatori a compartimenti per l’identificazione, ma entrambe sono relativamente costose. Per l’industria lattiero-casearia altamente competitiva, è necessario ridurre al minimo i costi di identificazione e i costi e la dipendenza dall’hardware non generico.

Dopo aver discusso e analizzato le informazioni con veterinari e nutrizionisti della fattoria, gli esperti del Centro di Innovazione AWS Generative AI hanno deciso di utilizzare la computer vision (CV) per l’identificazione, affidandosi solo all’hardware comune: telecamere di sorveglianza civili, che non aggiungono ulteriori costi per le mucche e riducono i costi e le barriere di utilizzo.

Dopo aver preso questa direzione, abbiamo visitato una fattoria di dimensioni VoAGI con migliaia di mucche sul posto, abbiamo indagato sull’ambiente della fattoria e abbiamo determinato la posizione e l’angolo di posizionamento delle telecamere.

Proposta iniziale

Ora, per la soluzione. Il cuore della nostra soluzione basata su CV è composto dai seguenti passaggi:

• Identificazione delle mucche: Identificare più mucche in un singolo frame video e segnare la posizione di ciascuna mucca.
• Tracciamento delle mucche: Mentre il video viene registrato, è necessario tracciare continuamente le mucche mentre i frame cambiano e assegnare un numero univoco a ciascuna mucca.
• Segnalazione della postura: Ridurre la dimensionalità dei movimenti delle mucche convertendo le immagini delle mucche in punti segnalati.
• Identificazione delle anomalie: Identificare le anomalie nella dinamica dei punti segnalati.
• Algoritmo per mucche zoppe: Normalizzare le anomalie per ottenere un punteggio per determinare il grado di zoppia delle mucche.
• Determinazione della soglia: Ottenere una soglia basata su feedback degli esperti.

Secondo il giudizio degli esperti del Centro di Innovazione AWS Generative AI, i primi passaggi sono requisiti generici che possono essere risolti utilizzando modelli open source, mentre i passaggi successivi richiedono l’utilizzo di metodi matematici e l’intervento degli esperti.

Difficoltà nella soluzione

Per bilanciare costi e prestazioni, abbiamo scelto il modello yolov5l, un modello pre-addestrato di dimensioni VoAGI per il riconoscimento delle mucche, con una larghezza di input di 640 pixel, che offre un buon valore per questa scena.

Anche se YOLOv5 è responsabile del riconoscimento e dell’etichettatura delle mucche in un singolo immagine, in realtà, i video sono formati da più immagini (frame) che cambiano continuamente. YOLOv5 non può identificare che le mucche in diversi frame appartengono allo stesso individuo. Per tracciare e localizzare una mucca tra più immagini, serve un altro modello chiamato SORT.

SORT sta per simple online and realtime tracking, dove online significa che considera solo i frame corrente e precedenti per il tracciamento senza considerare altri frame e realtime significa che può identificare immediatamente l’identità dell’oggetto.

Dopo lo sviluppo di SORT, molti ingegneri lo hanno implementato e ottimizzato, portando allo sviluppo di OC-SORT, che considera l’aspetto dell’oggetto, DeepSORT (e la sua versione aggiornata, StrongSORT), che include l’aspetto umano, e ByteTrack, che utilizza un associazione linker a due stadi per considerare il riconoscimento a bassa affidabilità. Dopo i test, abbiamo scoperto che per la nostra scena, l’algoritmo di tracciamento dell’aspetto di DeepSORT è più adatto per gli esseri umani che per le mucche, e l’accuratezza di tracciamento di ByteTrack è leggermente inferiore. Di conseguenza, alla fine abbiamo scelto OC-SORT come algoritmo di tracciamento.

Successivamente, utilizziamo DeepLabCut (DLC) per segnare i punti scheletrici delle mucche. DLC è un modello senza marcatori, il che significa che anche se punti diversi, come la testa e gli arti, potrebbero avere significati diversi, per DLC sono solo punti che richiedono solo di essere segnati e addestrare il modello.

Questo porta a una nuova domanda: quanti punti dovremmo segnare su ciascuna mucca e dove dovremmo segnarli? La risposta a questa domanda influisce sul carico di lavoro del segnalamento, addestramento ed efficienza inferenziale successiva. Per risolvere questo problema, dobbiamo prima capire come identificare le mucche zoppicanti.

