Asgard Systems usa ML.NET para reducir el desperdicio de alimentos

Asgard Systems es una compañía de software y consultoría centrada en la colaboración con asociados en verticales para generar ventajas competitivas a través de las plataformas y los procesos de software de alto nivel. Asgard Systems está usando ML.NET para pronosticar la demanda de alimentos en una cadena de tiendas de alimentación en Rumania.

Problema empresarial

Las tiendas de alimentación deben realizar pedidos de perecederos antes de saber cuánto venderán en un día determinado. En la práctica, esto significa que millones de libras de productos de carne se desperdician cada año en el sector minorista de alimentos, ya que las tiendas sobreestiman y piden más de lo que pueden vender en un día determinado. Los clientes de Asgard Systems necesitan una manera de predecir de forma inteligente cuánta demanda verán para un elemento determinado antes de que llegue el momento de ordenar ese elemento.

¿Por qué ML.NET?

ML.NET funciona. Hemos usado versiones beta (antes de la versión 1) en producción que ejecuta miles de ciclos de entrenamiento al día sin problemas. El uso de ML.NET superó a otras soluciones que usamos tanto en eficiencia como en escalabilidad. El hecho de que ML se ajuste como un guante en la .NET Framework estoy seguro de que ha hecho un gran esfuerzo de Microsoft, pero el resultado es la solución más sencilla, eficaz y escalable del mercado. En realidad, hemos tenido casos en los que los científicos de datos, no los desarrolladores, que trabajaron únicamente en Python/R, aprendieron a entrenar modelos mediante ML.NET solo porque era más eficaz."

Impacto de ML.NET

Cada libra de comida fresca que la tienda puede evitar desperdiciar representa varias libras de emisión de gases de efecto invernadero que nunca se emiten, ya que la producción de alimentos conlleva un gran consumo de energía. Por ejemplo, tenga en cuenta las emisiones de gases de efecto invernadero asociadas a algunos artículos de comida fresca comunes:

Ya hemos logrado más de 24 millones de libras de emisiones de CO2 en ahorros anuales y, a finales de 2020 o principios de 2021, habrá ahorros anuales de aproximadamente 240 millones de libras de emisiones de CO2. Es el equivalente a aproximadamente 24 000 personas que son neutras en carbono cada año. Imagine que todas las personas que trabajan para el minorista ahora son neutras en carbono sin comprometer la rotación ni las ganancias. Logramos resultados impresionantes sin intentar influir en el consumidor para comer menos carne o frutas o cambiar sus hábitos de comida de ninguna manera."

Arquitectura de la solución

Asgard entrena un modelo de previsión de ML.NET para cada producto de la tienda con el fin de predecir la demanda. Estos modelos se integran en una aplicación de escritorio .NET Framework. Un único ciclo de entrenamiento se ejecuta en ~ 600 MB de datos sin procesar, que consta de ~ 500 000 filas con más de 100 características cada una.

ML.NET se ha integrado bien con sus soluciones existentes aprovechando SQL Server y Azure SQL, al tiempo que ha proporcionado importantes ganancias de rendimiento en relación con Python. El tiempo de entrenamiento comparado con las implementaciones en Python de los mismos modelos es entre un 20% y un 50% más rápido. Además, la inferencia con ML.NET funciona en menos de un segundo, cuando antes tardaba varios segundos en Python. La operacionalización es más fiable y la solución de Asgard usando ML.NET aumentó la escalabilidad al menos 10 veces en comparación con su implementación ahora heredada de Python.

El modelo de ML.NET muestra una precisión impresionante. Considere el siguiente gráfico que muestra las predicciones del modelo de ML.NET de la demanda superpuestas con la demanda real de la tienda durante unos días:

Asgard Systems pudo aprovechar sus conocimientos existentes de las tecnologías de Microsoft para implementar sin problemas una solución de ML.NET para prever la demanda de alimentos. Este modelo no solo fue más eficaz que Python para grandes conjuntos de datos en su solución, sino que también ayudó al cliente a ahorrar dinero y a invertir cientos de millones de libras de emisiones de CO2.