Trong thế giới ngày nay, nơi tính bền vững và hiệu quả là tối quan trọng, vấn đề lãng phí thực phẩm đã nổi lên như một thách thức đáng kể. Một trong những nguồn chất thải thực phẩm chính là ngành công nghiệp nhà hàng, chỉ với một phần nhỏ thực phẩm dư thừa được tái chế hoặc quyên góp. Sự lãng phí này không chỉ có tác động tiêu cực đến môi trường mà còn gây ra những tác động tài chính cho các doanh nghiệp.
Sự ra đời của công nghệ đã mở ra cánh cửa cho các giải pháp sáng tạo giải quyết vấn đề này. Sức mạnh của Machine Learning (ML) và Trí tuệ nhân tạo (AI) có thể được tận dụng trong nền tảng Actable AI để dự đoán lượng chất thải thực phẩm và các yếu tố góp phần vào nó.
Điều quan trọng trước tiên là phải hiểu dữ liệu mà bạn đã thu thập. Sau khi nó được tải lên nền tảng AI có thể hành động (thông qua bảng tính Excel, tệp CSV, bằng cách kết nối trực tiếp với cơ sở dữ liệu hoặc bằng cách sử dụng tiện ích bổ sung Google Trang tính), một số công cụ có thể được sử dụng để trực quan hóa dữ liệu và hiểu mối quan hệ giữa các biến khác nhau.
Một công cụ như vậy là công cụ phân tích tương quan, đo lường sức mạnh của mối quan hệ giữa các biến. Các tham số có thể được đặt như sau:
Biến số quan tâm, cụ thể là lượng chất thải thực phẩm, được chỉ định trong trường 'mục tiêu tương quan'. Trong khi đó, bất kỳ tính năng nào mà mối tương quan cần được đo lường với mục tiêu đều được chỉ định trong trường 'các yếu tố so sánh'. Các tùy chọn khác cũng có sẵn, chẳng hạn như số lượng các yếu tố để hiển thị và liệu các giá trị có nên được hiển thị trên biểu đồ thanh hay không.
Sau khi nhấp vào nút 'Chạy' và đợi trong giây lát, kết quả sẽ được tạo và hiển thị cho người dùng:
Như có thể quan sát, một trong những yếu tố quan trọng nhất dường như là giá cả. Cụ thể, giá cao hơn có xu hướng dẫn đến chất thải cao hơn. Mặt khác, giá cả vừa phải và thấp dường như làm giảm lãng phí thực phẩm.
Các yếu tố khác góp phần gây lãng phí bao gồm số lượng khách và số lượng thực phẩm. Điều này có lẽ không có gì đáng ngạc nhiên, vì số lượng người cao hơn (mỗi người góp phần vào thực phẩm lãng phí) chắc chắn sẽ dẫn đến chất thải tổng thể hơn, trong khi có quá nhiều thực phẩm cũng sẽ làm tăng khả năng thực phẩm không được tiêu thụ và cuối cùng bị vứt bỏ.
Một số biểu đồ cũng được tạo, cũng có thể được sử dụng để suy ra mối quan hệ giữa các tính năng:
Bây giờ chúng ta đã hiểu rõ hơn về các tính năng của mình, chúng ta có thể thử đào tạo một mô hình học máy với nhiệm vụ dự đoán lượng lãng phí thực phẩm. Điều này có thể được thực hiện bằng cách chọn phân tích 'hồi quy' với các tùy chọn sau:
Tương tự như phân tích tương quan, kết quả cần được dự đoán (lượng lãng phí thực phẩm) nên được chỉ định trong trường 'mục tiêu dự đoán', trong khi bất kỳ tính năng nào khác nên được sử dụng để dự đoán mục tiêu được chỉ định trong trường 'dự đoán'.
Một số tùy chọn khác cũng có thể được chỉ định, bao gồm:
Trong trường hợp này, tùy chọn 'giải thích dự đoán' đã được chọn. Điều này sẽ cho phép tạo ra những gì được gọi là giá trị Shapley có thể giúp chúng ta hiểu mức độ mỗi biến đã tăng hoặc giảm dự đoán.
