Asgard Systems usa o ML.NET para reduzir o desperdício de alimentos

O Asgard Systems é uma empresa de software e consultoria com foco em colaborar com parceiros nos mercados verticais para gerar vantagens competitivas por meio de plataformas e processos de software high-end. Asgard sistemas de armazenamento estão usando ML.NET para prever a demanda de compras em uma cadeia de supermercado de supermercado na Romênia.

Problema de negócios

Os mercados devem fazer pedidos de itens inabitáveis antes de saberem quanto venderão em um determinado dia. Isso significa, na prática, que milhões de dólares de produção de alimentos vão para o desperdício todos os anos no setor de varejo de alimentos, pois armazenam excessivamente e encomendam mais do que podem vender em um determinado dia. Os clientes da Microsoft Systems precisam de uma maneira de prever de forma inteligente a quantidade de demanda que verão para um determinado item antes que seja hora de ordenar esse item.

Por que ML.NET?

ML.NET simplesmente funciona. Usamos versões beta (bem antes da versão 1) em produção executando milhares de ciclos de treinamento por dia sem problemas. O uso do ML.NET superou outras soluções que usamos em eficiência e escalabilidade. Tenho certeza de que o ML se encaixa como uma luva no .NET Framework exigia muito esforço da Microsoft, mas o resultado é a solução mais direta, eficiente e escalável do mercado. Na verdade, tivemos casos em que cientistas de dados, não desenvolvedores, que trabalhavam exclusivamente em Python/R, aprenderam a treinar modelos usando ML.NET apenas porque era mais eficiente."

Impacto do ML.NET

Cada quilo de alimentos novos que a loja pode evitar perder representa vários quilogramas de emissões de gás efeito estufa que nunca são emitidos, pois o cultivar alimentos é muito intensivo em energia. Por exemplo, considere as emissões de gás efeito estufa então associadas a alguns itens comuns de alimentos novos:

Já alcançamos mais de 24 milhões de libras de emissões de CO2 em economias anuais e até o final de 2020 / início de 2021 teremos economias anuais de cerca de 240 milhões de libras de emissões de CO2. Isso é o equivalente a cerca de 24.000 pessoas sendo neutras em carbono todos os anos. Imagine que todas as pessoas que trabalham para o varejista agora sejam neutras em carbono sem comprometer o faturamento ou o lucro. Alcançamos resultados impressionantes sem tentar influenciar o consumidor a comer menos carne ou frutas ou mudar seus hábitos alimentares de alguma forma."

Arquitetura da solução

Asgard treina um modelo de previsão de ML.NET para cada produto na loja para prever a demanda. Esses modelos são integrados em um aplicativo de área de trabalho do .NET Framework. Um único ciclo de treinamento é executado em ~ 600MB de dados brutos que consistem em ~ 500.000 linhas com mais de 100 recursos cada.

O ML.NET se integrou bem às suas soluções existentes aproveitando o SQL Server e o SQL do Azure, além de fornecer ganhos de desempenho significativos com relação ao Python. O tempo de treinamento, em comparação com as implementações dos mesmos modelos no Python, é 20% a 50% mais rápido. Além disso, a inferência com o ML.NET funciona em menos de um segundo, quando antes levava vários segundos no Python. A operacionalização é mais confiável e a solução da Asgard usando o ML.NET aumentou a escalabilidade em pelo menos 10 vezes em comparação com sua implementação do Python, que agora está obsoleta.

O modelo do ML.NET exibe uma precisão impressionante. Considere o gráfico a seguir mostrando as previsões de demanda sobrepostas do modelo ML.NET com a demanda real do repositório por alguns dias:

Asgard Systems foi capaz de aproveitar o conhecimento existente de tecnologias da Microsoft para implantar sem problemas uma solução ML.NET para prever a demanda de compras. Não apenas esse modelo foi mais formado do que o Python para grandes conjuntos de dados em sua solução, mas esse modelo também ajudou o cliente a economizar dinheiro e, ao mesmo tempo, também pode ser uma AVERT centenas de milhões de libras de emissões de CO2.