Asgard Systems использует ML.NET для сокращения пищевых отходов
Клиент
Asgard Systems
Продукты и службы
ML.NET
SQL Server
Azure SQL
Промышленность
Программное обеспечение и консультации
Размер организации
Малый (от 1 до 100 сотрудников)
Страна/регион
Румыния
Asgard Systems — это компания, занимающаяся программным обеспечением и консалтингом, ориентированная на сотрудничество с партнерами по разным вертикалям для создания конкурентных преимуществ с помощью высокотехнологичных программных платформ и процессов. Asgard Systems использует ML.NET для прогнозирования спроса на продукты в сети продуктовых магазинов в Румынии.
Бизнес-проблема
Продуктовые магазины должны размещать заказы на скоропортящиеся продукты, прежде чем они узнают, сколько они продадут в данный день. На практике это означает, что миллионы фунтов мясной продукции ежегодно пропадают в продовольственной розничной торговле, потому что магазины переоценивают и заказывают больше, чем могут продать в данный день. Клиентам Asgard Systems нужен способ разумного прогнозирования того, какой спрос они увидят на данный товар, прежде чем придет время заказывать этот товар.
Почему ML.NET?
ML.NET просто работает. Мы использовали бета-версии (задолго до версии 1) в производстве, выполняя тысячи циклов обучения в день без каких-либо проблем. Использование ML.NET превзошло другие решения, которые мы использовали, как по эффективности, так и по масштабируемости. Нет никаких сомнений в том, что для достижения идеальной совместимости ML с .NET Framework корпорация Майкрософт приложила много усилий, но в результате получилось самое простое, эффективное и масштабируемое решение на рынке. У нас действительно были случаи, когда специалисты по обработке и анализу данных, а не разработчики, работавшие исключительно на Python/R, научились обучать модели с помощью ML.NET только потому, что это было более эффективно".
Влияние ML.NET
Каждый фунт свежих продуктов, который магазин может не выбрасывать, представляет собой несколько фунтов выбросов парниковых газов, которые никогда не выбрасываются, поскольку выращивание продуктов питания является довольно энергоемким. Например, рассмотрим выбросы парниковых газов, связанные с некоторыми распространенными свежими продуктами:
Мы уже добились годовой экономии размером более 24 миллионов фунтов выбросов CO2 в год, а к концу 2020/началу 2021 года у нас будет ежегодная экономия около 240 миллионов фунтов выбросов CO2. Это эквивалентно тому, что около 24 000 человек ежегодно становятся углеродно-нейтральными. Представьте, что все люди, работающие в розничном магазине, теперь углеродно-нейтральны без ущерба для оборота или прибыли. Мы добились впечатляющих результатов, не пытаясь повлиять на потребителя, чтобы он ел меньше мяса или фруктов, или каким-либо образом изменить свои привычки в еде".
Архитектура решения
Asgard обучает модель прогнозирования ML.NET для каждого продукта в магазине, чтобы прогнозировать спрос. Эти модели интегрированы в настольное приложение .NET Framework. Один цикл обучения выполняется на ~ 600 МБ необработанных данных, состоящих из ~ 500 000 строк с более чем 100 функциями в каждой.
ML.NET хорошо интегрировалась со своими существующими решениями, использующими SQL Server и Azure SQL, а также обеспечивает значительный прирост производительности по сравнению с Python. Время обучения по сравнению с реализациями тех же моделей на Python на 20-50% быстрее. Кроме того, вывод с ML.NET работает менее чем за секунду, тогда как раньше в Python это занимало несколько секунд. Ввод в эксплуатацию более надежен, и решение Asgard, использующее ML.NET, увеличило масштабируемость как минимум в 10 раз по сравнению с их устаревшей реализацией Python.
Модель ML.NET демонстрирует впечатляющую точность. Рассмотрим следующую диаграмму, показывающую прогнозы спроса модели ML.NET, наложенные на фактический спрос в магазине за несколько дней:
Компания Asgard Systems смогла использовать имеющиеся знания о технологиях Microsoft для беспрепятственного развертывания решения ML.NET для прогнозирования спроса на продукты. Мало того, что эта модель была более производительной, чем Python для больших наборов данных в их решении, она также помогла клиенту сэкономить деньги, предотвратив при этом сотни миллионов фунтов выбросов CO2.
Готовы приступить?
Наше пошаговое руководство поможет вам запустить ML.NET на вашем компьютере.