客户概览
AgroScout 创建了一个自动化、AI 驱动的侦察平台，用于大面积农业区域的病虫害早期检测。凭借精确的数据驱动洞察（通过周期性手动采样几乎无法获得），农民可以主动预防作物和相应收入的重大损失，同时提高其耕地的生产力，并且通过更精确地靶向问题区域来减少农药使用。
挑战
团队需要专注于他们的技术，而不是管理后台基础设施。
AgroScout 利用无人机和相机镜头收集作物数据，以识别病虫害的细微迹象。如果这仅仅是专注于基于 AI 的图像分析（医学、建筑、交通等）的公司面临的共同大数据挑战，他们只需构建模型并投入大量计算资源即可解决。但针对农业进行图像分析带来了一些独特的挑战：
- 标注并非易事；即使是专家也无法找到所有植物缺陷
- 分析需要聘请一支由全球专业专家组成的团队进行标注；管理他们的工作并标准化术语需要精确
- 高数据模态。每个田地——甚至是每个田地的数据集——都具有独特的和多输入的特征，需要学习和融合（例如，不断变化的光照或飞行角度）
- 规模——仅一张图像就可以产生数千个标注，且标注 QA 难以进行；这样的图像通常有数万张。
简而言之，AgroScout 的技术涉及一些繁重的技术工作，需要优化其工作流以减轻手动操作负担。他们自然希望获得一个可扩展的、独立的解决方案，易于集成和维护。团队需要专注于他们的技术，而不是管理后台基础设施。
解决方案
AgroScout 的研究促使他们选择了 ClearML，以此来跟踪研究、控制云资源并在整个开发周期中管理数据。
ClearML 在六个方面提供了帮助
1. 处理高分辨率图像
由于处理大规模高分辨率图像不可行，AgroScout 的方法是在将图像馈送到模型进行训练之前将其切割成子图像。自然地，这极大地增加了需要存储和跟踪进行分析的图像数量。ClearML 的数据集管理功能帮助他们为每个数据集创建版本，包括一个已预处理并准备好进行训练的版本。仅促进这一工作流就足以证明集成 ClearML 的合理性，但这仅仅是个开始。
2. 管理来自多位农学家的不同标注
每个 ML 模型都始于人工输入，以教导系统在其对给定数据集进行初步分析时应寻找什么。在农业领域，熟练的标注员难以找到；因此从全球招募了合格的个人和公司。AgroScout 很快发现，无论他们多么直接和清楚地要求标准化标注，他们收到的数据都带有各种标签名称和术语，甚至来自同一供应商内部的多名员工。通过使用 ClearML UI 中的数据集统计功能，他们识别了不匹配项，创建了统一策略来映射同义词，并最终为具有相同含义的标签创建了别名规则。
仅一张图像就可以产生数千个标注。即使对于人类来说，也很难检测出所有的病虫害，并准确决定如何对检测到的内容进行分类。
3. 标注极其复杂、多方面的数据集
AgroScout 无法仅靠一个模型来涵盖所有农业场景。他们的客户遍布全球，自然每个田地都有其独特的作物类型、天气、年龄、土壤和其他变量。
这些因素使得每个特定地点的分析都不同于另一个。所有这些向量在尝试随时获取元数据时会带来管理问题，因为
分析时需要遍历多个文件夹。ClearML 的 Hyperdatasets 使 AgroScout 能够组织他们的数据版本，并将其与模型训练任务关联起来进行训练后分析。
4. 标注量
有时仅一张图像就需要数千个标注来记录细节，例如地面隆起（指示植物即将出苗的凸起）、初次出苗、成株以及田地中的空隙。这不仅对标注员来说是一个密集的过程，而且软件本身必须处理海量的元数据，并具备全面的编辑功能。这种类型的数据管理对许多数据管理工具来说可能是一个挑战，但 ClearML 正是为应对这种可扩展性挑战而设计的。
5. 管理 GPU 实例上的工作负载
训练和测试用于农业分析的模型类型——即使经过优化——也需要大量的 GPU 资源。AgroScout 构建了由 AWS Lambda 函数触发的数据摄取管道。ClearML Orchestrate 与之集成，负责管理用于训练的 EC2 实例上的工作负载；然后使用 ClearML 的 Orchestrate UI 监控和管理已执行的任务。这是一个经典的例子，说明一项繁重、耗时且手动的任务原本会分散他们对核心开发的注意力。
6. 选择获胜的模型
这种特定类型的模型比较非常灵活和动态，因为代表有机景观不断变化和不可预测性质的“模糊”生物数据。很少出现“这个模型成功了，那个失败了”的情况。进行比较——决定哪些实验继续运行，哪些停止——是 ClearML 工具套件的核心功能，并被证明足够强大，能够进行活跃、持续的比较，从而简化模型优化的过程。
结果
虽然总体生产力和上市时间的缩短难以精确测量，但 AgroScout 的团队感受到了其开发生命周期的改进：
100 倍
他们在数据团队规模不变的情况下，将数据量增加了 100 倍以上
50 倍
在团队规模相同的情况下，将实验量增加了 50 倍
50%
将产品化时间（从实验开始到模型投入生产的时间）缩短了 50% 以上
