Nadgledanje stoke sa Edge AI i razvojem modela na HPC
Stočarstvo je od vitalnog značaja za mnoge ekonomije (uključujući Crnu Goru), ali se suočava sa visokim troškovima rada, neefikasnošću resursa i sporim usvajanjem moderne tehnologije. Poljoprivrednici tradicionalno prate stada ručnim prebrojavanjem i pregledom životinja – dugotrajan i skup proces koji opterećuje resurse. Na velikim farmama sa stotinama životinja, paziti na svaku kravu ili ovcu je zastrašujuće i sklono ljudskoj grešci. Problemi kao što su zalutale, izgubljene ili bolesne životinje mogu ostati neprimijećene dok ne bude prekasno, ugrožavajući produktivnost farme i dobrobit životinja. Jasno je da je postojala potreba za inovativnim rješenjem za proširenje farmera automatiziranim praćenjem stoke u realnom vremenu. Izazov nije bio samo precizno detektovati životinje, već i efikasno raditi u udaljenim farmama – zadatak koji je zahtijevao skok u računalnim sposobnostima i pouzdan rad izvan laboratorija. Računarstvo visokih performansi (HPC) ponudilo je put naprijed, pružajući računski mišić za razvoj naprednih AI modela koji bi mogli ispuniti ove zahtjeve.
Rješenje
Istraživački tim je razvio sistem za otkrivanje stoke u realnom vremenu koji koristi najsavremeniju AI na rubu mreže. U svojoj srži je model dubokog učenja (YOLO v8) obučen za prepoznavanje goveda u video feedovima. Da bi efikasno trenirao ovaj model, tim je iskoristio HPC resurse: koristeći moćne GPU čvorove, mogli su da obavljaju intenzivne poslove obuke u deliću vremena od jednog računara. Zapravo, prebacivanjem obuke u HPC okruženje, model je postigao brzu konvergenciju – dostigavši oko 65% tačnosti nakon samo 35 epoha obuke. Ovaj otprilike 30-minutni ciklus obuke (izveden na platformi omogućenoj za GPU) bi trajao znatno duže na običnom hardveru, naglašavajući kako je HPC ubrzao razvoj. Takva obuka vođena HPC-om ne samo da je smanjila vrijeme do rezultata, već je omogućila iterativno podešavanje modela kako bi se poboljšala tačnost iznad onoga što bi bilo izvodljivo na ograničenim lokalnim mašinama. Rezultirajući model YOLOv8 optimiziran je za otkrivanje velike stoke u različitim pozama i uvjetima osvjetljenja, pružajući robusno AI „oko“ za farmu.

Kada se obuči, model se koristi na NVIDIA Jetson Nano – malom, energetski efikasnom Edge računarskom uređaju. Jetson Nano, opremljen četverojezgrenim ARM CPU-om i NVIDIA GPU-om, nudi odličnu snagu obrade na licu mjesta za pokretanje AI modela. Kamere postavljene oko farme (na primjer, s pogledom na pašnjak ili štalu) prenose video uživo na Jetson Nano putem USB-a. Model YOLOv8 obrađuje ove tokove u realnom vremenu, identificirajući i lokalizirajući svaku kravu u okviru pomoću graničnih okvira. To znači da sistem može automatski brojati stado i čak pratiti pojedinačne pokrete bez invazivnih senzora ili RFID oznaka na životinjama. Ako model otkrije da nije sva stoka prisutna u određenom području (na primjer, ako je neko odlutao ili je područje prazno), Python skripta na uređaju odmah označava neslaganje. Sistem zatim može poslati trenutno upozorenje farmeru preko povezane aplikacije, ukazujući koliko životinja nedostaje i iz koje zone. Korišćenjem edge AI na Jetson Nano, rešenje izbegava kašnjenje slanja celog videa u oblak; umjesto toga, donosi odluke na licu mjesta u milisekundama, što je ključno za pravovremena obavještenja.

