一杯好牛奶背后的 AI 引擎 - 亚马逊云科技

发布于: Feb 6, 2023

在亚马逊云科技，我们不仅热衷于为客户提供各种完善的技术方案，也非常乐意深入了解客户的业务流程。我们以第三方的姿态和客观的判断，帮助客户梳理价值，收集痛点，提出合适的方案，并且以最高性价比做出可使用的原型，以帮助客户一步步达到业务目标。

这样的工作方式，在亚马逊云科技被称作「逆向工作法」（Working Backwards），即抛开技术和解决方案，先从客户期待的结果出发，确认有价值，然后反向推导出需要做的事情，最后再实施。而在实施阶段，我们也遵循「最简可行产品」（Minimum Viable Product）的理念，力求在数周内快速形成一个可产生价值的原型，再做迭代。

今天，我们来看一个亚马逊云科技与新希望乳业合作构建云上智慧牧场的案例。

项目背景

牛奶是一种富含营养的饮品。出于对国民健康的考虑，我国一直在大力持续推动乳制品行业的发展。根据欧睿咨询数据，我国的乳制品销售规模在2020年就达到了6385亿，并且预计在2025年将达8100亿。此外，近14年的年均复合增长率也达到了10%，可谓是高速发展。

另一方面，截止2022年，国内乳制品行业的收入大头仍然来自于液态奶，原料奶的60%都用作了液态奶和酸奶，还有20%是液态奶的直接衍伸品奶粉，仅极少数用于奶酪和奶油等深加工产品。

液态奶属于浅加工制品，其产量、品质、成本都与原料奶深度挂钩。这意味着，如果乳制品行业想腾出手来去攻关深加工产品、去创造新品、去做更前沿的生物科技研究，就得先做好液态奶这个「主战场」，提升和稳定原料奶的产量和品质。

作为乳制品标兵企业，新希望乳业也一直在思考如何提升牧场运营效率，提升原料奶的产量和品质。在与亚马逊云科技的合作过程中，新希望乳业希望能借助亚马逊云科技的第三方身份和对技术的深耕来促成乳业的创新。在新希望乳业 VP/CIO 胡柳通的大力支持和推动下，亚马逊云科技客户团队开始梳理乳业牧场的流程业务和潜在的创新点。

乳业牧场的挑战

亚马逊云科技在云技术领域是专家，但要把创新落地到行业，还得由内行人士提供专业意见。鉴于此，我们与新希望乳业生产技术中心副总监宋良荣、牧场管理团队以及营养师们做了数次深度访谈，了解了牧场的一些问题和挑战。

首先，是预备牛的盘点

牧场的乳牛分为「奶牛」和「预备牛」两种，奶牛是成熟并持续在产奶的牛，预备牛则是尚未到产奶年龄阶段的牛。中大型牧场通常会给预备牛一个较大的开放式活动区域，以便让预备牛有更舒适的成长环境。

不过，奶牛和预备牛都属于牧场的资产，需要按月进行盘点。奶牛每天都要挤奶，挤奶时相对静止，所以盘点容易，但预备牛因为是在开放空间，牛会走来走去，所以不便盘点。每次盘点，都需要几个工人，从不同区域出发，反复盘点计数，最后核对数字。这个过程会消耗数个工人一到两天的时间，还经常出现很难对齐、不确定是否每头牛都数到之类的问题。

如果我们有一个办法，可以快速、精确地盘点预备牛，那么就可以省下不少人力来做别的更有价值的事情。

然后，是跛足牛的识别

目前大部分乳品公司都使用一种叫做「荷斯坦」（Holstein）的品种来做奶牛，也就是我们认知中的黑白相间的奶牛，但不同公司和牧场，产奶的产量和品质仍然有差异。这是因为奶牛的健康会直接影响牛奶生产。

话虽如此，奶牛并不是人，无法主动言语或者表示自己不舒服，而兽医也不可能天天给成千上万的牛做体检，所以就只能找到一些外在指征来快速判断牛的健康状态。

奶牛的外在指征包括「体况评分」（Body Condition Score）和「跛足程度」等。体况评分主要与牛的胖瘦有关，属于长期指标，而跛足则是因为牛的腿部出问题，或者足部有感染、长倒刺等造成，属于短期指标。
当牛出现跛足，就像人脚受伤，走路疼痛不稳，影响心情和健康，对产量造成直接影响。此外，成年荷斯坦牛体重可达到500公斤以上，这样的体重压在不稳的脚上，对牛造成的伤害可想而知。所以，一旦出现跛足的情形，兽医就应该尽快介入。

