SEGES Innovation skapar framtidens jordbruk med AI och MLOps

Kundprojekt

SEGES Innovation och twoday har utvecklat och implementerat en AI-plattform baserad på twodays Best Practice MLOps Framework.

Sammanfattning: Vad SEGES Innovation har uppnått

En pålitlig och helautomatiserad AI-plattform baserad på twodays Best Practice MLOps Framework som effektiviserar produktionen och säkerställer hög kvalitet.
Minskat underhåll och upplärning av maskininlärningsmodeller.
Minskat kostnaderna med 80%.
Lösningen har frigjort tid för datavetare som nu kan fokusera på att skapa smarta och innovativa produkter som skapar värde för användarna.

En innovativ forsknings- och utvecklingsorganisation

SEGES Innovation forskar och utvecklar framtidens lösningar för livsmedels- och jordbrukssektorn. I över 40 år har de arbetat för att överbrygga klyftan mellan forskning och praktisk erfarenhet för att förbättra jordbruket och minska dess påverkan på miljön.

Ett arbete som idag delvis sker hos SEGES Innovations datavetenskapsteam. De arbetar med spännande projekt, som bland annat att förutsäga sjukdomar hos kor, automatiserad bokföring och förutsäga skördar med hjälp av satellitdata.

Resurskrävande att underhålla maskininlärningsmodeller

För att träna och implementera maskininlärningsmodeller hade SEGES Innovation en lösning som delvis var on-prem, använde många olika verktyg och hade en stor manuell kodbas.

Detta innebar att datavetenskapsteamet spenderade mycket resurser på att underhålla och omskola modellerna, och bidrog till lång ledtid från utveckling till produktion.

"Vi spenderade många timmar på att underhålla och omskola befintliga modeller. Därför ville vi bygga en AI-plattform baserad på bästa praxis för MLOps-principer. Genom att fokusera på automatiserade arbetsflöden har vi kunnat frigöra mycket tid, som vi istället har spenderat på att utveckla nya datavetenskapsprodukter som kan skapa värde för användarna," säger Lasse Rose Malskær, ledande datavetenskapsman på SEGES Innovation.

Därför beslutade de att implementera en ny AI-plattform med fokus på att minimera tiden för underhåll, genom att:

Prioritera enkla lösningar
Outsourca underhållet av plattformen till PaaS
Använda automatiserade processer istället för manuella processer

"Vi hade möjlighet att börja om och tänka om hur vi kunde bygga en ny AI-plattform från grunden så att den passade våra behov. Här var Microsoft Azure (Machine Learning) den optimala lösningen för oss, och anledningen till att vi valde twoday som samarbetspartner var på grund av deras omfattande erfarenhet av Azure," berättar Lasse Rose Malskær.

Strömlinjeformade processer sparar resurser

Under tre månader flyttade twoday och SEGES Innovation hela den befintliga uppsättningen till den nya plattformen. Under arbetets gång utvecklade twoday vidare sitt MLOps Best Practice Framework med de lärdomar som tillkommit längs vägen.

Arbetet baserades på en konkret modell som var efterfrågad av intressenter eftersom fokus var på att kontinuerligt leverera värde till verksamheten med transformationen. Därefter byggdes resten av plattformen runt den, och de återstående modellerna flyttades till den nya miljön.

Resultatet är en betydligt mer strömlinjeformad plattform, där infrastrukturen är inställd som kod. Det har också blivit betydligt enklare att starta ett nytt datavetenskapsprojekt, eftersom allt är fördefinierat i en mall. Detta innebär att allt från CI/CD-pipelines och kod till katalogstruktur har strömlinjeformats.

"Det sparar oss väldigt mycket tid. Vi kan gå från POC till produktion mycket snabbare än tidigare, så vi får ut något till användarna snabbare. Samtidigt säkerställer mallen att alla projekt har fördefinierade automatiska CI/CD/CT-arbetsflöden, den nödvändiga infrastrukturen såsom kod och en enhetlig och bra kodpraxis, redan från början” säger Lasse Rose Malskær.

