Azure koneoppiminen ruokahävikin torjunnassa

Abstract

Tämä opinnäytetyö tarkastelee Microsoft Azure Machine Learning -alustan hyödyntämistä ruokahävikin vähentämisessä ja kysynnän ennustamisessa. Tutkimuksen tavoitteena oli kehittää Proof of Concept -ratkaisu, joka vertailee modernien pilvipohjaisten koneoppimismallien tarkkuutta perinteisiin manuaalisiin menetelmiin. Työn tarkoituksena oli selvittää, voidaanko automaatiolla optimoida pienten ja keskisuurten ruokakauppojen varastonhallinta ja vähentää ylitarjonnasta johtuvaa hävikkiä.

Toiminnallinen työ toteutettiin hyödyntäen Scrum-menetelmää. Aineistona käytettiin synteettistä dataa, joka simuloi vähittäiskaupan myyntihistoriaa, sesonkivaihteluita ja sääolosuhteita. Tutkimuksessa vertailtiin manuaalisesti Pythonilla toteutettuja malleja Azure AutoML:n automaattiseen malliin. Työn Tuloksia ja niiden sovellettavuutta arvioitiin lisäksi alan asiantuntijahaastattelulla, jonka avulla arvioitiin mallin liiketoiminnallisen potentiaalin.

Tulokset osoittavat, että Azure AutoML:n tuottama VotingEnsemble-malli suoriutui ennustamisesta merkittävästi manuaalisia malleja paremmin. AutoML-malli puolitti ennustevirheen saavuttaen 0,1682 MAE-arvon, kun taas parhaiden manuaalisten mallien virheet olivat yli 0,3.

Johtopäätöksenä voidaan todeta, että pilvipohjainen koneoppiminen tarjoaa kustannustehokkaan, tarkan ja skaalautuvan tavan optimoida tilausmääriä. Vaikka teknologia on toimivaa, pk-kauppiaalle sen hyödyntäminen on realistisinta ostopalveluna omien resurssien puutteen vuoksi. Tekoälyn käyttöönotossa suurin kynnys on luottamus, minkä vuoksi siirtymä kohti täyttä automaatiota tulisi aloittaa avustetun tilaamisen kautta, jossa ihminen valvoo tekoälyn ehdotuksia.