Kako bi upotpunila ovu obradu na licu mjesta, platforma se integrira sa infrastrukturom oblaka za agregaciju podataka i daljinski pristup. Svakih 15 minuta, aplikacija Jetson Nano koristi Wi-Fi vezu za prijenos ključnih podataka u bazu podataka u oblaku. Umjesto da prenosi sirovi video, on šalje sažete informacije – npr. trenutni broj životinja, njihove lokacije ili statuse i sva upozorenja. Čuvanje ovih podataka u oblaku ima višestruke svrhe. Prvo, obezbeđuje skalabilnost: baza podataka u oblaku može da obrađuje velike količine podataka generisanih tokom nedelja i meseci praćenja, lako se skaliraju kako farma ili broj Edge uređaja rastu. Farmeri i menadžeri rančeva mogu se prijaviti na kontrolnu tablu da vide istorijske zapise – praćenje veličine stada tokom vremena, obrazaca kretanja ili učestalosti upozorenja. Takvi dugoročni podaci, sigurno i pouzdano pohranjeni van lokacije, omogućavaju analizu trendova i strateško planiranje. Na primjer, farmer bi mogao generirati nedjeljne izvještaje o korištenju pašnjaka ili identificirati da li određena stoka luta, informacije koje mogu poboljšati raspodjelu resursa. Oblak također osigurava da su podaci dostupni s bilo kojeg mjesta (u uredu, kući ili u pokretu), što je od neprocjenjive važnosti za farmere koji mogu upravljati više lokacija farme. Robusne sigurnosne mjere (šifriranje, kontrola pristupa, sigurnosne kopije) koje pružaju upravljane usluge u oblaku štite informacije. U suštini, sinergija između Edge i oblaka sistema pruža odziv u realnom vremenu na terenu, dok centralizira inteligenciju i nadzor u oblaku – moderan IoT pristup pametnoj poljoprivredi.

Ono što je najvažnije, cijelo ovo rješenje omogućila je podrška računarstva visokih performansi iza scene. HPC infrastruktura je korišćena za obuku i efikasno usavršavanje modela dubokog učenja, nešto što bi bilo neizvodljivo samo na Jetson Nano ili tipičnom farmskom računaru. Koristeći GPU-ove HPC klase i paralelno računarstvo, istraživači su dramatično skratili vrijeme obuke AI modela i mogli su eksperimentirati sa složenijim konfiguracijama modela bez brige o sedmicama kašnjenja u obuci. HPC-omogućen proces obuke osigurao je da konačni model postavljen na rubu bude visoko optimiziran i precizan u razumnom vremenskom okviru za razvoj. Ovaj projekat, podržan od strane inicijative EuroCC i nacionalnog HPC centra, pokazuje kako se HPC i AI mogu spojiti u rješavanju stvarnih problema u poljoprivredi. Pokazuje nacrt za implementaciju najsavremenijih AI modela (obučenih na superkompjuterima) na pristupačnim uređajima na terenu – efektivno premošćujući jaz između laboratorijskog izračunavanja i operacija na farmi.
Benefiti
Implementacija AI, Edge računarstva i HPC-a u nadzoru stoke dovela je do brojnih prednosti:
- Nadzor stoke u stvarnom vremenu: Poljoprivrednici primaju trenutna upozorenja ako životinja nestane ili pokaže neobično ponašanje, omogućavajući brz odgovor na probleme (kao što je lociranje zalutale krave ili provjera moguće bolesne životinje). Ovo značajno poboljšava sigurnost životinja i sigurnost stada rano uočavanjem problema.
- Smanjena radna snaga i troškovi: automatizovani sistem neprekidno nadgleda stado, štedeći farmerima nebrojene sate ručne provere. To dovodi do nižih troškova rada i omogućava osoblju na farmi da se fokusira na druge važne zadatke umjesto na patroliranje polja. Olakšavanjem opterećenja, tehnologija poboljšava produktivnost i efikasnost upravljanja farmom.
- Poboljšana preciznost i konzistentnost: Za razliku od ljudskog posmatranja, AI se nikada ne umara ili ometa. Primjenjuje iste kriterije detekcije 24/7, kiša ili sunce. Ovo daje visoku konzistentnost u brojanju i praćenju, minimizirajući ljudske greške. Rane probe postigle su oko 65% tačnosti detekcije s prostorom za daljnja poboljšanja – obećavajući rezultat koji će biti samo bolji s više podataka i podešavanja. S vremenom, preciznije praćenje mjesta i aktivnosti svake životinje također može podržati bolje upravljanje zdravljem stada.
- Modernizacija poljoprivrede: Sve u svemu, projekat je iskorak ka digitalnoj transformaciji poljoprivrede. Pokazuje kako usvajanje AI i HPC-a može modernizirati tradicionalne prakse, čineći ih pametnijim i efikasnijim.