In base alla nostra ricerca e ai contributi dei nostri clienti esperti, le mucche zoppe nei video presentano le seguenti caratteristiche:

• Schiena arcuata: Il collo e la schiena sono curvi, formando un triangolo con la base dell’osso del collo (schiena arcuata).
• Nutrirsi frequente: Ogni passo può far perdere l’equilibrio o scivolare alla mucca, provocando un nutrimento frequente (sbattere della testa).
• Andatura instabile: L’andatura della mucca cambia dopo alcuni passi, con lievi pause (cambiamento del pattern di andatura).

Riguardo alla curvatura del collo e della schiena, nonché al nutrirsi, gli esperti del AWS Generative AI Innovation Center hanno determinato che il segnare solo sette punti sulla schiena (uno sulla testa, uno alla base del collo e cinque sulla schiena) del bestiame può portare a una buona identificazione. Dato che abbiamo ora un quadro di identificazione, dovremmo essere in grado di riconoscere anche i pattern di andatura instabile.

Successivamente, utilizziamo espressioni matematiche per rappresentare i risultati di identificazione e formare algoritmi.

L’identificazione umana di questi problemi non è difficile, ma sono richiesti algoritmi precisi per l’identificazione informatica. Ad esempio, come un programma può conoscere il grado di curvatura della schiena di una mucca data una serie di coordinate sulla schiena della mucca? Come fa a sapere se una mucca sta nutrendo?

Riguardo alla curvatura della schiena, prima consideriamo di trattare la schiena della mucca come un angolo e quindi troviamo il vertice di quell’angolo, che ci permette di calcolare l’angolo. Il problema con questo metodo è che la spina dorsale potrebbe avere una curvatura bidirezionale, rendendo difficile identificare il vertice dell’angolo. Questo richiede di passare ad altri algoritmi per risolvere il problema.

Riguardo al nutrirsi, inizialmente abbiamo considerato di utilizzare la distanza di Fréchet per determinare se la mucca sta nutrendo confrontando la differenza nella curva della postura complessiva della mucca. Tuttavia, il problema è che i punti scheletrici della mucca potrebbero essere spostati, causando una distanza significativa tra curve simili. Per risolvere questo problema, dobbiamo togliere la posizione della testa rispetto alla scatola di riconoscimento e normalizzarla.

Dopo aver normalizzato la posizione della testa, ci siamo imbattuti in un nuovo problema. Nell’immagine seguente, il grafico a sinistra mostra il cambiamento della posizione della testa della mucca. Possiamo vedere che a causa di problemi di precisione del riconoscimento, la posizione del punto della testa si muoverà costantemente leggermente. Dobbiamo eliminare questi piccoli movimenti e trovare la tendenza di movimento relativamente grande della testa. Qui è necessaria una certa conoscenza del trattamento dei segnali. Utilizzando un filtro Savitzky-Golay, possiamo appianare un segnale e ottenere la sua tendenza generale, rendendo più facile per noi identificare il nutrimento, come mostrato dalla curva arancione nel grafico a destra.

Inoltre, dopo decine di ore di riconoscimento video, abbiamo scoperto che alcune mucche con una curvatura della schiena estremamente elevata in realtà non avevano la schiena arcuata. Ulteriori indagini hanno rivelato che ciò era dovuto al fatto che la maggior parte delle mucche utilizzate per addestrare il modello DLC erano principalmente nere o bianche e nere, e non c’erano molte mucche che erano principalmente bianche o quasi bianche, il che ha portato al riconoscimento errato del modello quando avevano grandi aree bianche sul corpo, come mostrato dalla freccia rossa nella figura sottostante. Ciò può essere corretto tramite ulteriore addestramento del modello.

Oltre alla risoluzione dei problemi precedenti, c’erano altri problemi generici che dovevano essere risolti:

• Ci sono due percorsi nel frame video e le mucche in lontananza potrebbero anche essere riconosciute, causando problemi.
• I percorsi nel video hanno anche una certa curvatura e la lunghezza del corpo delle mucche si accorcia quando le mucche sono ai lati del percorso, rendendo facile identificare erroneamente la postura.
• A causa dell’incrocio di molte mucche o dell’occultamento dalla recinzione, la stessa mucca potrebbe essere identificata come due mucche.
• A causa dei parametri di tracciamento e degli occasionali salti di frame della telecamera, è impossibile tracciare correttamente le mucche, causando problemi di confusione dell’ID.

