Xây dựng giải pháp cho an ninh thực phẩm toàn cầu với dữ liệu và trí tuệ nhân tạo

Hãy nghĩ về lần cuối cùng bạn dọn dẹp thức ăn bị hỏng trong tủ lạnh của mình—những loại rau héo, phô mai bị mốc, thức ăn còn lại từ quán mang về. Bây giờ hãy nghĩ về việc bạn vứt bỏ bao nhiêu thức ăn trong một năm và nhân lên với dân số thế giới hơn 8 tỷ người. Theo Liên Hợp Quốc, chúng ta lãng phí khoảng 1,3 tỷ tấn thực phẩm trên toàn thế giới mỗi năm, khoảng một phần ba tổng sản lượng thực phẩm chúng ta sản xuất.

Thức ăn bị lãng phí ở mọi giai đoạn của chuỗi giá trị, và tất cả những calo bị lãng phí này tích tụ thành vấn đề lớn về môi trường và kinh tế. Ví dụ, tại Hoa Kỳ, nơi chi phí thực phẩm đang tăng với tốc độ vượt trội so với lịch sử, 30-40% thực phẩm—có thể đã giúp đỡ các gia đình cần trợ giúp—kết thúc trong bãi rác, theo USDA. Hơn nữa, việc lãng phí thực phẩm tạo áp lực không cần thiết lên các nguồn lực như đất đai, nước, năng lượng và lao động mà chúng ta sử dụng để sản xuất thực phẩm.

Việc nuôi dưỡng dân số thế giới một cách hiệu quả hơn có thể là chìa khóa cho an ninh thực phẩm của tương lai chúng ta, và các tổ chức sáng tạo trên khắp thế giới đang sử dụng dữ liệu và trí tuệ nhân tạo để thực hiện điều đó. Khả năng sử dụng dữ liệu để có thông tin, đưa ra dự đoán và tự động hóa quy trình đang giúp các nhà bán lẻ và nhà cung cấp dịch vụ thực phẩm khác giảm thiểu lãng phí thực phẩm và giúp đưa thức ăn đến những người đói cần nó nhất.

Giảm lãng phí thất thoát

Mặc dù nhiều thực phẩm bị lãng phí trong các hộ gia đình hàng năm, Liên Hợp Quốc báo cáo rằng 13% lãng phí thực phẩm hàng năm của thế giới xảy ra tại các cơ sở bán lẻ và ngành dịch vụ thực phẩm. More Retail Limited (MRL), một trong những chuỗi siêu thị lớn nhất ở Ấn Độ, nhận ra họ có thể giải quyết ít nhất một phần vấn đề này thông qua dữ liệu.

“Dự báo quá mức cầu tại cửa hàng bán lẻ sẽ dẫn đến việc bán sản phẩm cũ hoặc chín quá mức, hoặc có thể dẫn đến việc vứt bỏ nhiều sản phẩm trong kho hàng đó,” Sanjeev Maddila, Trưởng phòng Giải pháp Chuỗi Cung Ứng Toàn Cầu của AWS cho biết. “Nếu họ dự báo thấp hơn thì sản phẩm sẽ hết hàng, có nghĩa là mất doanh số bán hàng và mất khách hàng.”

Cho đến năm 2019, MRL sử dụng các phương pháp dự báo thống kê truyền thống cho mỗi sự kết hợp cửa hàng và sản phẩm dẫn đến chỉ có độ chính xác dự báo 40%. Để có cái nhìn sâu hơn, MRL hợp tác với AWS và Ganit, một công ty tư vấn khoa học dữ liệu, để xây dựng và triển khai một hệ thống dự báo nhu cầu và đặt hàng tự động sử dụng Amazon Forecast. Mô hình này sử dụng các điểm dữ liệu lịch sử như mùa vụ, ngày lễ và khuyến mãi, và phân loại sản phẩm dựa trên các yếu tố như thời hạn sử dụng và giá cả. Các mô hình học máy kết quả—hai mô hình cho cả nước thay thế cho hơn 1.000 mô hình truyền thống mà công ty đã sử dụng—đã cải thiện độ chính xác dự báo của MRL từ 24% lên 76%.

Bằng cách sử dụng dữ liệu và phân tích để có cái nhìn kinh doanh tốt hơn, MRL đã giảm lãng phí lên đến 30%, cải thiện tỷ lệ hàng tồn kho từ 80% lên 90%, và tăng lợi nhuận gộp lên 25%.

“Việc giảm lãng phí đồng nghĩa với việc tiết kiệm chi phí mà More có thể chuyển đạt cho khách hàng của mình,” Maddila cho biết. “Việc có các sản phẩm mà khách hàng muốn trên kệ hàng tăng sự hài lòng của khách hàng—và khả năng họ sẽ quay lại mua sắm tại cửa hàng More. Điều này là một vòng tua cho cả lợi nhuận và bền vững.”

Hiểu rõ hơn về nhu cầu của khách hàng

“Trong văn hóa ẩm thực Hàn Quốc, món khai vị là một phần quan trọng của bữa ăn Hàn Quốc,” nói Seunghee Lee, trưởng nhóm Cơ quan Khuyến khích Công nghiệp Công nghệ thông tin Busan. “Tuy nhiên, ở các quán căng tin Hàn Quốc, thường không có sự lựa chọn về loại và số lượng món khai vị, dẫn đến nhiều món không được tiêu thụ.” Cho đến gần đây, các quán căng tin không có cách nào để dự đoán chính xác món khai vị mà người tiêu dùng muốn và, kết quả là, hầu hết các món này đều bị lãng phí.

