De uitdaging

Orbisk is opgericht in februari 2019. Om voedselverspilling tegen te gaan, ontwikkelden ze prototypes met hardware en software op basis van deep learning en geautomatiseerde beeldherkenning om verspilling in (grote) keukens van corporate cateraars en hotels te identificeren en te meten. Om hun software en data continu te verbeteren en te automatiseren op de meest efficiënte en toekomstbestendige manier, waren machine learning workflows nodig.

De belangrijkste uitdaging van Orbisk was: “Hoe kunnen we ML-workflows operationaliseren om ML-modellen zo efficiënt en schaalbaar mogelijk in te zetten?”

De oplossing

Orbisk neemt deel aan het initiatief Google Cloud for Startups. Als tevreden gebruiker van de Google Workspace-applicaties was de keuze voor Google Cloud en diens Premier Partner g-company een logische stap om de mogelijkheden van machine learning in de cloud van Google te verkennen.

In samenwerking met Orbisk deelt g-company veel expertise en methodologie. Johanna Schacht, Team Lead Artificial Intelligence, zegt: “Tijdens een van de sessies hebben we acht uur lang heen en weer vragen gesteld. Dat was enorm waardevol.”

De uiteindelijke oplossing is de automatisering van de gehele ML-infrastructuur en de kwaliteitscontrole van zowel de data als het model. Deze infrastructuur is ontworpen met het open-source platform Kubeflow en Tensorflow Extended, gehost op Google Cloud Platform.

Het resultaat

Vanwege COVID-19 zijn alle klanten van Orbisk in het voorjaar van 2020 gesloten en zijn ze op dit moment nog steeds gesloten (januari 2021). Daarom zal de automatisering van hun infrastructuur en van de data- en modelkwaliteitscontrole – voorlopig – verlopen volgens het prototype. De volledige ontwikkeling en inzet van de ML-infrastructuur worden uitgesteld tot na de coronacrisis.

Ondanks de impact van corona zet Orbisk haar onderzoek naar verdere innovatie van de software voort. Ze zijn optimistisch: als de horeca binnen enkele weken of maanden weer de deuren kan openen, zijn ze volop in staat om alle data te ontvangen en er proactief op in te spelen.

Hun doel is om in de toekomst klantspecifieke modellen te ontwikkelen, bijvoorbeeld voor een bakkerij. Dit type klant koopt veel verschillende voedingsproducten, anders dan een corporate cateraar.