Datadrevet innovasjon for Tine med maskinlæring

TINE SA, et norsk samvirkeselskap eid av bønder, går nye veier for å kombinere teknologi, dyrevitenskap og god, gammeldags kunnskap for å lage bedre meiereprodukter.

I mer enn 160 år har TINE samarbeidet med Norges bønder for å forstå deres utfordringer og hjelpe dem med å øke effektiviteten, produktiviteten og utvikle meieriprodukter av høy kvalitet, da markedets krav øker sammen med hver enkelt bønders behov for å bringe produkter på markedet mer effektivt. Det samarbeidet innebærer innsamling og kontroll på store mengder informasjon.

"TINE har en lang historie med å utvikle beslutningsverktøy for bønder og samle inn data fra forskjellige meieriprodukter på gårdsnivå", sier Harald Volden, professor i husdyr-vitenskap og leder for forskning og utvikling i TINE. "Vi har sett hvor dramatisk muligheten for datainnsamling har utviklet seg, særlig på grunn av teknologier som Internet of Things (IoT), og vi vet at digital teknologi fundamentalt vil endre fremtiden for vår bransje."

Mette Øyen Roald, direktør for radikal innovasjon hos Tine, sier at de norske bøndene som jobber med Tine har god teknologisk forståelse og forstår verdien av å samle data om dyrene og produktene i flere tiår.

"Over tid og gjennom teknologiske fremskritt har TINE gjennomført strukturert forskning for å identifisere den 'optimale kua' for melkeproduksjon ved hjelp av innsamlede data," sier hun. "Vi har funnet ut at det å fokusere på hver enkelt ku gjør det mulig for bonden å finne ut om kua er glad, stresset, engstlig og sunn. Når dyrene våre er sunnere og lykkeligere, forbedres kvaliteten på melken, noe som gjør at vi kan lage enda bedre meieriprodukter - samtidig som vi forbedrer dyrevelferden."

Da TINE vurderte fremtiden for meieriproduksjon både på gården og nasjonalt nivå, innså datavitenskapsteamet at det ville være endringer i bredden og dybden i datakildene, datatypene og dataanalysemulighetene som er tilgjengelige for å utvikle beslutningsverktøy som bønder kan bruke i produksjonen.

"Vi visste at vi hadde samlet inn, og ville fortsette å samle inn, data som kunne brukes til forbedring. Vi startet med et enkelt spørsmål når vi vurderte utviklingen i organisasjonen vår og teknologien vi bruker: hva gagner bonden? Vi ønsket å utvikle nestegenerasjons verktøy for bønder for muliggjøring av dataanalyse og beslutningstaking som kan føre til lykkeligere kyr og melk av bedre kvalitet", sier Volden.

TINE visste at de måtte endre sin tilnærming til data og teknologi ved å bli en mer datadrevet organisasjon for å øke forutsigbarheten i melkeproduksjonen og andre viktige datapunkter relatert til kuenes helse og kvaliteten på produsert melk. Historisk har TINE brukt grunnleggende modeller for å forsøke å forutsi melkeproduksjon og levering per gård, men har hatt problemer med forutsigbarhet i produksjonen over forskjellige tidsperioder. Denne mangelen på langsiktig synlighet og forutsigbarhet kan føre til betydelige problemer. For eksempel i 2011, da hele landet opplevde en mangel på smør fordi bønder overvurderte fettinnholdet som ville være nødvendig som en del av produksjonen det året.

For å identifisere teknologiene og plattformene som kan bidra til å forbedre TINEs innsikt, spådommer og analyser, hentet TINE ekspertene fra Crayon, en AWS Partner Network (APN) Advanced Consulting Partner og AWS Machine Learning (ML) Competency Partner. Inmeta, et datterselskap av Crayon, jobbet direkte med kunden og ga ideer til datadrevet innovasjon.

"Vi leverer kompetanse på tre forskjellige områder gjennom vår praksis: AI-rådgivning, datateknikk og datavitenskap," sier Lars Joakim Nilsson, administrerende direktør for avansert analyse og big data i Inmeta. "Da vi begynte å samarbeide med TINE-teamet, ønsket vi å hjelpe dem med å identifisere forretningsutfordringene de kunne løse ved å bruke maskinlæring. Etter å ha startet med å samle inn tilbakemeldinger og innsikt fra bøndene selv, forstod TINE viktigheten av å hjelpe bøndene med å bli mer autonome og selvdrevne ved å overvåke alle aspekter av gården, inkludert kontinuerlig overvåking av hver enkelt ku."

Ressurskrevende prosesser, som å kjøre applikasjonene og lagre data lokalt, var ikke et levedyktig alternativ for TINE hvis det kontinuerlig ønsket å utvikle seg som en datadrevet organisasjon. Så TINE, i samarbeid med Crayon, gjennomførte en teknologisk gjennomgang for å finne en skyleverandør som kunne hjelpe dem med å flytte inn i det moderne teknologirommet.

"Basert på analysen valgte TINE-teamet å bygge videre på AWS," sier Nilsson. "De følte at den kontinuerlige innovasjonen av AWS i teknologier som IoT og maskinlæring, kostnadsmodellene og fleksibiliteten, ville gi dem mulighet til å øke hastigheten på sin egen innovasjon."

Teamene fra TINE og Crayon fokuserte først på prediksjon av melkeproduksjon og leveranser fra hver ku, gård og nasjonalt nivå med en 24-måneders prognose - informasjon som er kritisk for planlegging av melkeproduksjonskapasitet og logistikk.

