Asgard Systems utilise ML.NET pour réduire le gaspillage alimentaire

Asgard Systems est une société de conseil et de logiciels axée sur la collaboration avec des partenaires sur les verticaux pour générer des avantages concurrentiels, via des plateformes logicielles et des processus haut de gamme. Asgard Systems utilise ML.NET pour prévoir la demande en articles d’épicerie dans une chaîne de supermarchés en Roumanie.

Problème d’entreprise

Les magasins d’alimentation doivent passer des commandes pour les produits périssables avant de savoir combien ils vendront un jour donné. En pratique, cela signifie que des millions de livres de produits alimentaires sont perdus chaque année dans l’industrie de la vente au détail de produits alimentaires, car les magasins surestiment et commandent plus qu’ils ne peuvent vendre un jour donné. Les clients d’Asgard Systems ont besoin d’un moyen de prédire intelligemment la demande qu’ils verront pour un élément donné avant qu’il soit temps de commander cet élément.

Pourquoi ML.NET ?

ML.NET fonctionne, incontestablement. Nous avons utilisé des versions bêta (bien avant la version 1) en production qui ont exécuté des milliers de cycles d’entraînement par jour sans aucun problème. L’utilisation de ML.NET a surpassé les autres solutions que nous avons utilisées en termes d’efficacité et de scalabilité. Je suis sûr que Microsoft a fourni de nombreux efforts pour que ML fonctionne aussi bien dans le .NET Framework, mais le résultat est là : c’est la solution la plus simple, la plus efficace et la plus scalable du marché. En fait, nous avons eu des cas où des scientifiques des données, et non des développeurs, qui travaillaient uniquement en Python/R, ont appris à entraîner des modèles avec ML.NET parce que c’était tout simplement plus efficace.\ »

Impact de ML.NET

Chaque livre d'aliments frais que le magasin peut éviter de gaspiller représente plusieurs livres d'émissions de gaz à effet de serre qui ne sont jamais émises, car la culture des aliments consomme beaucoup d'énergie. Par exemple, considérez les émissions de gaz à effet de serre associées à certains aliments frais courants :

Nous avons déjà économisé plus de 10 000 tonnes d’émissions de CO2 sur un an et d’ici la fin de l’année 2020 /début 2021, nous aurons fait une économie annuelle d’environ 100 000 tonnes d’émissions de CO2. Cela équivaut à environ 24 000 personnes dont l’impact carbone est neutre chaque année. Imaginez que toutes les personnes qui travaillent pour le détaillant ont désormais atteint la neutralité carbone sans compromettre le renouvellement ou les bénéfices. Nous avons obtenu des résultats impressionnants sans tenter de pousser le consommateur à manger moins de viande ou de fruits, ni à changer ses habitudes alimentaires d’une quelconque manière.\ »

Architecture de la solution

Asgard entraîne un modèle de prévision ML.NET pour chaque produit du magasin afin de prédire la demande. Ces modèles sont intégrés à une application de bureau .NET Framework. Un seul cycle d’entraînement s’exécute sur environ 600 Mo de données brutes, composées d’environ 500 000 lignes avec plus de 100 fonctionnalités chacune.

ML.NET s’est bien intégré à leurs solutions existantes en tirant parti des SQL Server et des Azure SQL, tout en fournissant des gains de performances significatifs par rapport à Python. Le temps d’entraînement par rapport aux implémentations Python des mêmes modèles est de 20 à 50 % plus rapide. En outre, l’inférence avec ML.NET fonctionne en moins d’une seconde, où elle prenait plusieurs secondes en Python. L’opérationnalisation est plus fiable et la solution d’Asgard utilisant ML.NET a augmenté l’extensibilité au moins 10 fois par rapport à leur implémentation Python héritée.

Le modèle ML.NET affiche une précision impressionnante. Considérez le graphique suivant montrant les prévisions de demande du modèle ML.NET superposées à la demande réelle du magasin sur quelques jours :

Asgard Systems a pu tirer parti de ses connaissances existantes des technologies Microsoft pour déployer sans friction une solution ML.NET pour prévoir la demande d’alimentation. Non seulement ce modèle était plus performant que Python pour les jeux de données volumineux dans leur solution, mais ce modèle a également permis au client d’économiser de l’argent tout en évitant des centaines de millions de livres d’émissions de CO2.