Sector alimentario y de bebidas: Reducir desperdicio mediante IA

En los últimos años, la Inteligencia Artificial se ha aplicado a casi todos los dominios e industrias para mejorar o resolver problemas específicos identificados por los seres humanos. Un ejemplo es el sector de Alimentos y Bebidas, donde los modelos de IA se utilizan para diferentes propósitos:

• Finanzas: mediante la creación de pronósticos de demanda más predecibles.
• Innovación: sugiriendo nuevas combinaciones de ingredientes y menús más variados.
• Sostenibilidad ambiental: a través de la reducción de desperdicio, agua y energía.

Este último punto es particularmente importante ya que las estadísticas indican que, en Estados Unidos, el 5% al 10% de los alimentos comprados por los restaurantes se desperdicia, lo que se traduce en pérdidas directas en la rentabilidad del restaurante. Este desperdicio puede ser resultado de ineficiencias en la gestión de la cadena de suministro, estimaciones inadecuadas de los ingredientes necesarios para un plato determinado, porciones excesivas y una elevada variedad de menús, que requieren un conjunto más amplio de ingredientes diferentes.

Para reducir el desperdicio de alimentos y aumentar las ganancias de los restaurantes, en este artículo abordaremos un enfoque para estimar el desperdicio de alimentos (por ingrediente) basándose en los pedidos del restaurante y las recetas respectivas de los platos.

Esto permitirá una percepción más clara de la contribución que cada plato hace al desperdicio total de alimentos producido por el restaurante. Además, mediante un pronóstico de la cantidad real de ingredientes requerida, podemos evitar la necesidad de comprar exceso de provisiones.

Datos y modelado

Para estimar el desperdicio de alimentos de un restaurante, esencialmente necesitamos conocer:

• Las recetas con las que el equipo de cocina prepara los platos
• Número de platos realizados en el pasado
• Registro de compras de provisiones durante el mismo período

Por lo tanto, los ingredientes generales utilizados por el equipo de cocina pueden estructurarse de la siguiente manera (a partir de ahora denominada matriz K):

Donde tenemos, basándonos en las recetas del restaurante, la cantidad esperada de cada ingrediente utilizado en los diferentes platos que ofrece el restaurante.

Sin embargo, para cada plato y cada ingrediente habrá cierto desperdicio asociado (que puede ser cero). Por lo tanto, el desperdicio total de alimentos puede representarse de la siguiente manera (a partir de ahora denominada matriz Ɛ):

Donde Ɛi, j corresponde a la cantidad del ingrediente j del plato i que se desperdició.

Por lo tanto, para determinar el desperdicio que produce la cocina, por plato e ingrediente, necesitamos aprender los valores de la matriz Ɛ.

Para hacerlo, podemos comenzar modelando el problema de la siguiente manera:

![ $$\sum_{d}^{dishes} N_d \cdot (K_{d,:} + \varepsilon_{d,:}) \simeq Consumption$$ ](/wp-content/ql-cache/quicklatex.com-0c9901b380893100eb6196c540f8f83c_l3.png)

Donde,

• Nd : Número de comidas del plato d realizadas por el restaurante
• Kd : Ingredientes (y cantidades) necesarios para cocinar el plato d
• Ɛ__d : Desperdicio de alimentos derivado de la preparación de un único plato d
• Consumption: Cantidad total de ingredientes comprados por el restaurante durante el mismo período

Formación, Plantillas

Data Ignite

Aprenda cómo la IA puede aplicarse en su caso de uso.

Más información

A partir de los datos históricos del restaurante, podemos utilizar los recibos de provisiones para determinar la cantidad total de ingredientes comprados (Consumption) y el historial de pedidos para calcular Nd. De esta forma, conociendo las variables Nd, Kd y Consumption, podemos entrenar un modelo de Machine Learning para aprender la matriz Ɛ, basándose en la ecuación anterior.

Una vez que el modelo aprende la matriz Ɛ, podemos realizar análisis detallados:

• Analizando la matriz Ɛ por filas, podemos verificar qué plato contribuye más al desperdicio total.
• Al analizar la matriz Ɛ por columnas, descubriremos qué ingrediente contribuye más al desperdicio total producido por el restaurante.
• Al dividir la matriz Ɛ por la suma de las matrices Ɛ y K, determinamos el porcentaje de desperdicio, por ingrediente, de cada plato.