Les mer om hvordan vi jobber med AWS.

Crayon tilnærmet seg innovasjonsprosjektet med TINE i fire forskjellige faser:

Først fokuserte teamet på datamodenhet, tilgjengelighet, kvalitet og relevanse. I løpet av denne fasen konkluderte Crayon med at TINE hadde nyttig og relevant data, men manglet historikk. "Vi klarte å trekke ut historien for hver ku og gård fra eksisterende data for å lage et datasett som er nyttig for analyse," sier Nilsson.

Deretter gikk teamet videre til metodikk og modellvalg. Crayon valgte en enkel modell i utgangspunktet for å demonstrere bruken av et konvolusjonalt nevralt nettverk for å forutsi melkeproduksjon basert på tilstanden på gården. I løpet av denne fasen konkluderte teamene med at modellen og dataene var levedyktige for spådommer av melkeproduksjon.

Etter det gikk Crayon over til å revidere og foredle modelleringsprosessen. Basert på funnet fra forrige fase valgte teamet en beslutningstremodell og utvidet for å forutsi forholdene på gården i fremtiden, noe som vil støtte bedre og mer nøyaktig prognoser. Modellen, som bruker en ML-løsning som kjører på AWS, forutsier kufødsler og totalt antall kyr i flokken i tillegg til melkeproduksjon.

"Modellen gir en automatisk og nøyaktig prediksjon av melkeproduksjonen og muliggjør granularisering av spådommene for å muliggjøre forbedret produksjonsplanlegging for melkeprodusenter og deres logistikk," sier Nilsson. "Læringen fra modellen vil også hjelpe TINE og bøndene når de optimaliserer melkeproduksjon og styring, for eksempel matkonsentrater."

Til slutt etablerte Crayon en data lake optimalisert for analyse og ML-modeller for prediksjon. Dette muliggjør ytterligere forbedringer i ML-modellene, samtidig som det støtter ML-initiativer for andre applikasjoner innen TINE. "TINE har begynt å introdusere IoT-enheter, som sensorer på kyr og på gårder for å ytterligere øke datsomfanget og bedre optimalisere produksjonsprosessene," sier Nilsson.

"Basert på suksessen fra melkeprognoseprosjektet jobber vi nå med flere ML-prosjekter, som vekstfunksjoner og ammingskurver. Et annet aspekt er at disse modellene også kan overføres til andre typer dyr som geiter og griser", sier Nilsson.

"Vår drøm er å forandre verden ved hjelp av teknologi og datainnsikt for å endre måten mat blir produsert på mikro- og makronivå," sier Øyen Roald. "Vi ønsker å sikre at kundene våre får best mulig melk og meieriprodukter, og data hjelper oss med å forbedre råvaren vår, som er melk."

Nilsson bemerker at TINE for tiden samler inn rundt 2,5 millioner datapunkter for kyr i Norge, som dekker aspekter av dyrets liv som foreldre, fôring, vekt, vekst og andre bio-data.

"For å støtte TINEs oppdrag er det viktig å fortsette å samle inn så mye data som mulig over hele gården," sier Nilsson. "For å gjøre dette installeres IoT-enheter på alle gårder, melke-roboter blir brukt og mer data samles inn. Nå ser de på å muligens samle over 250 millioner datapunkter for kyrne årlig. Dette er en enorm mengde data som gjør det mulig for TINEs life science-team å tilby enda bedre løsninger som støtter oppdraget."

TINE forventer at dataene de samler inn kan brukes til å forbedre karbonavtrykket til produsert melk. For eksempel kan innsamlede data brukes til å redusere mettet fett i en kus kosthold, og derved redusere karbonavtrykket.

TINE sparer også penger ved å kjøre applikasjonene sine og bruke ML-løsninger på AWS. I midten av 2018 hadde TINE spart 50 prosent på IT-kostnadene sammenlignet med sin tidligere lokale løsning. Selskapet har begynt å kjøre raskere utviklingssykluser siden de migrerte til AWS, og forventer å øke programvareutviklingen og leveringshastigheten med 60 prosent.

"Smidigheten, skalerbarheten og sikkerheten til AWS er også avgjørende for TINE, spesielt ettersom teamet ønsker å utvide sitt globale omfang og bygge en ny dataplattform og data lake-arkitektur på stor skala," sier Nilsson.

TINE-teamet mener de har mulighet til å utvikle en internasjonal forretningsmodell basert på arbeidet de har gjort med IoT og ML i norsk meieriindustri.

"Norge har sterk erfaring med å gjøre god teknologi tilgjengelig internasjonalt," sier Øyen Roald. "Vi fortsetter å modernisere teknologien vår og ser interesse fra bønder i andre land. Vi ønsker å se om vi kan utvide oss fra norske bønder til andre bønder i Europa, USA og over hele verden ved å bruke vår kunnskap til å optimalisere de samme typene algoritmer og verktøy som er tilgjengelige for andre produksjonstyper, som storfekjøtt og kornproduksjon."

Teamet bygger for øyeblikket en åpen dataplattformløsning på AWS for å samle inn mer data for å optimalisere hele produksjonsprosessen for melkeprodusenter, samtidig som de hjelper dem med å skape nye inntektsstrømmer ved å kunne selge sine egne data.

"Vi tror vi kan gjøre mye med AWS og Crayon som vil ha global innvirkning og skape nye inntektsstrømmer for TINE, vi gleder oss til reisen fremover." sier Øyen Roald.

Les mer om hvordan vi jobber med kunstig intelligens.