Các tùy chọn nâng cao hơn cũng có thể được chỉ định, chẳng hạn như các mô hình được đào tạo và các siêu tham số của chúng. Mặc dù cài đặt mặc định thường hoạt động tốt, bạn có thể muốn chỉ định một số giá trị nhất định theo ý thích của mình hoặc cố gắng điều chỉnh chúng để cải thiện hiệu suất. AI có thể hành động sau đó sẽ tận dụng các kỹ thuật AutoML hiện đại để tự động đào tạo một số mô hình với các siêu tham số khác nhau và chọn mô hình đạt được hiệu suất tốt nhất.
Số liệu được sử dụng để tối ưu hóa cũng có thể được chỉ định:
Thông tin chi tiết về tất cả các tùy chọn có sẵn trong phân tích hồi quy cũng có thể được tìm thấy trong tài liệu hướng dẫn sử dụng.
Khi chúng tôi hài lòng với các cài đặt, có thể nhấp vào nút 'Chạy' để bắt đầu quá trình đào tạo mô hình. Khi nó được hoàn thành, một số kết quả được hiển thị:
Trước hết, chúng ta có thể kiểm tra hiệu suất của mô hình bằng cách sử dụng một số số liệu. Mỗi trong số này so sánh các giá trị cơ bản của lượng lãng phí thực phẩm với những giá trị được dự đoán bởi mô hình tốt nhất. Như có thể quan sát, kết quả trong trường hợp này rất tốt, với Lỗi bình phương trung bình gốc, Lỗi tuyệt đối trung bình và Lỗi tuyệt đối trung bình rất gần với 0 (giá trị tối ưu) và R2 rất gần với giá trị tối ưu là 1.0 (trong trường hợp này, có thể nói rằng mô hình có sai số tương đối khoảng 8%).
Các số liệu này chỉ ra rằng mô hình sẽ hoạt động tốt khi được sử dụng trên dữ liệu vô hình trong thế giới thực (dữ liệu không được mô hình sử dụng khi đào tạo nó).
Sau đó, chúng ta có thể quan sát những tính năng nào được mô hình coi là quan trọng:
Trong trường hợp này, giá cả rõ ràng là một yếu tố rất quan trọng ảnh hưởng đến kết quả, cụ thể là lượng chất thải thực phẩm. Số lượng khách và số lượng thực phẩm cũng rất quan trọng, như cũng được quan sát trong phân tích tương quan. Ở đầu kia của bảng, loại sự kiện và tính thời vụ rõ ràng là không quan trọng và không ảnh hưởng đáng kể đến lượng chất thải thực phẩm.
Tiếp theo, chúng ta có thể kiểm tra các giá trị thô của các dự đoán và các giá trị Shapley được đề cập trước đó:
So sánh các giá trị cơ bản-sự thật (cột 'Wastage_Food_Amount') với các giá trị dự đoán ('Wastage_Food_Amount_predicted'), rõ ràng là các giá trị dự đoán thực sự rất gần với các giá trị thực tế. Hơn nữa, mức độ mà mỗi biến ảnh hưởng đến kết quả cũng được đưa ra bằng màu đỏ hoặc xanh lá cây; Giá trị màu đỏ chỉ ra rằng giá trị đã làm giảm giá trị của kết quả (tức là lượng lãng phí thực phẩm), trong khi giá trị màu xanh lá cây chỉ ra rằng giá trị đã làm tăng giá trị của dự đoán. Các giá trị này được tạo ra cho từng mẫu cụ thể, cho phép phân tích chi tiết cao về mô hình và cách mỗi biến ảnh hưởng đến kết quả. Điều này cũng giúp xác định làm thế nào lượng chất thải thực phẩm có thể được giảm.
Phân tích sâu hơn về cách các dự đoán mô hình khác nhau giữa các giá trị khác nhau của các biến cũng có thể được kiểm tra trong các biểu đồ PDP và ICE được giới thiệu gần đây:
Biểu đồ ICE cho thấy ảnh hưởng của một tính năng đối với kết quả, bằng cách đóng băng tất cả các giá trị của mẫu ngoại trừ tính năng đang được điều tra. Trung bình trên tất cả các mẫu mang lại biểu đồ PD (PDP). Trong những hình ảnh trên, một lần nữa rõ ràng là giá cả và số lượng khách cao hơn làm tăng lượng lãng phí thực phẩm.
