Skálování zemědělství řízeného AI pomocí AWS SageMaker

Zjistěte, jak jsme proměnili omezenou lokální AI infrastrukturu ve škálovatelnou cloud-native platformu na AWS. Výsledkem je nízkolatenční inference, produkčně připravená architektura a jasná cesta ke škálování na 100+ modelů strojového učení.

KlientAI-Driven Agriculture

PublikovánoJuly 2026

OdvětvíZemědělství

Lokální AI infrastruktura často omezuje škálovatelnost a zpomaluje inovace. V této případové studii ukazujeme, jak migrace CPU a GPU modelů na Amazon SageMaker umožnila nízkolatenční inferenci a vytvořila produkčně připravený základ pro rozsáhlou zemědělskou AI.

Naším zákazníkem je technologická společnost specializující se na řešení pro řízení farem založená na IoT a AI, která zvyšují zemědělskou efektivitu a ziskovost. Společnost integruje vědecký výzkum do praktických zemědělských aplikací a poskytuje pokročilé monitorovací a rozhodovací nástroje s využitím satelitních snímků, dronů, klimatických dat a pěstitelských záznamů.

Různorodé požadavky na modely: Zákazník využíval dva odlišné typy modelů: lehký model založený na CPU (postavený na YOLO) pro detekci stromů ze snímků dronů, a náročný model založený na GPU (postavený na Mask R-CNN) pro detekci plevele ve vinicích.
Škálovatelnost do budoucna: Ačkoli aktuálně provozuje jen několik modelů, cílem zákazníka je rozšířit se a vytvořit komplexní sadu potenciálně 10 až 100+ AI modelů.
Zpracování v reálném čase a nízká latence: Řešení vyžadovalo schopnost zpracování v reálném čase s nízkou latencí, aby zvládlo přibližně 500 až 5000 API volání denně.

Vysoce škálovatelná, bezserverová architektura AWS pro hostování a poskytování modelů strojového učení zákazníka bez problémů.

Amazon SageMaker pro škálovatelnou inferenci: Klíčové ML modely byly dockerizovány a úspěšně migrovány do Amazon SageMaker. Byly nasazeny SageMaker Endpoints pro hostování natrénovaných modelů, které poskytují automatické škálování a dedikovanou podporu jak pro CPU (ml.m5.large), tak pro GPU (ml.g4dn.xlarge) inferenční zátěže.
Bezserverová API vrstva: Byla implementována AWS API Gateway pro směrování přicházejících HTTP požadavků a zpracování autentizace JWT tokenů. Funkce AWS Lambda působí jako most, který zpracovává API volání a bezpečně volá SageMaker endpointy příkazem invoke_endpoint.
Optimalizované zpracování payloadu: Aby bylo možné dodržet limity payloadu SageMakeru pro realtimové endpointy (6 megabajtů), byl pro náročné GPU procesy integrován bucket Amazon S3. Obrázky se nahrávají do S3 a SageMaker endpoint je pro inferenci načítá přímo pomocí S3 URL.
Monitoring a správa kontejnerů: Amazon ECR byl použit jako registr kontejnerů pro ukládání Docker obrazů používaných modely SageMaker, zatímco AWS CloudWatch byl nakonfigurován pro sběr metrik, zpracování logů a monitoring celkového stavu API a endpointů.

Proof of concept byl úplpým úspěchem a prokázal, že jak CPU, tak GPU modely lze efektivně migrovat na AWS SageMaker s plně funkčními endpointy.

Predikční modely přinesly velmi slibné a měřitelné výsledky:

Nízkolatenční výkon: Testování prokázalo vynikající výkon s dobou inference přibližně 1-1,5 sekundy pro CPU model a přibližně 0,5-1,5 sekundy pro náročnější GPU model na instancích g4dn.xlarge.
Plán připravenosti pro produkci: Vedle funkčního PoC jsme dodali komplexní dvouměsíční migrační plán využívající přístup Infrastructure-as-Code (IaC) s Terraformem. Tento plán zahrnoval strategii AWS Organizations s izolovanými produkčními a bezpečnostními účty pro zajištění robustní bezpečnosti a souladu s předpisy.

Nově navržená cloud-native architektura poskytuje zákazníkovi škálovatelný, spolehlivý a nákladově efektivní základ, který potřebuje pro rozšíření své sady AI a pokračování v inovacích v odvětví AgriTech.

AWS SERVICES

Amazon SageMaker

AWS Lambda

Amazon S3

Amazon ECR

Amazon API Gateway

Klíčové poznatky

~1-1,5 s

Latence inference v reálném čase (CPU)

~0,5-1,5 s

Inference náročnějšího GPU modelu

2 modely

Sjednocené CPU a GPU

Igor je náš odborník na cloudové služby.

Zeptejte se ho na cokoliv.