Sztuczna inteligencja rozwiązuje problem 27 miliardów dolarów strat w amerykańskich sklepach spożywczych

AI przeciwko marnotrawstwu żywności w sklepach

Amerykańskie sieci handlowe tracą rocznie około 3,6 miliona ton żywności, głównie świeżej – owoców, warzyw, mięsa i nabiału. Głównym powodem jest trudność w precyzyjnym prognozowaniu popytu. Do niedawna procesy planowania odbywały się ręcznie, opierając się na szacunkach i arkuszach kalkulacyjnych. Teraz sztuczna inteligencja wkracza do akcji.

Startup Afresh, specjalizujący się w rozwiązaniach opartych na AI, pomaga sklepom zredukować straty nawet o 25%. Firma ogłosiła właśnie pozyskanie 34 milionów dolarów nowego finansowania, które wesprze jej ekspansję. Inwestycję współprowadzą fundusze Just Climate i High Sage Ventures.

Od arkuszy kalkulacyjnych do algorytmów

Pomysł na Afresh narodził się dekadę temu, kiedy założyciele firmy, Matt Schwartz i Nathan Fenner, będący wówczas studentami MBA na Uniwersytecie Stanford, postanowili przyjrzeć się problemowi marnotrawstwa żywności. Podczas wizyt w sklepach zauważyli, że kierownicy działów owocowo-warzywnych korzystają z wydrukowanych arkuszy kalkulacyjnych do szacowania zapasów i składania zamówień. Choć niektóre sklepy stosowały oprogramowanie do zarządzania produktami pakowanymi, świeża żywność wciąż była zamawiana na podstawie przybliżonych prognoz.

„To był w zasadzie proces ołówkiem i papierem”, mówi Schwartz. On i Fenner postanowili stworzyć narzędzie, które precyzyjniej oszacuje ilość żywności w sklepie – zadanie niezwykle skomplikowane. Owoce sprzedawane na wagę tracą masę w wyniku parowania, klienci w strefie samoobsługowej mogą płacić za jabłko ekologiczne, choć faktycznie kupują zwykłe, a produkty psujące się na półkach – od malin po filety łososia – często nie są prawidłowo uwzględniane w ewidencji strat.

Jak działa system Afresh?

Oprogramowanie Afresh analizuje ogromne zbiory danych z setek miliardów transakcji, uwzględniając takie czynniki jak ceny, promocje, pochodzenie dostaw oraz podatność produktów na psucie się. Modele głębokiego uczenia przewidują popyt na podstawie dodatkowych zmiennych, takich jak harmonogram wypłat świadczeń żywnościowych czy pogoda. Następnie algorytm optymalizacyjny sugeruje optymalne ilości do zamówienia każdego produktu. System stale się uczy i doskonali.

Wdrożenie Afresh rozpoczyna się zwykle w 10–20 sklepach sieci, a wyniki porównywane są z grupą kontrolną. „Typowo obserwujemy 20–25% redukcję strat po uruchomieniu naszego systemu”, mówi Schwartz. Obecnie rozwiązanie jest stosowane w ponad 12 500 działach owocowo-warzywnych w całych Stanach Zjednoczonych, m.in. w sieciach Safeway i Albertsons.

Zastosowania wykraczające poza prognozowanie

Dane zebrane przez Afresh pozwalają sklepom na szersze optymalizacje. Przykładowo, system zidentyfikował, że niektóre lady z owocami są zbyt obszerne – dzięki temu sklepy mogą zmniejszyć ich wielkość lub stosować „puste” ekspozycje, aby optycznie powiększyć ilość produktów przy mniejszej ich liczbie. Ponadto, oprogramowanie pomaga w wykorzystaniu produktów bliskich terminu przydatności do produkcji gotowych dań, np. przerabiania awokado na guacamole. Niedawno Afresh wprowadził także narzędzie do precyzyjnego prognozowania popytu na żywność przygotowywaną w działach delikatesowych.

„Dokładniejsze zamówienia w sklepach ułatwiają centrom dystrybucyjnym zakup odpowiednich ilości towaru”, wyjaśnia Schwartz. „Jeśli centra dystrybucyjne kupują właściwe ilości, łańcuch dostaw staje się bardziej efektywny, co ostatecznie przekłada się na mniejsze straty na każdym etapie.”

Przyszłość branży spożywczej z AI

Rosnące zainteresowanie rozwiązaniami opartymi na sztucznej inteligencji w sektorze spożywczym pokazuje, że marnotrawstwo żywności może zostać znacząco ograniczone. Afresh, dzięki nowemu finansowaniu, planuje dalszą ekspansję i rozwój swoich narzędzi. To krok w kierunku bardziej zrównoważonej i efektywnej branży, która może zaoszczędzić miliardy dolarów rocznie.