Cada año en Alemania alrededor de 12 millones de toneladas de alimentos terminan en la basura y más del 30% de esto se destruye durante el proceso de producción. El Instituto Fraunhofer de Tecnología de Fundición, Composición y Procesamiento IGCV está trabajando en un sistema de inteligencia artificial para ello, el Resource-efficient Intelligent Foodchain («REIF») para combatir estos residuos. Y en esta empresa, la inteligencia artificial es un recurso valioso. El queso, el pan, la carne y otros productos alimenticios se pueden producir de manera eficiente utilizando algoritmos basados en datos. Los métodos de aprendizaje automático pueden optimizar la planificación de ventas y producción, así como los sistemas de control de procesos y plantas.
Alemania se ha comprometido con el objetivo de la ONU de reducir el desperdicio de alimentos a la mitad para 2030. Hasta doce millones de toneladas de alimentos terminan en la basura todos los días, y alrededor del 52% de los residuos se acumulan en la casa. Los datos provienen de un estudio realizado por el Thünen Establishment en 2019, que también reveló que alrededor del 30% de las pérdidas ya se producen en la fase de producción y procesamiento de alimentos. El otro 18% es el comercio al por mayor y al por menor.
El proyecto REIF cuenta con 30 socios que trabajan en una solución a largo plazo para implementar este sistema de Inteligencia artificial. El objetivo principal es diseñar un ecosistema de IA. El proyecto está financiado por el Ministerio federal de Economía y Energía de Alemania (BMWi) por un importe de diez millones de euros.
REIF, inteligencia artificial contra el desperdicio de alimentos
Hay varias causas de residuos evitables, que van desde la sobreproducción hasta las fluctuaciones en la calidad de las materias primas y los alimentos que no cumplen con requisitos estéticos específicos. Los socios del proyecto Reif se están centrando en productos lácteos, carne y productos horneados. El desperdicio de estos productos es mayor porque se deterioran rápidamente.
«Dos aspectos son clave para reducir significativamente las pérdidas de alimentos en estos sectores: minimizar la sobreproducción y evitar el desperdicio», explica Patrick Zimmerman. El científico del Fraunhofer IGCV y miembro del consorcio. Él, Philipp Theumer y otros cinco colegas están estudiando cómo optimizar el potencial interno de una empresa, como la planta y la maquinaria o la planificación y el control de la producción, para reducir los residuos utilizando inteligencia artificial. «Aplicamos IA a toda la cadena de valor, particularmente en las instalaciones de fabricación. Para ello, adaptamos y seleccionamos los algoritmos adecuados para su aplicación», explica Zimmerman.
«Consideramos la previsibilidad y controlabilidad en todas las áreas, desde la producción agrícola hasta las ventas de supermercados, para maximizar su potencial». «La sobreproducción y los residuos pueden evitarse haciendo previsiones específicas de las necesidades alimentarias. Mejorando la previsibilidad y controlabilidad de los procesos de creación de valor, y reduciendo la pérdida de alimentos relacionadas con la calidad», añade Theumer.
Un ejemplo
Sin embargo, cada alimento es diferente. Zimmermann explica esto usando una batidora de carne como ejemplo. «La temperatura y la duración del proceso de mezcla influyen en la fecha de caducidad de los productos cárnicos. Si utilizamos algoritmos de IA para minimizar la cantidad de energía permitida al proceso de mezcla, podemos ampliar la fecha de caducidad. Lo que a su vez optimiza el tiempo de venta en el supermercado y reduce las pérdidas de alimentos».
A nivel del sistema, la mayor cantidad de desperdicio de alimentos se produce en la ignición. Esto se debe a que primero deben identificarse los parámetros óptimos y, mientras tanto, se producen residuos. «Por ejemplo, estamos aplicando sensores inteligentes y algoritmos de inteligencia artificial a autoaprendizaje para refinar el proceso de espuma al producir bases de pastel», explica el investigador.
Los otros objetivos del proyecto
SIF los socios del proyecto están tratando de establecer un ecosistema de TI y crear un virtual. Otro objetivo es poner en red los datos de todas las empresas involucradas en el proyecto para aumentar el valor añadido dentro de la compleja red de valores de la industria alimentaria. «La experiencia de una empresa se puede transferir a otra organización. Cuantos más datos estén disponibles, mejor será la formación del modelo de IA.»
Las estrategias del equipo
El mercado en línea es donde los socios del proyecto pueden intercambiar sus datos. En última instancia, las empresas de producción pueden controlar mejor sus procesos de producción beneficiándose de las previsiones de ventas y los datos de ventas. Los datos recogidos por los supermercados se incluirán en las previsiones. Si apoyamos una serie de factores como el comportamiento del cliente, los niveles de inventario y las fechas de vencimiento, podemos realizar cambios de precios en productos específicos en los supermercados. «El continuo cambio diario en los precios evitará la drástica reducción de precios que estamos acostumbrados a ver justo antes de la fecha de vencimiento y extenderá el tiempo de venta. Como resultado, es más probable que un producto se compre antes y, por lo tanto, el beneficio global aumenta», dice Zimmermann, explicando el principio de ajuste dinámico de los precios.
Esto asegura el máximo beneficio para el minorista al reducir los residuos y la sobreproducción. Toda la cadena de distribución se beneficia de la idea de compartir información, que también incluye datos externos. «Si el pronóstico del tiempo es bueno, los supermercados venden mucha carne a la parrilla. Los productores de carne pueden ajustar el volumen de sacrificio en consecuencia y, por el contrario, reducir la producción con mal tiempo», dice Zimmermann, explicando el concepto de un ecosistema de TI. Y el cliente también se beneficiaría. Con el mal tiempo, el precio de la carne en la barbacoa podría reducirse inmediatamente, evitando así permanecer en el estante. Sistemas de predicción como estos también podrían ofrecerse en la plataforma en línea.
