Lidia PerskaInovatyvios technologijos performuoja atliekų tvarkymą viešbučių ir prekybos tinklų pramonėje. Viešbučių grandis žengė naują žingsnį, įmontavusi kameras virš savo šiukšlių dėžėmis, kad stebėtų, kaip jų svečiai šalinasi atliekas. Nustatyta, kad dažnai išmetami pusryčių kryžius, rodantys galimybę sutaupyti išlaidas.
Prekybos tinklas, analizuodamas savo pardavimų duomenis, suprato, kad geltonosios svogūnos nebuvo parduodamos taip greitai kaip raudonosios, dėl ko atsirado daugiau atliekų. Šių iniciatyvų kūrėjai yra dirbtinio intelekto (AI) dykumos laukiančioje srityje, kuris siekia išspręsti absurdišką didelio maisto švaistymo, pradedant nuo ūkio iki šakutės, problemą, kuri dažnai baigiasi sąvartynuose išmetamomis žalingomis šiltnamio efektą sukeliančiomis dujomis.
Ypač dvi įmonės pirmininkauja šiai sričiai su AI paremtomis sprendimais. Winnow panaudoja savo AI įrankius stebėti restoranų atliekas, tuo tarpu Afresh naudoja rinkos duomenis, padedančius parduotuvėms optimizuoti savo inventorių, derinant atsargas su faktiniais pirkimo modeliais.
Nepaisant savo aplinkosauginių tikslų, neįmanoma nepaisyti AI paties aplinkosauginės pėdsakų, nes reikalinga didelė energija apdoroti didelius duomenų kiekius.
Jungtinėse Valstijose nepaprastai trečioji auginamo maisto dalis niekada nesudaroma suvartojimui. 2022 metais vien tik globaliai buvo iššvaistyta milijonas tonų maisto, prisidėjusi iki 10% pasaulinės šiltnamio efektą sukeliančių dujų išmetimo lygio, lygiai su tokiu iš aviacijos ir jūrų transporto kombinacijos atsiradančiu.
Tačiau ši problema nėra ignoruojama. Progresas akivaizdus, kaip įstrižinės jūros pajūrio Jungtinių Valstijų ir Kanados prekybos tinklai nuo 2019 iki 2022 metų pranešė 25% sumažėjimą nesuvesto maisto kiekiams. Šie tinklai taip pat didina labdaros skyrimą ir savo perdirbimo pastangas, nors tokių įstaigų vis dar yra retai.
Naujos inovacijos padeda prekybininkams šiose pastangose. Įmonės tokiomis kaip Apeel ir Mori sukūrė apsaugų gėlių šviežumo pratęsimą, o programos tokios kaip Flashfood ir Too Good to Go padeda parduoti pardavimus nuo atliekamų maisto iš prekybos centrų ir restoranų, atitinkamai.
Afresh technologija pasinėra apie šešerius metus partnerių prekybos tinklų šviežio maisto pardavimų duomenis. Naudodama AI, ji numato pirkimo modelius, pvz., avokadų, ir gali nurodyti, kiek derliaus turėti pagal supuvimo lygį. Ji netgi gali numatyti sezoniškus išsikišimus, tokius kaip padaugintas kiaušinių pirkimas apie Velykas kiaušinių tapimo veikloms.
AI siūlo tikslumą, viršijantį net patyrusių tinklo vadovų sugebėjimus, analizuojant, kuriuos konkrečius svogūnus užsisakyti, pvz.
Winnow algoritmas užduotis yra išsiaiškinti vertingas maisto atliekas, tokias kaip pusė lasagnų indo, nuo mažiau svarbių dalykų, tokios kaip bananų žievelės. Įgyvendinus Winnow sistema, Hilton viešbučiai nustatė, kad kai kurie pusryčių patiekalai buvo per dideli ir nebuvo visiškai suvartoti, nustatant pagrindines teritorijas maisto švaistymo sumažinimui.
Visose šiose pramonėse AI rodo esantį neįkainojamą sąjungininką kovojant su maisto atliekomis, nurodant taupymus ir darną su beprecedenčia tikslumu.
Svarbūs klausimai ir atsakymai:
1. Kaip inovatyvusis AI prisideda prie maisto atliekų mažinimo viešbučių ir mažmeninės prekybos sektoriuose?
AI prisideda stebint atliekų modelius, analizuojant pardavimų duomenis, numatančius turimus pirkimo modelius ir optimizuojant atsarginio laikymo valdymą. Pavyzdžiui, viešbučiuose AI gali sekti išmestus daiktus, kad padėtų sumažinti pervirškinimą, o prekybos centruose jis gali prognozuoti paklausą, kad išvengtų perkrovos su lengvai sugadinamais produktais.
2. Kokie pagrindiniai su AI susiję iššūkiai maisto švaistymo mažinime?
Vienas pagrindinių iššūkių yra reikalingas didelis energijos suvartojimas, kuris gali prisidėti prie aplinkos taršos. Be to, toks technologijos integravimas ir priėmimas darbuotojų ir vadovų tarpe gali kelti įgyvendinimo iššūkių. Užtikrinant duomenų privatumą ir saugumą taip pat yra svarbu.
3. Ar yra nors kokios kontroversijos, susijusios su AI naudojimu atliekų tvarkymui šiose pramonėse?
Pajamos daugiausia kilę iš galimo darbo netekimo dėl automatizavimo, pradinio AI įgyvendinimo išlaidų ir pažangių technologijų veikimo aplinkosauginių pasekmių.
4. Kokie yra AI naudojimo atliekų tvarkymui apribojimai?
AI remiasi tiksliais ir išsamiais duomenimis; taigi, įžvalgų kokybė gali būti ribota turimais duomenimis. Be to, nors AI gali numatyti ir pasiūlyti, galutiniai sprendimai vis tiek reikalauja žmogiško sprendimo ir jie gali būti paveikti neprognozuojamų veiksnių, tokių kaip netikėti kintančių vartotojų elgsenos ar išorinių įvykių.
Privalumai:
– AI leidžia precizinius atsargų valdymus, mažindamas perteklių užsakymus ir sugadintus produktus.
– Realaus laiko duomenų analizė suteikia veiksmingų įžvalgų dėl atliekų mažinimo.
– AI technologijos gali nustatyti modelius ir tendencijas, kurias žmonės galėtų nepastebėti.
– Maisto atliekų mažinimas per AI gali lemti verslui išlaidų taupymą ir aplinkos naudą.
Trūkumai:
– AI sistemoms reikalinga didelė energija, galima atšaukti kai kuriuos aplinkos naudos privalumus.
– Tokių sistemų įgyvendinimo išlaidos gali būti didelės, kas gali būti kliūtis mažesniems verslams.
– Per didelis technologijos priklausomumas gali sumažinti žmogiškųjų įgūdžių rinkinį atliekų tvarkymo srityje
– Kylančios duomenų saugos ir privatumo nuostatos, kai turime reikalą su vartotojų pirkiminių duomenų ir atliekų sekimo informacija.
Galimi nuorodų nuorodai:
Tai yra išorinės nuorodos į organizacijas ir platformas, dažnai minėtas diskusijose apie AI ir maisto atliekų mažinimą pramonėje ir mažmeninėje prekyboje:
– Afresh
– Winnow
– Apeel
– Mori
– Flashfood
– Too Good To Go
Šios nuorodos suteiks tiesioginį prieigą prie organizacijų pagrindinių puslapių, kurie plėtoja AI ir kitas inovatyvius sprendimus spręsti maisto atliekų mažinimo klausimus viešbučių ir mažmeninės prekybos sektoriuose.
