Optimaliseren van de veestapel op een datagedreven wijze
Wereldwijd zorgen boeren voor zo’n 1,7 miljard runderen die voorzien in onze dagelijkse behoefte aan melk, melkproducten en vlees. De omvang van kuddes loopt uiteen per land. Hoe bestier je als boer dag in dag uit je kudde op een verantwoorde wijze? En hoe houd je je bedrijfsvoering optimaal, terwijl je tegelijkertijd het welzijn van de koeien in het oog houdt?
Realtime technologie
Hoewel er vaak niet bij wordt stilgestaan, leent de agrarische markt zich bij uitstek voor nieuwe technologie en een datagedreven aanpak. Door de bestaande sensortechnologie en een goede technische infrastructuur te combineren, wordt het mogelijk om een grote veestapel realtime te monitoren en te beheren. Door veranderingen in de gesteldheid van het vee nauwlettend te volgen, kan de boer proactief inspelen op bijvoorbeeld ziektes, tochtigheid en de effecten van veranderingen in voedingssamenstelling. Onderzoek heeft aangetoond dat goed verzorgde koeien optimale prestaties leveren op het gebied van melkproductie en reproductie, terwijl tegelijkertijd de kosten voor onder andere medicatie en veearts worden verlaagd.
Business Issue
Voor een van onze klanten was de explosief toegenomen vraag naar nieuwe producten en diensten in de agrarische markt aanleiding om de schaalbaarheid binnen de organisatie te vergroten. Het ontbreken van een uniforme werkwijze en de tijdsdruk leidde tot veel handmatige processen die niet schaalbaar waren. De organisatie was gebaat bij een gestandaardiseerde way-of-working binnen de Data Science & Data Engineering-afdeling voor het opzetten, realiseren en industrialiseren van Data Science-modellen, waarbij handmatige processen zoveel mogelijk werden geautomatiseerd. Bovendien wilde het bedrijf haar ML-modellen beter kunnen beheren en beheersen.
Aanpak en oplossing
Future Facts heeft een bewezen way-of-working ontwikkeld op het gebied van MLOps. Deze aanpak waarborgt een uniforme werkwijze van idee tot en met uitwerking van ML-modellen. Het MLOps Framework zorgt voor standaardisatie via templates en workflows, waarmee het ML-model gedurende het gehele proces wordt opgezet, getest en in productie genomen. Dankzij deze gestructureerde aanpak wordt de tijdsduur van dit proces teruggebracht van weken naar slechts enkele uren.
Na de inwerkperiode, training on the job en betrokkenheid bij de opzet en inrichting van een MLOps-omgeving, was het voor deze klant belangrijk dat de Data Science & Engineering-afdeling zelfstandig verder konden. Door middel van het principe ‘voordoen – samen doen – zelf doen’ zijn de kennis en kunde gedurende een periode van zes maanden overgedragen en versterkt.
Het MLOps Framework van Future Facts is opgebouwd binnen de reeds aanwezige Azure Cloud-omgeving. Daarnaast hebben we gebruik gemaakt van Databricks, MLflow, Python en Spark.
Baten
Het Future Facts MLOps framework is inmiddels volledig in productie en heeft de volgende baten opgeleverd:
- Het opzetten van MLOps-projecten is teruggebracht van 1 week naar slechts 1 uur (inclusief CI/CD).
- Het opzetten van een inference pipeline is teruggebracht van ca. 1 maand naar slechts 2 tot 3 dagen.
- Er is geen discrepantie meer tussen training en inference pipeline, wat resulteert in een hogere kwaliteit van modelresultaten en minder tijd nodig voor het oplossen van problemen.
- Door het implementeren van monitoring is er nu inzicht in datakwaliteit, data-drift, verschillen tussen klantsegmenten én in bias/representativiteit van het ML-model voor populatie.
- Er is een goed getraind team dat een uniforme werkwijze hanteert en het MLOps Framework volledig autonoom verder kan uitbouwen.
Deze realisatie draagt bij aan het verder kunnen doorontwikkelen van verschillende nieuwe diensten en services, waardoor de groei van deze klant wordt gefaciliteerd.
Meer informatie?
Wil je weten wat Future Facts Conclusion voor je organisatie kan betekenen op het gebied van realtime monitoring? Neem vandaag nog contact met ons op voor een vrijblijvend adviesgesprek.
