кейс
Повышение надоев на фермах в Китае
Увеличение надоев молока на 28% за счет внедрения систем мониторинга и прогнозирования производственных процессов на базе ИИ
О проекте
Агрохолдинг, который выступил заказчиком проекта, был заинтересован в увеличении надоев и оптимизации ухода за рогатым скотом на фермах.
Поголовье коров на фермах составляло 2800 голов. Совместно с заказчиком, мы определили движение к этой цели через:
- Необходимость внедрения систем мониторинга и прогнозирования производственных процессов на базе ИИ
- Снижение воздействия человеческого фактора на качество ухода за крупным рогатым скотом на фермах
Технологический стек
Apache Kafka
PostgreSQL
TensorFlow
Python
C++
R
MLflow
Docker
AWS
Индустрия
АгроТех, Искусственный интеллект и машинное обучение
Команда
11 человек
Продолжительность работы
8 месяцев
Вызовы проекта
Организация постоянного сбора данных и тренировка нейронных сетей.
Каждая ферма имеет свои особенности по организации процессов, поэтому требовалась не только адаптация технологий под местные условия, но и консультационная поддержка отраслевых экспертов.
Наша работа
Сбор достаточного объема данных и учет локальных особенностей — ключ к успеху в решении такого рода задач. Наша команда из 11 человек не только писала код и разрабатывала модели ML. Мы выезжали на место и помогали устанавливать и настраивать оборудование, оптимизировать работу персонала, обучать сотрудников эффективному использованию.
Этап 1
Определение параметров
Этап 2
Проектирование архитектуры ИИ
Этап 3
Формирование режима
Этап 4
Контроль за стадом
Этап 5
Анализ информации
1 этап
Определение параметров
Первоначально мы определились с параметрами физического состояния коров, которые будем отслеживать (базовые жизненные показатели, положение относительно других животных, нарушение походки, параметры молока, соблюдение режима дойки и кормления и т.д.).
2 этап
Проектирование архитектуры ИИ
Затем наши инженеры спроектировали архитектуру системы ИИ из следующих компонентов:
Схема процесса передачи данных
Для сбора интересующей информации мы использовали следующие типы сенсоров:
- датчики
- носимые животными (датчики перемещения, геопозиции, температуры, идентификации, микрорадарные системы, датчики пульса)
- видеокамеры
- газоанализаторы
- метеостанции
- стационарные сенсоры на ферме (вес, размер, идентификация животных, характеристики молока)
- датчики, носимые обслуживающим персоналом (браслеты, бейджи)
Схема: Описание принципа работы системы ИИ
3 этап
Формирование режима
В результате обработки данных система формировала оптимальный режим кормления, выпаса, доения для максимизации надоев. Дополнительно выявлялись ранние признаки заболеваний.
4 этап
Контроль за стадом
Для контроля за стадом во время свободного выпаса использовался дрон и переносная станция контроля за стадом. В случае выхода животных за периметр или их пропажи система отправляла сигнал персоналу.
5 этап
Анализ информации
Дополнительно анализировалась информация о растительности на лугу и ее кормовой ценности.
Результаты проекта
Повышение надоев на 28% и снижение издержек на 15-18%
Разработка платформы заняла около шести месяцев. Мы разработали и запустили 11 нейронных сетей. Это обеспечило повышение надоев на 28% и снижение издержек на 15-18%
Техническое сопровождение проекта
Мы продолжаем техническое сопровождение проекта и в случае необходимости дополняем систему новыми функциями.
Давайте обсудим ваш проект
Заполните форму или свяжитесь удобным для Вас способом
Остались вопросы?
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности