FLANDERS' FOOD RADAR

Van Pokemon Go tot slimme voedingsfabriek

Wie tot nu toe ontsnapt is aan de Pokémon Go rage heeft waarschijnlijk vakantie genomen op een onbewoond eiland zonder wifi. Dit spelletje maakt gebruik van artificiële intelligentie om te bepalen waar en wanneer er veel mensen bij elkaar zullen zijn. Maar gelijkaardige principes zijn ook toepasbaar voor meer professionele doeleinden. Kunnen we artificiële intelligentie ook gebruiken om slimmer te produceren en voedselverliezen te beperken?

De tijd van zo goedkoop mogelijk zo veel mogelijk produceren, en consumenten die dat allemaal gewillig slikken lijkt voorgoed voorbij. Doordat vandaag de dag alle info binnen handbereik is te vinden op het internet zijn de consument vandaag beter geïnformeerd en bewuster bezig met voeding en gezondheid. De voedingsindustrie wordt geconfronteerd met deze ‘(veel)eisende consument’ en moet hier dan ook op kunnen inspelen. Daarnaast groeit ook het bewustzijn dat duurzamer produceren ook efficiënter en kostenbesparend is. Voedselverliezen reduceren en nevenstromen valoriseren krijgt steeds meer aandacht. Daar waar 10 jaar geleden nevenstromen gewoon afval of diervoeder waren, kan nu heel wat omzet gerealiseerd door het benutten van het potentieel van deze nevenstromen.

Gelukkig zijn er de afgelopen jaren ook nieuwe technologieën ontstaan die de voedingsproducenten hierbij kunnen ondersteunen. Een belangrijke trend hierbij is digitalisatie en big data en hierbij kunnen we ook artificiële intelligentie rekenen. Wat is artificiële intelligentie en kan je er meer mee vangen dan Pokémons?

BIG DATA, ARTIFICIËLE INTELLIGENTIE EN MACHINE LEARNING

Big Data is meer dan een hip woord dat IT specialisten graag gebruiken. Het is de naam voor de gigantische hoeveelheden data die we de laatste jaren voor het eerst ter beschikking hebben. In die zeeën van gegevens schuilt ontzettend veel kennis en informatie, en de data analyse methodieken en algoritmes om die kennis te laten bovendrijven, bestaan al. Artificiële intelligentie is dan toegespitst op specifieke taken en maakt gebruik van grote hoeveelheden data en machine learning. In de nabije toekomst zullen computers dus nog beter worden in taken die te maken hebben met deductie, voorspelling en analyse door middel van patroonherkenning.

Artificiële intelligentie draait om het analyseren en automatiseren van taken waarvoor intelligentie nodig is. Machine Learning, een tak van de artificiële intelligentie, is een manier om computers patronen te laten herkennen om ze zo zelf dingen te laten leren. Uit veel voorbeelden (observaties) leert een algoritme patronen herkennen, zodat het een voorspelling kan doen voor ongeziene voorbeelden (nieuwe observaties) en daar eventueel conclusies aan kan koppelen. Eigenlijk leert een mens op dezelfde manier, maar zonder de algoritmes dan.

Hoe kan dit nu in de voedingsindustrie in de praktijk gebracht worden? Enkele voorbeelden.

SNELLER INSPELEN OP DE VERANDERENDE VOORKEUREN VAN DE CONSUMENT

IntelligentX Brewing, een Brits bedrijf, heeft bier ontwikkeld met behulp van lerende algoritmes waarbij de feedback van de consument wordt gecombineerd met de kennis van de brouwer. In een traditionele brouwerij neemt de brouwer beslissingen gebaseerd op trends, intuïtie en de beperkte feedback van mensen die eerdere batches probeerden. Via de lerende algoritmes kan consumentenfeedback sneller getest worden. Het algoritme kan kiezen uit een tiental ingrediënten om de receptuur aan te passen. Op die manier kan sneller dan voorheen ingespeeld worden op de veranderende voorkeuren van de consument.

