Vervaldatum voorspellen
Van theorie naar praktijk
Als voedselproducent of –leverancier ken je graag de vervaldatum van je producten. AI laat toe om de huidige methoden om een vervaldatum te bekomen te verbeteren en een nauwkeurigere vervaldatum vast te leggen, ook in complexe omgevingen. Als resultaat krijg je minder afval, een hogere klantentevredenheid en een beter afgesteld productieproces.
Toepassingen
Door variabelen zoals pH-waarde, het aantal aanwezige bacteriën, het aantal aanwezige schimmelsporen als input te gebruiken, kan AI de houdbaarheid voorspellen van verwerkte kaas opgeslagen bij 30 graden Celsius. Door gebruik te maken van sensoren die ranzige geuren detecteren, is het mogelijk een beeld te krijgen van de houdbaarheid van gepelde pindanoten. Met behulp van nabij-infrarood spectrografietechnieken, is het mogelijk de houdbaarheid van individuele kippeneieren te bepalen.
Met behulp van AI kun je ook meer complexere berekeningen maken om de houdbaarheid te meten. De manier waarop voedingsproducten worden opgeslagen, hebben bijvoorbeeld een grote impact op de houdbaarheid. Denk daarbij aan het onregelmatige verval van verse appels naarmate de opslagtemperatuur stijgt. AI kan dergelijke onregelmatigheden makkelijker in rekening nemen dan voorgaande methodes. Dit laat je toe om de juiste opslagmethoden voor jouw specifieke situatie te bepalen, alsook de daarbij horende vervaldatum.
Indien je niet helemaal zeker bent welke factoren de houdbaarheid van je product beïnvloeden, kan AI helpen om de belangrijkste factoren voor jouw product te achterhalen, zoals de impact van diglyceriden op de stabiliteit van olijfolie. Ook hier is het grote voordeel van AI ten opzichte van voorgaande methoden dat je meer complexe berekeningen kunt maken en diepere inzichten kunt bekomen.
Vereisten
Data
- Historische gegevens over vervallen producten inclusief
- ~Aankoopdatum
- ~Leverancier / producent
- ~Producteigenschappen
- ~Productie-omstandigheden
- ~Transportomstandigheden
- ~Bewaaromstandigheden
Hardware
- Dataopslag en data verwerking
Algoritme
- Regressie-algoritmes
- ~Neuraal netwerk
- ~Recurrent neuraal netwerk
- ~Lineaire regressie
Aandachtspunten
- Niet alle gegevens zijn noodzakelijk ter beschikking. Ontsluiten van data. Bepaalde gegevens worden wellicht niet opgeslagen in een centrale databank. Andere gegevens zijn mogelijk enkel beschikbaar via toeleveranciers (productieomstandigheden, transport-omstandigheden). Nuttige toegang krijgen tot deze data vergt wellicht een niet te onderschatten hoeveelheid effort.
- De werkelijke vervaldatum is enkel bekend wanneer ze passeert. Voor producten die verkocht zijn (of grondstoffen die verwerkt zijn), kan je de effectieve vervaldatum niet. Je zal moeten monitoren of enkel trainen op data van vervallen producten een voldoende hoge accuraatheid geeft.
- Het capteren van een tijdsdimensie is niet altijd eenvoudig. Omstandigheden hebben vaak een longitudinaal karakter en kunnen dus wijzigen over de tijd. Dit is minder makkelijk te capteren dan een enkele meting. Data scientist en data engineer moeten keuzes maken over het detailniveau dat gebruikt zal worden om een voorspelling te maken (gemiddelde waardes vs. bereik vs. tijdreeks vs …).
- De oplossing moet kaderen in een werkbaar bedrijfsproces. Er moet nagedacht worden over het bredere proces wanneer deze vervaldatum voorspeld moet worden. Is dit bij ontvangst, tijdens planning van productie/logistiek/verkoop... Hou rekening met de data die je ter beschikking hebt op het moment van voorspelling. Enkel deze data zijn relevant tijdens het trainen van een voorspellend model.
- De kennis van domeinexperts kan gebruikt worden via feature engineering. Feature engineering is een proces waarbij je belangrijke, relevante informatie die niet expliciet als attribuut in je dataset, toch toevoegt als een attribuut om zo rechtstreeks beschikbaar te zijn voor het model. Door dit rechtstreeks aan te bieden help je het algoritme in de zoektocht naar relevante patronen. Een standaardvoorbeeld is een dataset over vastgoed, waarvoor de prijs per oppervlakte een grotere voorspellingskracht voor de mogelijke verkoop van een huis dan oppervlakte of prijs op zich. Deze prijs per oppervlakte staat niet by default in je dataset, maar je kan hem berekenen en toevoegen als attribuut zodat je model deze ratio niet zelf hoeft te ontdekken. Feature engineering is een typische manier om op een makkelijke manier gebruik te maken van menselijke expertise in het domein.
Stappenplan
- Kaderen van voorspellen van vervaldatum in breder proces
- Identificeren van beschikbare gegevens per benodigde voorspelling
- ~Identificeren van gegevens en databron
- ~Ontsluiten van gegevens
- Samenstellen van data-set
- ~Met gegevens over items met gekende vervaldatum
- ~Eventuele feature engineering om belangrijke eigenschappen rechtstreeks toegankelijk te maken
- ~Opsplitsen in training en test set
- ~Normaliseren van data
- Trainen van algoritme
- ~Trainen van model op training set
- ~Finetunen van model op validatieset
- ~Bekijken van fout-voorspelde items
- ~Bepalen van verbeteracties d.m.v. eventueel verdere feature engineering of tunen van parameter settings
- Evalueren van model performance op test set
- Operationaliseren van eindoplossing
- ~Operationaliseren van data pipeline
- ~Integreren van voorspelling in operationeel proces
Interessante links
- Survival analysis methodology to predict the shelf-life of probiotic flavored yogurt
- Interactive Deep Learning for Shelf Life Prediction of Muskmelons Based on an Active Learning Approach
- Application of Machine Learning Techniques for Okra Shelf Life Prediction
- 4 Different Types of Shelf Life Prediction Technology
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