A breve termine, basandoci sull’allineamento con New Hope Dairy nella consegna di un prodotto minimo ma funzionale e poi iterare su di esso, questi problemi possono solitamente essere risolti combinando algoritmi di giudizio degli outlier con filtri di confidenza e, se non riescono a essere risolti, i dati diventeranno invalidi, il che richiede di svolgere ulteriori addestramenti e iterazioni continue dei nostri algoritmi e modelli.

A lungo termine, il AWS AI Shanghai Lablet ha fornito suggerimenti per futuri esperimenti per risolvere i problemi precedenti basati sulla loro ricerca centrata sugli oggetti: Colmare la lacuna nel learning orientato agli oggetti del mondo reale e Segmentazione amodale di oggetti video auto-supervisionata. Oltre a invalidare quei dati anomali, le problematiche possono essere affrontate anche sviluppando modelli a livello di oggetto più precisi per la stima della posa, la segmentazione amodale e il tracking supervisionato. Tuttavia, i tradizionali flussi di visione per queste attività richiedono generalmente un’etichettatura approfondita. Il learning orientato agli oggetti si concentra sulla risoluzione del problema del collegamento dei pixel agli oggetti senza supervisione aggiuntiva. Il processo di collegamento fornisce non solo informazioni sulla posizione degli oggetti, ma produce anche rappresentazioni degli oggetti robuste e adattabili per attività successive. Poiché il flusso di lavoro orientato agli oggetti si concentra su impostazioni auto-supervisionate o debole supervisione, possiamo migliorare le performance senza aumentare significativamente i costi di etichettatura per i nostri clienti.

Dopo aver risolto una serie di problemi e combinando i punteggi forniti dal veterinario della fattoria e dal nutrizionista, abbiamo ottenuto un punteggio completo di zoppia per le mucche, che ci aiuta a identificare mucche con diversi gradi di zoppia come grave, moderata e lieve, e può anche identificare attributi posturali multipli delle mucche, aiutando ulteriori analisi e giudizi.

In poche settimane, abbiamo sviluppato una soluzione completa per identificare mucche zoppe. La telecamera hardware per questa soluzione ha avuto un costo di soli 300 RMB, e l’inferenza in batch di Amazon SageMaker, utilizzando l’istanza g4dn.xlarge, ha impiegato circa 50 ore per 2 ore di video, per un totale di soli 300 RMB. Quando entra in produzione, se vengono rilevati cinque lotti di mucche a settimana (ipotizzando circa 10 ore), e includendo i video e i dati salvati, il costo mensile di rilevamento per una fattoria di dimensioni VoAGI con alcune migliaia di mucche è inferiore a 10,000 RMB.

Attualmente, il nostro processo del modello di apprendimento automatico è il seguente:

1. Viene registrato un video grezzo.
2. Le mucche vengono rilevate e identificate.
3. Ogni mucca viene tracciata e vengono rilevati i punti chiave.
4. Viene analizzato il movimento di ogni mucca.
5. Viene determinato un punteggio di zoppia.

Implementazione del modello

Abbiamo descritto in precedenza la soluzione per identificare mucche zoppe basata sull’apprendimento automatico. Ora, dobbiamo implementare questi modelli su SageMaker. Come mostrato nella figura seguente:

• Abbiamo prima utilizzato la soluzione di Streaming video senza server di AWS per ottenere il video in tempo reale e salvarlo su Amazon Simple Storage Service (Amazon S3).
• In seguito, abbiamo utilizzato Amazon EventBridge per impostare attività pianificate per il processamento in batch di SageMaker. Il cliente non ha bisogno di risultati in tempo reale, quindi il processamento in batch può migliorare ulteriormente l’efficienza dell’istanza GPU e ridurre i costi.
• Durante il processamento in batch, SageMaker ottiene l’immagine Docker da Amazon Elastic Container Registry (Amazon ECR) e i dati video da un bucket S3. Quindi, inizia il processo di inferenza e i risultati vengono salvati in un bucket S3.