BETER SORTEREN OM VOEDSELVERLIEZEN TE MINIMALISEREN

Voedselzekerheid en het reduceren van voedselverliezen staan hoog op de internationale agenda van de Food and Agriculture afdeling binnen de Verenigde Naties. Om in 2050 een totale populatie van 10 miljard mensen te kunnen voeden, moet de voedselproductie met 70% omhoog. Daarnaast is er ook het feit dat er elk jaar 2 miljard ton verwerkt voedsel verloren gaat als verliezen, zij het tijdens de productie, transport, in de retail of bij de consument. Wanneer we de tolerantie van consumenten naar natuurlijke variatie in verse en verwerkte voeding kunnen terugkoppelen naar de producenten, dan kan het productieproces geoptimaliseerd naar een efficiënter gebruik van grondstoffen en het bepreken van productieverliezen. Wanneer we kunnen ontdekken wat de consument beschouwt als goede en slechte kwaliteit, welk niveau van kwaliteit nog net aanvaardbaar is en welke producteigenschappen hiertoe bijdragen, dan kan deze informatie gebruikt worden voor het optimaliseren van bijvoorbeeld sorteermachines. Consumenten hebben een zeker tolerantie met betrekking tot verwerkte verse producten en het komt erop aan de balans juist te krijgen. Moeten die wortelen allemaal even lang, recht en even dik zijn of mogen er ook kromme en korte tussen zitten?

Machines die frieten produceren worden geconfronteerd met de natuurlijke variatie in aardappelen en proberen daaruit een consistent product te halen, ongeacht de grootte van de aardappel. Deze uniforme aanpak kan leiden tot heel wat vermijdbare voedselverliezen. Er worden immers ook frieten geproduceerd die te kort of te dik of te lang zijn en verder in het proces worden uitgestoten. Wanneer deze machines nu kunnen beoordelen wat de beste bestemming is voor iedere aardappel (frieten, chips, puree, …) zou dit het proces heel wat efficiënter maken. Het komt er dus op aan te capteren wat consumenten denken en deze informatie in te brengen in de machines zodat deze voedsel gaan zien zoals een consument dat doet. De mogelijkheid om de natuurlijke variabiliteit in grondstoffen te beoordelen en een zekere mate van intelligentie toe te voegen aan het proces, verder dan ja/ nee of goed/ slecht, zou een krachtig hulpmiddel kunnen zijn in het terugdringen van voedselverliezen. Dit maakt deel uit van het concept ‘intelligente machines’: sorteermachines die verder gaan dan goed/slecht sorteren en ook aan productoptimalisatie doen.

INZICHT IN VOEDINGSGEWOONTEN EN GEZONDHEID VAN CONSUMENTEN

Om van “de gezonde keuze de gemakkelijke keuze” te maken hebben we informatie nodig over de manier waarop we keuzes maken met betrekking tt onze voeding. Wat eten we, waarom, wanneer, waar met wie en in welke context? Consumenten genereren elke dag “ big data” (letterlijk: heel veel data) dat een gedetailleerde beschrijving geeft van hun gewoontes inclusief tijd en plaats. Deze informatie is echter gefragmenteerd en onvolledig. Wanneer al data-bronnen gecombineerd kunnen worden en geanalyseerd, kan de informatie die hierin vervat zit gebruikt worden om in te spelen op de maatschappelijke uitdagingen inzake ondermeer gezondheid en welbevinden. De doelstelling van het Horizon 2020 project RICHFIELDS is het ontwikkelen van een onderzoeksinfrastructuur waarmee de Europese onderzoeksgemeenschap innovatieve en bestaande onderzoeksdata met betrekking tot voeding, gezondheid en consumentengedrag kan delen op een gemeensshappelijk data platform.

OP WEG NAAR EEN DIGITALE FABRIEK

Je kan er niet meer onderuit, de toekomst is digitaal! Als voedingsbedrijf kan je heel wat stappen zetten op weg naar een gedigitaliseerde fabriek, zonder dat je zelf een IT-specialist of computeringenieur moet worden. Flanders’FOOD kan voedingsbedrijven hierbij op weg helpen. Het recent goedgekeurde project 2DIGIT zet de komende twee jaar in op het faciliteren van het digitalisering proces bij voedingsbedrijven. Daarnaast kan Flanders’ FOOD ook steunen op de ervaringen opgedaan tijdens het Food Factory of the Future – F3 project waarin “Digital factory” een van de beoogde transformaties was.

Aan dit thema wordt ook aandacht besteed op het MFC-event dat doorgaat op 19 en 20 september in Gorinchem, Nederland.

Bovendien kan je op 18 oktober ook deelnemen aan een gratis studiedag “Meer, beter en slimmer produceren in de gedigitaliseerde voedingsindustrie” op de Syntra Campus in Hasselt. Het programma en de inschrijvingslink vind je hier.

Misschien zijn daar ook enkele zeldzame Pokémons te vangen...

BRONNEN

Nuttige links

Reacties