Sistem Asgard menggunakan ML.NET untuk mengurangi limbah makanan

Asgard Systems adalah perusahaan perangkat lunak dan konsultasi yang berfokus pada berkolaborasi dengan mitra di seluruh vertikal untuk menghasilkan keunggulan kompetitif melalui platform dan proses perangkat lunak kelas atas. Asgard Systems menggunakan ML.NET untuk memperkirakan permintaan bahan makanan di rantai toko kelontong di Rumania.

Masalah bisnis

Toko bahan makanan harus memesan produk yang tidak tahan lama tanpa tahu berapa banyak yang akan terjual pada hari tertentu. Akibatnya, jutaan pon produk daging terbuang sia-sia setiap tahunnya di seluruh industri ritel makanan karena toko melebihkan perkiraannya dan memesan lebih banyak dari yang dapat mereka jual pada hari tertentu. Klien Asgard Systems memerlukan cara untuk memprediksi dengan cerdas berapa banyak permintaan yang akan muncul untuk suatu barang sebelum tiba waktunya untuk memesan barang tersebut.

Mengapa ML.NET?

ML.NET langsung berfungsi. Kami menggunakan versi beta (jauh sebelum versi 1) dalam produksi yang menjalankan ribuan siklus pelatihan per hari tanpa masalah. Menggunakan ML.NET mengungguli solusi lain yang kami gunakan dalam efisiensi dan skalabilitas. Fakta bahwa ML cocok seperti sarung tangan di .NET Framework membuat saya yakin mengambil banyak upaya dari Microsoft, tetapi hasilnya adalah solusi yang paling mudah, efisien, dan dapat diskalakan di pasaran. Kami sebenarnya memiliki kasus ketika ilmuwan data, bukan pengembang, yang bekerja hanya dengan Python/R, belajar melatih model menggunakan ML.NET hanya karena lebih efisien."

Dampak ML.NET

Setiap pon makanan segar yang dapat menghindari pemborosan oleh penyimpanan untuk mewakili beberapa pon emisi gas rumah kaca yang tidak pernah dipancarkan, karena menanam makanan cukup intensif energi. Misalnya, pertimbangkan emisi gas rumah kaca yang terkait dengan beberapa bahan makanan segar yang umum:

Kami telah mencapai lebih dari 24 juta pon emisi CO2 dalam penghematan tahunan dan pada akhir 2020/awal 2021 kami akan memiliki penghematan tahunan sekitar 240 juta pon emisi CO2. Itu setara dengan ~24.000 orang yang netral karbon setiap tahun. Bayangkan bahwa semua orang yang bekerja untuk retailer sekarang netral karbon tanpa mengorbankan omset atau keuntungan. Kami mencapai hasil yang mengesankan tanpa mencoba memengaruhi konsumen untuk makan lebih sedikit daging atau buah-buahan atau mengubah kebiasaan makan mereka dengan cara apa pun."

Arsitektur solusi

Asgard melatih model perkiraan ML.NET untuk setiap produk di toko untuk memprediksi permintaan. Model ini diintegrasikan ke dalam aplikasi desktop .NET Framework. Siklus pelatihan tunggal berjalan pada ~ 600MB data mentah, terdiri dari ~ 500.000 baris dengan masing-masing lebih dari 100 fitur.

ML.NET telah terintegrasi dengan baik dengan solusi mereka yang ada dengan memanfaatkan SQL Server dan Azure SQL, sekaligus memberikan peningkatan kinerja yang signifikan relatif terhadap Python. Waktu pelatihan dibandingkan dengan implementasi Python dari model yang sama adalah 20% hingga 50% lebih cepat. Selain itu, inferensi dengan ML.NET bekerja kurang dari satu detik, di mana sebelumnya itu dibutuhkan beberapa detik di Python. Operasional lebih andal dan solusi Asgard menggunakan ML.NET meningkatkan skalabilitas setidaknya 10x dibandingkan dengan implementasi Python lama mereka.

Model ML.NET menampilkan akurasi yang mengesankan. Pertimbangkan bagan berikut yang menunjukkan prediksi permintaan model ML.NET yang ditimpa dengan permintaan aktual dari bursa selama beberapa hari:

Asgard Systems mampu memanfaatkan pengetahuan mereka yang ada tentang teknologi Microsoft untuk menyebarkan solusi ML.NET tanpa hambatan untuk memperkirakan permintaan bahan makanan. Tidak hanya model ini lebih berkinerja daripada Python untuk himpunan data besar dalam solusi mereka, tetapi model ini juga membantu klien menghemat uang sekaligus membalikkan ratusan juta pound emisi CO2.