Asgard 系统使用 ML.NET 来减少食物浪费

Asner Systems 是一家软件和咨询公司，专注于与垂直合作伙伴协作，通过高端软件平台和流程形成竞争优势。Asner Systems 正在使用 ML.NET 来预测罗马尼亚一家连锁杂货店的食品需求。

业务问题

食品商店必须先下达易腐物品订单，才可了解其在未来给定日期的销量。在实践中，这意味着，由于商店会高估并订购超过其给定日期销量的物品，因此每年整个食品零售业会浪费有数百万磅的肉制品。Asner Systems 的客户端需要一种方法，以便在需要订购给定物品前，能够智能预测其未来的需求量。

为什么选择 ML.NET?

ML.NET 可以正常工作。我们在生产中使用了 beta 版(早于版本 1)，每天运行数千个训练周期，没有任何问题。使用 ML.NET 在效率和可扩展性方面优于我们使用的其他解决方案。事实上，ML 像手套一样适合 .NET Framework，我确信 Microsoft 付出了巨大努力，结果是市场上最简单、最高效、最具可扩展性的解决方案应运而生。我们实际上有这样的案例，数据科学家而不是开发人员只在 Python/R 中工作，学习使用 ML.NET 训练模型只是因为它更有效。”

ML.NET 的影响

商店可以避免浪费的每磅新鲜食品都代表着从未排放的多磅温室气体排放，因为不断增长的食品非常耗能。例如，考虑与一些常见的新鲜食品相关的温室气体排放:

我们已实现每年减排超过 2400 万磅的 CO2，到 2020 年底/2021 年初，我们将每年减少约 2.4 亿磅的 CO2 排放。这相当于每年大约 24,000 人实现碳中和。假设为零售商工作的所有人员现在都实现碳中和，而不会影响营业额或利润。我们取得了令人印象深刻的结果，但我们没有试图影响消费者少吃肉或水果，也没有以任何方式改变他们的饮食习惯。”

解决方案体系结构

Asgard 为商店中的每款产品训练一个 ML.NET 预测模型，用于预测需求。这些模型集成进 .NET Framework 桌面应用中。单次训练周期需消耗大约 600MB 原始数据，其中包含约 500,000 行，每行超过 100 项特征。

ML.NET 已经很好地集成了利用 SQL Server 和 Azure SQL 的现有解决方案，同时还提供了相对于 Python 的显著性能提升。与相同模型的 Python 实现相比，培训时间要快 20% 到 50%。此外，使用 ML.NET 进行推理只需不到一秒钟，而在此之前，在 Python 中需要几秒钟的时间。可操作性更可靠，Asgard 使用 ML.NET 的解决方案与现在的旧 Python 实现相比，可伸缩性至少提高了 10 倍。

ML.NET 模型显示出令人印象深刻的准确性。请考虑以下图表，该图表显示了 ML.NET 模型的需求预测与几天内商店的实际需求重叠:

Asner Systems 能够利用他们现有的 Microsoft 技术知识来顺畅地部署 ML.NET 解决方案以预测食品需求。此模型不仅比 Python 在解决方案中对大型数据集的性能更高，而且还帮助客户节省资金，同时还可避免数亿磅的 CO2 排放。