Kunstmatige intelligentie vermindert voedselverspilling

09/04/2021

Door Ad Spijikers

In Duitsland belandt jaarlijks ongeveer twaalf miljoen ton voedsel in de afvalbak. Meer dan 30 procent daarvan wordt al vernietigd tijdens het verwerkingsproces. Een onderzoeksconsortiumvan dertig partners wil daar verandering in brengen.


     

In het REIF-project werkt het Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik (IGCV) samen met partners om deze voedselverspilling tegen te gaan. Met kunstmatige intelligentie moeten de verliezen worden verminderd. Omdat kaas, broodjes, vlees en dergelijke ook efficiënter kunnen worden geproduceerd met op data gebaseerde algoritmen, kunnen verkoop- en productieplanning, proces- en systeembesturing worden geoptimaliseerd met behulp van machine learning methoden.

Duitsland heeft zich gecommitteerd aan het doel van de Verenigde Naties en wil het afval tot 2030 halveren. Er is een grote behoefte aan actie, want tot wel twaalf miljoen ton voedsel belandt in de afvalbak in het land, over de hele waardeketen van veld tot bord. Ongeveer 52% daarvan wordt geleverd door particuliere huishoudens, volgens een studie van het Thünen Institut uit 2019.

Het onderzoek laat echter ook zien dat ongeveer 30% van de verliezen optreedt bij de productie en verwerking van voedsel. De overige 18% komt voor rekening van groothandels, retailers en catering buitenshuis. In het REIF-project (Resource-Efficient, Economic and Intelligent Foodchain) werken dertig partners aan een lange termijn oplossing. De belangrijkste focus ligt op de conceptie van een AI-ecosysteem dat alle betrokkenen in alle stadia van de waardeketen omvat.

Overproductie en afval

De oorzaken van vermijdbare verspilling zijn legio. Ze variëren van overproductie en schommelingen in de kwaliteit van grondstoffen tot optische eisen waaraan het voedsel niet voldoet. De REIF-projectpartners richten zich op zuivelproducten, vlees en gebak. Bij deze producten treden verliezen voornamelijk op omdat het bederfelijke waren zijn.

Om voedselverliezen in deze schakels aanzienlijk te verminderen, zijn twee aspecten cruciaal. Wetenschappers onderzoeken hoe bedrijfsintern afvalvermindering potentieel (bijvoorbeeld in machines en systemen en productieplanning en –controle) kan worden gerealiseerd met behulp van AI-methoden. De onderzoekers brengen kunstmatige intelligentie in in de hele waardeketen en vooral op het gebied van productie. Om dit te doen, passen ze de juiste algoritmen aan en selecteren we deze afhankelijk van de toepassing.

Planning en controle

De planbaarheid en controleerbaarheid van alle schakels in de keten - van productie in de landbouw tot verkoop in de supermarkt - worden op hun optimalisatiepotentieel onderzocht. Overproductie en uitval kunnen worden vermeden door te focussen op de voedselbehoefte, het vermogen om waarde creërende processen te plannen, te beheersen en te verbeteren en door kwaliteitsverlies van voedsel te verminderen.

De mogelijkheden zijn echter heel verschillend. Nemen we als voorbeeld een vleesmenger (foto). De temperatuur en de duur van het mengproces zijn van invloed op de houdbaarheidsdatum (THT) van de vleesproducten. Door AI-algoritmen te gebruiken om de energie-toevoer tijdens het mengproces te minimaliseren, is de THT-datum te verlengen. Aldus is de verkooptijd in de supermarkt te optimaliseren en zijn voedselverliezen te verminderen.

Op installatieniveau treedt de hoogste voedselverspilling op bij het opstarten, omdat eerst de optimale parameters moeten worden gevonden en dus eerst afgekeurde producten worden geproduceerd. De onderzoekers proberen intelligente sensoren en zelflerende AI-algoritmen te gebruiken om het schuimproces bij de productie van cakebases bij de eerste poging te perfectioneren.

Gekoppelde informatie

Op lange termijn willen de REIF-projectpartners een IT-ecosysteem opzetten en een virtuele marktplaats opzetten. In de toekomst zullen bedrijven hun geïmplementeerde AI-algoritmen beschikbaar kunnen stellen aan alle betrokken partijen. Een ander doel is om de data van alle bij het project betrokken bedrijven op te nemen in netwerken, om zo de toegevoegde waarde in het complexe waarde toevoegende netwerk van de voedingsindustrie te vergroten. De kennis van het ene bedrijf kan zo worden overgedragen aan het andere. Hoe meer datastromen in en terug, hoe beter het AI-model wordt getraind.

De projectpartners kunnen hun gegevens uitwisselen via de online marktplaats. Productiebedrijven kunnen het gebruiken om hun productieprocessen beter te beheersen door te profiteren van verkoopprognoses op basis van aankopen. De gegevens die door supermarkten worden verzameld, worden in de prognoses verwerkt. Door verschillende factoren zoals klantgedrag, voorraadniveaus en THT-data samen te brengen, kunnen dynamische prijsaanpassingen worden doorgevoerd voor specifieke producten in supermarkten.

Met een continue, dagelijkse prijsaanpassing (afhankelijk van de houdbaarheid) kunnen de gebruikelijke drastische prijsverlagingen kort voor de houdbaarheidsdatum worden vermeden en neemt de verkooptijd toe. Dit maakt het waarschijnlijker dat het product wordt gekocht voordat het moet worden verkocht en de totale winst stijgt ook. Dit zorgt ervoor dat de detailhandel winst maximaliseert en tegelijkertijd afkeur en overproductie vermindert.

De hele toeleveringsketen profiteert van de uitwisseling van informatie, waaronder ook externe gegevens. Als de weersvoorspelling goed is, verkopen supermarkten bijvoorbeeld veel grilgerechten. Vlees producerende bedrijven kunnen hun slachtvolume dienovereenkomstig aanpassen. Omgekeerd kunnen ze de productie stilleggen bij slecht weer. Ook de eindklant (consument) zou er baat bij hebben: bij slecht weer zou de prijs van grilvlees vroegtijdig kunnen worden verlaagd, zodat het niet in de schappen blijft liggen. Op deze manier ontworpen voorspellingssystemen zouden ook via het online platform kunnen worden aangeboden.

De projectpartners zijn momenteel in de conceptfase en binnenkort starten de eerste praktijktesten.

Foto: Inotec