Rilascio di applicativi per aumentare il livello tecnologico degli allevamenti e la salute degli animali

Farm4trade is an Italian startup that develops high-tech systems for the breeding of production animals and for animal health in general. Among the applications developed there are computer vision systems that take advantage of machine learning. Among these the most important are Photo Animal Identification (PHAID) and Automatic Detection of Abattoir Lesions (ADAL). In the case of these computer vision systems, the business challenge is to release into production to maximize application use to the company clients and to obtain predictions and overall results in real time. These systems must also seamlessly integrate with all business solutions and deliver information to third-party systems. The research work led to making important decisions with respect to the deploy technique of the systems that aimed to the business needs for efficiency and scalability. For the deployment, an MLOps approach was introduced for the integration of Machine Lerning models with CI / CD and DevOps technologies and the IT stack of corporate web solutions. The release of Machine Learning systems according to the model used was found to be efficient and responsive to business needs. All the models make inference in real time and are capable of transmitting information through the API to corporate systems and those of third parties. We expect to improve the MLOps model through the development of web solutions that are increasingly aimed at integration with the ML model that the various applications require.

Farm4trade è una startup italiana che sviluppa sistemi di alta tecnologia per gli allevamenti di animali di produzione e per la salute animale in genere. Tra le applicazioni sviluppate ci sono sistemi di computer vision che sfruttano il machine learning. Tra questi i più importanti sono Photo Animal Identification (PHAID) e Automatic Detection of Abattoir Lesions (ADAL). Nel caso dei questi sistemi di computer vision, la sfida aziendale è quella di rilasciare in produzione per un utilizzo massimo delle applicazioni per ottenere predizioni e in generale risultati in tempo reale. Questi sistemi devono inoltre perfettamente integrarsi con tutte le soluzioni aziendali e fornire informazioni a sistemi terzi. Il lavoro di ricerca ha portato a prendere decisioni importanti rispetto alla tecnica di rilascio dei sistemi che puntassero al massimo verso i bisogni aziendali di efficienza e scalabilità. Per il deployment è stato introdotto un approccio MLOps che prevede l’integrazione dei modelli di Machine Lerning con i sistemi di CI/CD e DevOps aziendali e lo stack tecnologico delle soluzioni web aziendali. Il rilascio dei sistemi di Machine Learning secondo il modello adoperato si è rilevato efficiente e rispondente ai bisogni aziendali. Ci si aspetta di migliorare il modello di MLOps attraverso lo sviluppo di soluzioni web sempre più mirate all’integrazione con il modello di ML che i vari applicativi richiedono. Tutti i modelli effettuano inferenza in realtime e sono capaci di trasmettere attraverso le API le informazioni ai sistemi aziendali e a quelli di terze parti.