根据2014年的一份研究，中国的奶牛严重跛足率可达约31%。虽然多年过去状况也许有所好转，但毕竟牧场的兽医人数是极为有限的，很难经常去盯着牛只，当发现跛足时，往往事态已经比较严重，治疗费时费力，而产量也早已经受影响。

如果我们有一个办法，可以及时判断牛的跛足情况，并且在有轻微跛足的时候就提示兽医进行介入，那么牛的整体健康度和产量就会上升，提升牧场的绩效。

最后，是饲料成本优化

对畜牧业来说，饲料是流动成本的大头。要保证饲料的品质和库存，牧场经常需要同时向国内和海外的供应商购买饲料原料，再交付饲料配方厂进行加工。现代饲料原料品种非常多，包括豆粕、玉米、苜蓿、燕麦草等十数种，这也就意味着活动的「变量」很多。每种原料都可能有自己的价格周期和价格波动。在波动较大时，饲料的整体成本变化可超过15%，造成巨大影响。

饲料成本随时变化，但乳制品价格却长期相对固定。也就是说，在什么都不变的情况下，仅因为饲料变化，整体的利润就会有相当程度的波动。

为避免这种波动，就需要考虑在价格低谷时多囤一些原料。而囤货又要考虑：价格是否真的是处于低谷？按照目前的消耗量，应该购买多少？

如果我们有一个办法，可以及时预告饲料消耗，并结合整个价格趋势，在最合适的时间，建议购入最合适数量的饲料，就能为牧场降本增效。

不难看出，这几个问题都直接与客户的目标「提升牧场运营效率」直接相关，而方式则分别是「解放人力」、「提升产量」和「降低成本」。通过对这几个问题解决难度和价值的探讨，我们决定选择「提升产量」这条线作为切入，优先解决跛足牛的问题。

在与乳业的合作创新项目中，我们不仅从业务出发，与业务专家一起定位了具体业务问题，还与客户一起深入到牧场和工厂一线调研。最后，亚马逊 Amazon Machine Learning Solutions Lab专家决定选择计算机视觉（Computer Vision，下简称「CV」）来做识别，仅依赖普通硬件——民用监控摄像头，也不给牛增加额外负荷，降低成本和使用门槛。我们在现场确定了摄像头位置，安装、部署了摄像头，并部署了视频推流方案。Amazon Machine Learning Solutions Lab 的专家拆解了客户需求并形成了算法，再由解决方案架构师对整个算法形成了工程化。每次推理，我们都可以得到上千个拆解并标记好的牛只行进视频，每个视频都有原始视频 ID、牛只 ID 及其跛足程度得分和各项细节分数，完整的计算逻辑以及原始步态数据也保留供后续算法优化。

在解决一系列的问题之后，结合牧场兽医和营养师的打分，我们就得出了一个综合性的牛只跛足评分，从而帮助我们识别出严重、普通、轻微等不同跛足程度的牛只，并且可以基本识别牛只的多项体态属性，帮助后续我们借助机器学习模型进一步研判和分析。

在数周时间内，我们已经有一个端到端的跛足牛识别方案。这个方案的硬件摄像头仅花费 300 元，Amazon SageMaker 批处理推理如使用 g4dn.xlarge 实例，2 小时视频的推理时长约为50小时，总费用仅需 300 元。当进入生产后，如果每周检测5批次牛只（设约10小时），算上滚动保存的视频和数据，一个数千头牛的中型牧场每月的检测费用也不足万元，免除了客户的后顾之忧。

跛足数据除了用于兽医早期介入，还可以结合挤奶机的挤奶数据来进行交叉分析，从而为我们提供一个额外的验证维度，回答一些额外的业务问题，比如：产奶量最大的奶牛在体态上有什么特征？跛足对牛只的产奶量等有何影响？造成跛足牛的主要原因是什么？怎么避免？这些信息将为牧场的经营提供一些新的思路。

跛足识别的故事讲到这里，但牧场创新的故事才刚刚开始。