Công ty khởi nghiệp công nghệ Nuvilab đã đặt ra mục tiêu giải quyết vấn đề này bằng cách xây dựng một máy quét thức ăn 3D trí tuệ nhân tạo có khả năng phân tích tiêu thụ thức ăn và cung cấp thông tin cho cả quản lý quán ăn và thực khách. Khi thực khách chọn đĩa từ quán ăn, họ quét đĩa của mình bằng máy quét của Nuvilab trước và sau bữa ăn. Máy quét nhận diện thức ăn còn lại theo loại và chi phí. Quản lý quán ăn sau đó có thể sử dụng phân tích dữ liệu này để tối ưu hóa kho thực phẩm, số lượng và các lựa chọn menu cho thực khách.

“Lãng phí thức ăn là một vấn đề toàn cầu trở nên nghiêm trọng hơn khi giá thực phẩm tăng hàng năm, và các tổ chức đang phải đối mặt áp lực từ các quy định để giảm lãng phí thức ăn,” Logan Kim, CEO của Nuvilab cho biết. “[Công nghệ phân tích thức ăn 3D dựa trên trí tuệ nhân tạo do AWS cung cấp có thể giúp giảm lãng phí thức ăn và có ảnh hưởng quan trọng đến môi trường một cách ý nghĩa].”

Trong các quán ăn tự phục vụ của 10 tập đoàn và hơn 60 trường tiểu học, trung học phổ thông trên khắp Hàn Quốc đã áp dụng máy quét quản lý kho của Nuvilab, lãng phí thực phẩm tổng thể đã giảm trung bình 30%, trong khi lãng phí thực phẩm trên đĩa đã giảm lên đến 42%.

Phân phối lại thặng dư

Một trong những tác động tồi tệ nhất của việc phân phối thực phẩm không hiệu quả là trong khi hàng tỷ tấn thực phẩm bị lãng phí mỗi năm, có 828 triệu người đang phải đối mặt với nạn đói.

Tại chi nhánh FareShare Greater Manchester, tổ chức từ thiện phân phối thực phẩm lâu đời nhất của Vương quốc Anh, hàng ngày có xe tải mang đến những mặt hàng đóng hộp hoặc đóng gói dư thừa từ các nhà sản xuất và sản phẩm tươi không bán hết như dự đoán của các nhà bán hàng. Trong năm 2021, FareShare Greater Manchester đã phân phối đủ thực phẩm cho 6 triệu bữa ăn (với một phần ăn trung bình là 420g) cho hàng ngàn người ở Greater Manchester đang gặp khó khăn trong việc cung cấp đủ thực phẩm.

Hoạt động của FareShare Greater Manchester bao gồm nhiều biến số, như lượng thực phẩm được quyên góp vào bất kỳ ngày nào, loại thực phẩm được quyên góp và nhu cầu của cộng đồng. Việc tạo dự báo bằng tay và cố gắng phù hợp cung cầu thủ công mỗi ngày đã là một nỗ lực lớn cho tổ chức, do đó FareShare Greater Manchester hợp tác với công ty trí tuệ nhân tạo Peak để phát triển một mô hình ứng dụng AI phù hợp cung cầu gần như tức thì.

“Ứng dụng được thiết kế để giảm lãng phí và giúp đội ngũ FareShare Greater Manchester dành nhiều thời gian hơn ở nơi thực sự cần thiết,” Oskar Nummedal, Trưởng nhóm Khoa học Dữ liệu tại Peak cho biết.

“Toàn bộ cơ sở hạ tầng hỗ trợ triển khai ứng dụng trí tuệ nhân tạo của chúng tôi đều được AWS cung cấp,” Nummedal tiếp tục. “Việc xây dựng nền tảng là một hành trình lớn, và AWS đã luôn ở bên cạnh chúng tôi, hỗ trợ mỗi bước đi.”

“Trong một thế giới nơi tài nguyên quan trọng,” Maddila nói, “những gì FareShare Greater Manchester và Peak đã làm được với dữ liệu và trí tuệ nhân tạo là một ví dụ hoàn hảo về việc sử dụng công nghệ vì mục đích tốt.”

Thúc đẩy bền vững thực phẩm toàn cầu

Các giải pháp dữ liệu định hướng đóng vai trò không thể bỏ qua trong việc giảm lãng phí thực phẩm và thúc đẩy bền vững thực phẩm trên toàn cầu. Bằng việc tối ưu hóa hoạt động chuỗi cung ứng, hiểu rõ nhu cầu, nâng cao nhận thức của người tiêu dùng và tạo điều kiện can thiệp mục tiêu, các công nghệ dữ liệu định hướng đang tạo ra các hệ thống thực phẩm hiệu quả hơn, sinh thái hơn, bền vững hơn và công bằng hơn. Để tìm hiểu thêm về cách doanh nghiệp của bạn có thể tạo nên sự khác biệt với dữ liệu, hãy truy cập AWS for Data.

Câu chuyện này được sản xuất bởi AWS.