Asgard Systems 使用 ML.NET 來減少食物浪費

Asgard Systems 是一家軟體和顧問公司，致力於與跨產業的合作夥伴共同合作，透過高端軟體平台和流程產生競爭優勢。Asgard Systems 使用 ML.NET 來預測羅馬尼亞雜貨鏈的雜貨需求。

商務問題

雜貨店必須先下訂單購買易腐爛的商品，然後才會知道在特定日期的銷售量。這在實務上表示，食品零售產業每年會浪費掉數百萬磅的肉類產品，原因是商店高估了他們在特定日期能銷售的量而訂購了過多商品。Asgard Systems 的用戶端需要有智慧型方式能在訂購某件商品之前了解對該商品的需求。

為什麼要使用 ML.NET?

ML.NET 運作。我們在生產環境中使用 Beta 版 (版本 1 之前)，每天執行數千個定型週期，沒有任何問題。使用 ML.NET 在效率與擴可擴縮性方面優於我們使用的其他解決方案。事實上，ML 如同手套一樣非常適合 .NET Framework，我相信 Microsoft 投入許多心力，但結果是市場上最直接、有效率且可擴縮性的解決方案。我們實際上有一些案例，當資料科學家 (而非僅使用 Python/R 的開發人員) 學習使用 ML.NET 來定型模型，只因為它更有效率。」

ML.NET 的影響

商店可避免浪費的每磅新鮮食品，都代表著從未排放過的多磅溫室氣體，因為種植食物相當耗能。例如，考慮與一些常見新鮮食品相關聯的溫室氣體排放:

我們每年已節省超過 2,400 萬磅的碳排放，而到 2020 年底/2021 年初，我們每年可節省大約 2.4 億磅的碳排放。這相當於每年大約 24,000 人達成碳中和。想像一下，為零售商工作的所有人現在都達成碳中和，且對對營業額或利潤沒有損害。我們達成了感人的成果，而未嘗試影響消費者吃較少的肉類或水果，或以任何方式改變他們的飲食習慣。」

解決方案架構

Asgard 會針對商店中的每個產品定型 ML.NET 預測模型，以預測需求。這些模型會整合至一個 .NET Framework 桌面應用程式。單一定型週期可對最多 600 MB 的原始資料執行，包含最多 50 萬個資料列，每個資料列超過 100 個功能。

ML.NET 已充分利用 SQL Server 和 Azure SQL 的現有解決方案良好整合，同時還能為 Python 提供顯著的效能提升。與相同模型的 Python 實作相比，訓練時間快了 20% 到 50%。此外，使用 ML.NET 推斷會在一秒內執行，在 Python 中則需要幾秒的時間。與現在舊版 Python 的實作相比，使用 ML.NET 的作業更可靠，且 Asgard 的解決方案將擴充性至少增加 10 倍。

此 ML.NET 模型顯示優秀的正確性。請考慮下列圖表，該圖表顯示 ML.NET 模型對幾天內商店實際需求與需求重疊的預測:

Asgard Systems 能夠運用其現有的 Microsoft 技術知識，順暢地部署 ML.NET 解決方案，以預測雜貨需求。此模型不僅比 Python 在其解決方案中的大型資料集更具效能，也協助客戶節省成本，同時也避免數億磅的 CO2 排放量。