Perangkat Lunak Evolusi meningkatkan kualitas hazelnut dengan ML.NET

Evolution Software Design, Inc. adalah perusahaan konsultan yang membantu organisasi lain menerapkan teknologi secara lebih efektif melalui solusi teknologi strategis dan dengan mengembangkan layanan kesehatan, e-niaga, pertanian, dan aplikasi perusahaan. Salah satu perusahaan yang baru-baru ini berada dalam industri hazelnut, bermitra dengan berbagai perusahaan pengolahan hazelnut untuk meningkatkan kualitas hazelnut dari ladang ke konsumen menggunakan pembelajaran mesin dan ML.NET.

ML.NET mempermudah pemanfaatan keterampilan dan aset perangkat lunak .NET dan C# yang ada untuk menambahkan kemampuan pembelajaran mesin ke dalam aplikasi. Karena aplikasi lainnya dikembangkan menggunakan tumpukan teknologi Microsoft dan disebarkan di Azure, integrasi model pembelajaran mesin pun menjadi mudah dan sederhana."

Masalah bisnis

Agar cocok untuk dikonsumsi manusia, hazelnut harus memenuhi persyaratan tertentu. Salah satu persyaratan tersebut adalah hazelnut harus "dikeringkan dengan baik", atau mengandung tingkat kelembaban tertentu, yang telah ditentukan industri antara 8,5% dan 11,5%. Agar kacang diterima oleh pembeli, penting untuk mendapatkan kadar air yang tepat: jika terlalu rendah, kacang akan menyusut terlalu banyak; jika terlalu tinggi, kacang bisa berjamur dan rusak.

Untuk memastikan bahwa hazelnut mencapai tingkat kelembaban ini, setelah panen mereka dibawa dari peternakan ke stasiun penerima dan ditempatkan di pengering komersial, yang masing-masing dapat memuat hingga 50.000 pon hazelnut.

Menentukan jumlah waktu yang harus dihabiskan hazelnut dalam pengering untuk mencapai target kelembapan dapat menjadi seni yang rawan kesalahan dan dipengaruhi oleh banyak variabel, seperti varietas hazelnut, berat kumpulan, pengering yang digunakan, lokasi, dan cuaca. Cara standar untuk menentukan kadar air adalah proses yang sangat manual: seseorang secara berkala dikirim ke pengering untuk menyendok seember kacang, menimbang bijinya, mengeringkannya, dan kemudian melihat perbedaan beratnya. Proses ini diulangi beberapa kali selama proses pengeringan, dan kondisi di dalam pengering kurang ideal dengan hembusan udara 120 derajat Fahrenheit pada kecepatan 100 mph.

Orang yang sudah lama menjalani proses ini sering merasa tahu bahwa hazelnut telah siap tanpa melakukan proses pengambilan sampel. Akibatnya, tingkat kelembapan tidak akurat dan terjadi inkonsistensi di antara pengering, yang kemudian menyebabkan stasiun penerima dan pengolah hazelnut kehilangan pendapatan.

Selain itu, karena sejumlah besar hazelnut dipanen dan diproses dalam waktu yang relatif singkat setiap musim gugur (pada tahun 2018, perusahaan pengolah hazelnut yang berpartisipasi menerima enam puluh delapan juta pon kacang kering dari stasiun penerima), terdapat nilai bisnis yang tinggi dalam mengoptimalkan penggunaan pengering selama pengoperasian sepanjang waktu.

Untuk mengatasi masalah bisnis ini, aplikasi Hazelnut Monitor menggunakan ML.NET untuk memprediksi konten kelembapan kacang dalam batch pengeringan dan operator peringatan saat tingkat target tercapai.

Tujuan dari aplikasi ini adalah untuk membuatnya sangat sederhana bagi orang yang mengoperasikan pengering untuk mengetahui kapan kelembapan kacang mendekati kisaran kelembapan optimal sekaligus mengurangi kebutuhan untuk mengambil sampel; pada akhirnya kami ingin sampai pada titik saat mereka tidak perlu sering mencicipi kacang."

Mengapa ML.NET?