Basándose en estos puntos, se pueden tomar algunas acciones para mejorar la rentabilidad y la huella ambiental del restaurante, como revisar el proceso de cocción de los platos con mayor desperdicio, eliminar platos o menús donde el porcentaje de desperdicio es significativo (lo que resulta en márgenes de ganancia reducidos) o invertir más en platos e ingredientes donde el desperdicio es menor.

Extensión a un escenario más complejo

En un escenario más complejo y quizás más realista, podemos formular el problema considerando múltiples equipos de cocina que trabajan simultáneamente en diferentes restaurantes y comparten el mismo suministro de alimentos. En ese caso, tendríamos el siguiente escenario:

![ \begin{eqnarray*} \sum_{d}^{dishes} N\_1_d \cdot (K_{d,:} + \varepsilon \_1_{d,:})  +\ldots + \\ \sum_{d}^{dishes} N\_n_d \cdot (K_{d,:} + \varepsilon \_n_{d,:}) \simeq \\ \text{Total Consumption} \end{eqnarray*} ](/wp-content/ql-cache/quicklatex.com-e715e7d09c31636b7328fce9e861f95c_l3.png)

Donde N_xd corresponde al número de comidas del plato d realizadas por el equipo x y Ɛ__xd_ al desperdicio derivado de la preparación del plato d por el equipo x. En este caso, cada equipo de cocina tendrá una matriz Ɛ individual que contiene los pesos de desperdicio de ese equipo específico.

Este escenario permite análisis más complejos, como:

• ¿Qué equipo contribuye más al desperdicio total producido?
• ¿El desperdicio por plato es independiente del equipo que lo prepara, o hay variabilidad significativa en el proceso de cocción entre equipos diferentes?
• Para un plato determinado, ¿qué proceso de cocción del equipo es más eficiente, es decir, produce menos desperdicio en la misma cantidad de tiempo?

Mejora de los pronósticos

Uno de los puntos de acción donde podemos utilizar esta formulación es para hacer un pronóstico más preciso de la cantidad de cada ingrediente necesario para los próximos D días. Para hacerlo, simplemente necesitamos aplicar directamente la formulación con la matriz Ɛ aprendida.

Por ejemplo, si esperamos tener 25 pedidos de Hamburguesas y 20 pedidos de Filete con papas al horno para los próximos 5 días, basándose en las tablas anteriores, el consumo esperado del ingrediente Carne de res sería:

25 * (K2,2 +Ɛ_2,2_) + 20 * (K0,2 +Ɛ_0,2_)

Que corresponde a:

25 * (0.15 + 0.08) + 20 * (0.3 + 0.12) = 14.15 Kg

En este escenario hipotético, necesitaríamos comprar 14.15 Kg de carne de res, asumiendo que, después de entrenar el modelo, concluimos que preparar un plato de Hamburguesa y Filete con papas al horno generaría un desperdicio promedio de 80g (K2,2) y 120g (K0,2) de carne de res, respectivamente.

¿Desea profundizar en esta idea?

Programe una reunión con Pedro Serrano

Conocer a Pedro Más información

Conclusión

Toda acción orientada a reducir nuestro impacto en el medio ambiente es valiosa, más aún si puede ayudar a optimizar nuestro negocio. Por lo tanto, reducir el desperdicio en los restaurantes es una excelente manera de mejorar la rentabilidad y contribuir a un ambiente más sostenible.

Con esto en mente, en este artículo proponemos un enfoque para determinar los desperdicios producidos en un restaurante a nivel de plato e ingrediente, basándose en las recetas y el historial de compras de provisiones del restaurante.

Esto puede ayudar a realizar un pronóstico más preciso de las provisiones necesarias basado en los pedidos esperados en los días siguientes y también crear una idea más realista de qué ingredientes y platos están contribuyendo a más desperdicio, para que los restaurantes puedan tomar medidas para reducir el desperdicio.

Como siempre, si tiene otras ideas sobre cómo reducir el desperdicio de alimentos, ¡asegúrese de contactarnos!