Thông tin thêm về mô hình tốt nhất và các mô hình khác đã được đào tạo cũng có thể được xem trong tab 'bảng xếp hạng':
Ngoài số liệu đánh giá đã chọn, lượng thời gian cần thiết để đào tạo mô hình và thực hiện các dự đoán được đưa ra. Điều này giúp chúng tôi xác định xem lượng thời gian cần thiết để mô hình hoạt động có đủ cho ứng dụng nhất định hay không. Lưu ý rằng thời gian suy luận mong muốn cũng có thể được chỉ định trong tab 'Nâng cao'. Các siêu tham số và biến đã được mô hình sử dụng cũng được hiển thị, cho phép chúng ta hiểu rõ hơn về thành phần mô hình.
Khi chúng tôi hài lòng với mô hình được đào tạo, nó có thể được sử dụng với dữ liệu mới bằng cách chọn tab 'Mô hình trực tiếp' nơi các dự đoán có thể được tạo bằng tập dữ liệu mới. Giá trị dự đoán cũng có thể được nhập tương tác dưới dạng và dự đoán được tạo nhanh chóng:
Nếu các tùy chọn trong tab 'Can thiệp' được đặt, thì cũng có thể sử dụng phân tích phản thực tế để xác định ảnh hưởng của biến điều trị (ví dụ: giá cả) đối với kết quả dự đoán và có được dự đoán mới. Nói cách khác, điều gì xảy ra với chất thải thực phẩm dự đoán nếu giá được thay đổi? Nguyên nhân phổ biến, còn được gọi là yếu tố gây nhiễu, là các biến có thể ảnh hưởng đến cả kết quả và biến được can thiệp. Những điều này cũng có thể được chỉ định trong trường 'nguyên nhân phổ biến', cho phép các kỹ thuật suy luận nhân quả mang lại ước tính mới về lãng phí thực phẩm dựa trên mối quan hệ nhân quả:
Trong ví dụ này, lượng chất thải thực phẩm bằng 36,19 đối với mẫu được cung cấp. Nếu giá được thay đổi từ 'Cao' sang 'Thấp', chất thải thực phẩm dự kiến sẽ giảm 43% xuống còn 20,50. Bằng cách này, chúng ta có thể dễ dàng xác định từng yếu tố có thể thay đổi như thế nào để giảm thiểu lãng phí thực phẩm.
API cũng có thể được sử dụng để tích hợp mô hình vào ứng dụng hiện có của bạn (ứng dụng web, ứng dụng dành cho thiết bị di động, v.v.) . Nhấp vào 'Tab API trực tiếp' và tất cả các chi tiết của API được hiển thị:
Cuối cùng, mô hình đã đào tạo cũng có thể được xuất và sử dụng trực tiếp trong Python bằng cách làm theo hướng dẫn trong tab 'Mô hình xuất':
Ví dụ trên đã chứng minh việc sử dụng nền tảng AI Actable để phân tích dữ liệu và tạo ra một mô hình dự đoán có khả năng ước tính lượng lãng phí thực phẩm dựa trên một số yếu tố như giá cả, số lượng khách, loại sự kiện, v.v. Chúng tôi cũng đã thu được một số hiểu biết sâu sắc về các biến ảnh hưởng nhiều nhất đến dự đoán, giúp hiểu mô hình và các tính năng phù hợp nhất ảnh hưởng đến lượng chất thải thực phẩm. Điều này cũng sẽ giúp xác định quy trình nào cần ưu tiên khi thiết kế và thực hiện chúng, để giảm lãng phí thực phẩm và từ đó cũng cải thiện môi trường và giảm chi phí.
Thông tin thêm về các chức năng khác của nền tảng cũng có thể được tìm thấy trong tài liệu hướng dẫn người dùng.