Implementazione aziendale

Certo, quello di cui abbiamo discusso finora è solo il nucleo della nostra soluzione tecnica. Per integrare l’intera soluzione nel processo aziendale, dobbiamo anche affrontare i seguenti problemi:

• Feedback dei dati: Ad esempio, dobbiamo fornire ai veterinari un’interfaccia per filtrare e visualizzare le mucche zoppe che devono essere trattate e raccogliere dati durante questo processo da utilizzare come dati di addestramento.
• Identificazione della mucca: Dopo che un veterinario ha visto una mucca zoppa, deve anche conoscere l’identità della mucca, come il suo numero e la sua recinzione.
• Posizionamento della mucca: In una recinzione con centinaia di mucche, trovare rapidamente la mucca target.
• Data mining: Ad esempio, scoprire come il grado di zoppia influisce sull’alimentazione, la rumine, il riposo e la produzione di latte.
• Basato sui dati: Ad esempio, identificare le caratteristiche genetiche, fisiologiche e comportamentali delle mucche zoppe per ottenere una riproduzione e una produzione ottimali.

Solo affrontando questi problemi la soluzione può veramente risolvere il problema aziendale e i dati raccolti possono generare valore nel lungo termine. Alcuni di questi problemi sono legati all’integrazione di sistemi, mentre altri riguardano l’integrazione di tecnologia e business. Condivideremo ulteriori informazioni su questi problemi in futuri articoli.

Riassunto

In questo articolo, abbiamo spiegato brevemente come il team di AWS Customer Solutions innova rapidamente basandosi sul business del cliente. Questo meccanismo presenta diverse caratteristiche:

• Orientato al business: Dare priorità alla comprensione dell’industria del cliente e ai processi aziendali sul campo e di persona prima di discutere della tecnologia, per poi approfondire i punti critici, le sfide e i problemi del cliente per identificare importanti questioni che possono essere risolte con la tecnologia.
• Disponibilità immediata: Fornire direttamente al cliente un prototipo semplice ma completo e utilizzabile per test, convalida e rapidi iterazioni entro settimane, non mesi.
• Costo minimo: Minimizzare o addirittura eliminare i costi del cliente prima che il valore sia veramente convalidato, evitando preoccupazioni sul futuro. Questo si allinea con il principio guida dell’economicità di AWS.

Nel nostro progetto di innovazione collaborativa con l’industria dei latticini, non solo abbiamo iniziato dal punto di vista aziendale per identificare specifici problemi aziendali con esperti del settore, ma abbiamo anche condotto ricerche sul campo presso le fattorie e le aziende con il cliente. Abbiamo determinato il posizionamento delle telecamere sul posto, installato e implementato le telecamere e la soluzione di streaming video. Gli esperti del AWS Generative AI Innovation Center hanno analizzato i requisiti del cliente e hanno sviluppato un algoritmo, che è stato poi elaborato da un architetto della soluzione per l’intero algoritmo.

Con ogni inferenza, abbiamo potuto ottenere migliaia di video scomposti e contrassegnati di mucche che camminano, ognuno con l’ID del video originale, l’ID della mucca, il punteggio di zoppia e vari punteggi dettagliati. La logica di calcolo completa e i dati grezzi del passo sono stati conservati anche per l’ottimizzazione successiva dell’algoritmo.

I dati sulla zoppia possono essere utilizzati non solo per un’intervento precoce da parte dei veterinari, ma anche combinati con i dati delle macchine da mungere per un’analisi incrociata, fornendo una dimensione di convalida aggiuntiva e rispondendo a ulteriori domande aziendali, come: Quali sono le caratteristiche fisiche delle mucche con la produzione di latte più alta? Quale è l’effetto della zoppia sulla produzione di latte nelle mucche? Qual è la causa principale delle mucche zoppe e come può essere prevenuta? Queste informazioni forniranno nuove idee per le operazioni delle fattorie.

La storia dell’identificazione delle mucche zoppe termina qui, ma la storia dell’innovazione nelle fattorie è appena iniziata. Nei prossimi articoli, continueremo a discutere di come collaboriamo strettamente con i clienti per risolvere altri problemi.