Proyectos de investigación que realizamos.

Cadena alimentaria eficiente en recursos, económica e inteligente: reducir el despilfarro en la industria alimentaria mediante la inteligencia artificial.

Situación inicial:

En Alemania se desechan unos 18 millones de toneladas de alimentos al año. Sin embargo, el 60% de los alimentos desechados no proceden de hogares particulares, sino de empresas de producción alimentaria. Este problema también existe en la industria cárnica. En consecuencia
El control de entregas basado en IA evita que se produzcan excedentes de mercancías, algunas de las cuales tienen que eliminarse o ultracongelarse debido a la fecha de consumo preferente. Por ello, es importante minimizar la cantidad de congelación.

Como parte del subproyecto V sobre el desarrollo de procesos de producción que ahorren recursos mediante el uso de modelos de IA, el equipo del proyecto, formado por empleados de Westfleisch SCE mbH, la Universidad de Ciencias Aplicadas de Jade, Fraunhofer IGCV y CompanyMind GmbH & Co. KG, está optimizando el proceso de planificación de la producción existente con respecto a un concepto de ahorro de recursos. Además, se rediseñaron los procesos empresariales para optimizar la planificación de la producción.

Status Quo:

Con el servicio de IA desarrollado “Planes de producción en función de la demanda”, es posible reducir el desperdicio de alimentos y evitar la sobreproducción, especialmente reduciendo la proporción de carne congelada.

Para ello, se entrenó un algoritmo de aprendizaje por refuerzo con datos históricos sobre entregas relacionadas con la calidad y los niveles de existencias resultantes. También se tuvo en cuenta la cantidad producida. Entrenándose con estos datos, se pueden hacer predicciones concretas sobre la demanda de productos en la semana siguiente a lo largo de un determinado horizonte de planificación.

En este caso, el resultado del servicio de IA consiste en un plan para los próximos ocho días, que muestra la suma de la demanda, la cantidad recibida, la cantidad neta, la cantidad congelada, los pedidos de clientes caducados y la evolución de estas cantidades durante el horizonte de planificación. Además, el algoritmo de aprendizaje por refuerzo hace sugerencias explícitas para los cambios de fecha de entrega, que siempre se refieren a todos los artículos de una entrega. Como los requisitos de calidad del comercio minorista son distintos, esto también se tiene en cuenta en los cambios de fecha de entrega.

De este modo, siempre se suministra a los clientes la cantidad requerida con la calidad adecuada y, al mismo tiempo, se reduce la cantidad congelada.