Med den nya lösningen har SEGES Innovation en enklare konfiguration, vilket gör det betydligt lättare att starta nya datavetenskapsprojekt.

Före

Efter

Vad är MLOps?

MLOps (Machine Learning Operations) är en central funktion inom maskininlärningsutveckling som fokuserar på att effektivisera processen för att sätta maskininlärningsmodeller i produktion, samt att underhålla och övervaka dem.

Varför behöver vi det?

Precis som med andra mjukvarusystem måste maskininlärningsapplikationer implementeras och övervakas för att vara användbara och kunna skapa värde.

Detta känner vi till från traditionell DevOps, som används för att hålla koll på:

Versionshantering
Testning av kod
Kontinuerlig integration och leverans (CI/CD)
Applikationsövervakning

Men maskininlärningsapplikationer har ytterligare komplexiteter, vilket är varför ett MLOps-ramverk är nödvändigt:

Förutom kod behöver vi också versionera och spåra maskininlärningsartefakter, såsom maskininlärningsmodeller och träningsdata.
Maskininlärning är mindre linjärt och mer experimentellt.
Att testa en maskininlärningsmodell är svårare på grund av den statistiska naturen av maskininlärning.
Även utan kodändringar måste systemen periodvis tränas och testas med ny data.

Versionshantering och automatiska tester säkerställer god styrning

I den nuvarande MLOps-uppsättningen är allt versionerat; träning, koden, data i de olika stegen, modellerna. Lasse och hans team kan följa detta hela vägen genom pipelinen, och om ett fel uppstår kan de gå tillbaka och se var felet inträffade.

Dessutom har de tillsammans med intressenter definierat en serie tester där omskolade modeller automatiskt testas mot de befintliga modellerna. Detta möjliggör att omskolning och distribution av modeller körs helt automatiskt utan inblandning från Lasse och hans team, som helt enkelt får e-postmeddelanden om huruvida allt har gått enligt plan.

"Vi spenderar knappt någon tid på att omskola och distribuera modeller, vilket tidigare kunde ta upp till en vecka beroende på när intressenterna hade tid. Genom att automatisera denna process har vi inte bara frigjort mycket tid, utan genom mästartestning säkerställer vi också automatiskt att det alltid är de bästa modellerna som är i produktion hos användarna," säger Lasse Rose Malskær.

En kostnadsminskning på 80%

Datavetenskapsteamet på SEGES Innovation har minskat kostnaderna med 80%. Detta beror till stor del också på teamets arbete med att skapa bättre och enklare modeller som inte är lika resurskrävande som tidigare.

Lasse och resten av teamet har varit entusiastiska över hur AI-plattformen har gjort deras vardag betydligt enklare. Samarbetet med twoday har fortskridit baserat på twodays co-build-ansats, där lösningen byggs tillsammans och där twodays konsulter kontinuerligt tränar SEGES Innovation i att använda lösningen. Och samarbetet har varit en framgång.

"Samarbetet med twoday har varit en riktigt bra. Det har känts som att ta in några enormt kompetenta kollegor som inte bara har medlevererat den övergripande planen, utan också har tagit ansvar och arbetat på lika villkor med oss i teamet," säger Lasse Rose Malskær.

Om SEGES Innovation

SEGES Innovation P/S är en privat, oberoende, ideell forsknings- och utvecklingsorganisation.

SEGES Innovation utför forsknings- och innovationsuppgifter inom jordbruks- och livsmedelsrelaterade områden som växtproduktion, djurproduktion, miljö, klimat och bioekonomi/bioenergi, cirkularitet, biologisk mångfald och ekonomi.

Dessutom utvecklar, underhåller och stöder organisationen många av lantbrukarnas andra IT-verktyg – till exempel programmen som används för att hantera verksamheter inom boskap, grisar eller växtförädling.

SEGES Innovation sysselsätter cirka 530 personer.

Läs mer om SEGES Innovation här