Sementara pembelajaran mesin tampak seperti strategi yang menarik untuk mengatasi masalah bisnis, namun tidak jelas seberapa mudah hal ini diterapkan dalam aplikasi. Namun, rilis ML.NET mempercepat implementasi secara dramatis, dan setelah hanya pengembangan selama empat setengah minggu, Perangkat Lunak Evolution memiliki model pembelajaran mesin pertamanya untuk meningkatkan prediksi tingkat kelembapan kemiri dalam 2,5-3% untuk 35 pengering komersial.

Dampak ML.NET

Selain memantau nilai yang diukur seperti suhu, kelembapan, dan tekanan barometrik, prosesor yang mengoperasikan pengering kini memiliki prediksi tingkat kelembapan secara real time yang dapat diakses melalui klien web ramah seluler. Mesin pemberitahuan beroperasi pada nilai yang diukur dan diprediksi, sehingga operator dapat menerima pesan SMS atau email saat tingkat kelembapan target tercapai.

Informasi tambahan ini memberi operator visibilitas yang lebih baik dan lebih percaya diri tentang status proses pengeringan melalui ponsel dan perangkat lainnya.

Arsitektur solusi

Pemrosesan data

Aplikasi ini menggunakan SignalR untuk mendapatkan pembaruan real time saat data tiba di server dan menyimpan data dalam database SQL. Setiap pengering memiliki beberapa sensor yang terhubung ke hub, yang setiap menitnya mengirimkan data yang dikumpulkan berikut melalui REST ke API Web yang diterapkan di MVC Core ASP.NET:

Data tambahan yang diperlukan untuk membuat prediksi, seperti waktu mulai dan selesai, berat, variasi kemiri, struktur (pengering), dan lokasi (fasilitas pengeringan) dikumpulkan secara manual dan dicatat oleh pekerja di fasilitas:

Tingkat kelembapan dari sampel hazelnut (digunakan untuk data pelatihan) juga dikumpulkan dan dicatat secara manual:

Transformasi data dan algoritma pembelajaran mesin

Hazelnut Monitor menggunakan pengodean satu panas untuk mengonversi Fitur kategoris (berbagai macam hazelnut, lokasi pengering, dan bin/nomor struktur) menjadi tipe data terapung, yang merupakan format yang diterima oleh algoritma ML.NET, dan menggabungkan Fitur ini dengan delta suhu, delta kelembapan, dan berat. Kolom Fitur ini kemudian diteruskan ke algoritma Regresi Pohon Cepat, yang memprediksi tingkat kelembapan hazelnut.

Tahun lalu, algoritma pelatihan dijalankan sekali sehari sebagai tugas terjadwal, dan model yang dilatih kemudian didorong sebagai file zip ke penyimpanan Blob Azure. Model itu kemudian dimuat dalam cache Azure App Services dan digunakan pada data baru untuk membuat prediksi tingkat kelembapan. Musim ini, Perangkat Lunak Evolution berencana untuk memindahkan proses ini ke Azure Function terjadwal.

Aplikasi klien

Monitor Hazelnut menyediakan portal berbasis web, dibangun dengan .NET Core dan Aurelia dan dihosting di Azure, yang memberikan wawasan tentang operasi pengeringan di berbagai lokasi. Ini juga mencakup mesin aturan dan sistem notifikasi (menggunakan Azure Functions) yang dapat memperingatkan personel kunci melalui notifikasi SMS dan email saat pengukuran tertentu berada di luar jangkauan (misalnya, suhu terlalu panas atau terlalu dingin), saat sensor tidak berfungsi, atau ketika kadar air target tercapai.

Rilis ML.NET membuatnya langsung bagi Perangkat Lunak Evolution untuk menambahkan kemampuan pembelajaran mesin ke aplikasi Hazelnut Monitor. Perusahaan dapat memanfaatkan kemampuan .NET dan C# yang ada dan aset perangkat lunak untuk beralih dari awal ke model pembelajaran mesin yang berfungsi dalam waktu singkat dan dengan demikian mengatasi masalah bisnis yang ditargetkan.