Asgard Systems usa ML.NET per ridurre gli sprechi alimentari

Asgard Systems è una società di software e consulenza incentrata sulla collaborazione con i partner su mercati verticali, per generare vantaggi competitivi tramite piattaforme e processi software di fascia alta. Asgard Systems usa ML.NET per prevedere la domanda di generi alimentari in una catena di negozi di alimentari in Romania.

Problema aziendale

I negozi di alimentari devono ordinare gli alimenti deperibili prima di sapere quanto venderanno in un determinato giorno. Questo significa, in pratica, che ogni anno milioni di chili di prodotti a base di carne vanno sprecati nel settore della vendita di prodotti alimentari al dettaglio, perché i negozi sovrastimano e ordinano più di quanto possano vendere. I clienti di Asgard Systems hanno bisogno di un modo per prevedere in modo intelligente la domanda di un determinato articolo prima che sia il momento di ordinarlo.

Perché ML.NET?

ML.NET funziona. Abbiamo usato versioni beta (molto prima della versione 1) in produzione che eseguono migliaia di cicli di training al giorno senza problemi. L'uso di ML.NET ha superato le prestazioni di altre soluzioni usate sia per l'efficienza che per la scalabilità. L'integrazione perfetta dell'apprendimento automatico in .NET ha sicuramente richiesto un impegno significativo da parte di Microsoft, ma il risultato è la soluzione più semplice, efficiente e scalabile sul mercato. In alcuni casi addirittura i data scientist, non gli sviluppatori, che lavoravano solo in Python/R hanno imparato a eseguire il training di modelli usando ML.NET semplicemente perché era più efficiente."

Impatto di ML.NET

Ogni chilo di cibo fresco che il punto vendita può evitare di sprecare rappresenta quantità elevate di emissioni nocive che non vengono mai generate, perché la produzione di cibo richiede molta energia. Si esaminino ad esempio le emissioni nocive associate ad alcuni cibi freschi comuni:

Abbiamo già ottenuto il risparmio di emissioni di CO2 annuale di più di 24 milioni di sterline; entro la fine del 2020/l’inizio del 2021 raggiungeremo il risparmio annuale di circa 240 milioni di sterline di emissioni di CO2. L'equivalente di circa 24.000 persone che producono emissioni di carbonio zero ogni anno. Immaginiamo che tutte le persone che lavorano per la distribuzione producano zero emissioni di carbonio, senza compromettere il fatturato o il profitto: abbiamo ottenuto risultati straordinari senza indurre l'utente a mangiare meno carne o frutta o a cambiare le abitudini alimentari in alcun modo."

Architettura della soluzione

Asgard esegue il training di un modello di previsione ML.NET per ogni prodotto disponibile nel punto vendita in modo da prevedere la domanda. Questi modelli sono integrati in un'applicazione desktop di .NET Framework. Un singolo ciclo di training viene eseguito su ~ 600 MB di dati non elaborati, costituiti da ~ 500.000 righe, ognuna con più di 100 caratteristiche.

ML.NET si è integrato bene con le soluzioni esistenti sfruttando SQL Server e Azure SQL, offrendo allo stesso tempo miglioramenti significativi delle prestazioni rispetto a Python. Il tempo di training rispetto alle implementazioni Python degli stessi modelli è dal 20% al 50% più veloce. Inoltre, l'inferenza con ML.NET funziona in meno di un secondo, dove prima richiedeva più secondi in Python. L'operazionalizzazione è più affidabile e la soluzione di As wim che usa ML.NET ha aumentato la scalabilità almeno 10 volte rispetto all'implementazione legacy di Python.

Il modello ML.NET offre un'accuratezza straordinaria. Esaminare il grafico seguente che mostra le previsioni del modello di ML.NET sulla domanda sovrapposte alla domanda effettiva dal punto vendita nel corso di alcuni giorni:

Asgard Systems è stato in grado di sfruttare le conoscenze esistenti delle tecnologie Microsoft per distribuire senza problemi una soluzione ML.NET per la previsione della domanda di generi alimentari. Non solo questo modello si è rilevato più efficiente di Python per i set di dati di grandi dimensioni nella soluzione, ma ha anche aiutato il cliente a risparmiare denaro, evitando inoltre centinaia di milioni di dollari di emissioni di CO2.