Ridurre il food waste grazie all’Intelligenza Artificiale

Un sistema di demand forecasting e di ottimizzazione dell'inventario sviluppato ad hoc da Ammagamma per CIRFOOD, utilizza gli algoritmi di intelligenza artificiale per il riordino automatizzato della merce permettendo di ridurre gli sprechi del 15% e diminuire di 111 tonnellate lo stoccaggio medio in magazzino [...]
  1. Home
  2. Intelligenza Artificiale
  3. Ridurre il food waste grazie all’Intelligenza Artificiale

Membro dell’Alleanza per l’Economia Circolare, gruppo di aziende innovative che ha presentato la roadmap verso un modello di circular economy, uno degli obiettivi di CIRFOODimportante realtà nel settore della ristorazione collettiva (aziendale, scolastica e sociosanitaria), è la riduzione degli sprechi di cibo. Un proposito che richiede un’attenta pianificazione in fase di produzione e approvvigionamento, la quale implica diverse fasi di analisi e un’efficiente gestione della logistica. E’ in questo contesto che è nata la partnership con Ammagamma, società di data science che offre soluzioni matematiche alle aziende per orientarle verso nuove visioni sociali e produttive sostenibili, i cui esperti sono intervenuti per sviluppare un sistema di previsione della domanda e di ottimizzazione dell’inventario che, basandosi su algoritmi di Intelligenza artificiale, garantisce l’efficienza della logistica e la sostenibilità di processo.

“Grazie a questa soluzione puntiamo ad ottimizzare la movimentazione dei magazzini. Abbiamo l’obiettivo di ridurre gli sprechi del 15% e di diminuire di 111 tonnellate lo stoccaggio medio in magazzino” commenta Massimiliano Merenda, Procurement & Supply Chain Executive Director CIRFOOD. 

Il riordino automatizzato riduce stock e sprechi in magazzino semplificando la logistica

In una prima fase di Demand Forecasting, si prevede la domanda di mercato per il mese successivo, in modo da conoscere la richiesta di cibo che arriverà dalle mense e dalle cucine gestite da CIRFOOD. Le previsioni vengono effettuate attraverso modelli di machine learning che apprendono autonomamente quelli che saranno i trend futuri a partire dai dati. In una seconda fase di Inventory Optimization, l’algoritmo di AI utilizza le previsioni della domanda per suggerire il momento in cui effettuare gli ordini ai fornitori, di modo da disporre di merce a sufficienza per soddisfare il fabbisogno e allo stesso tempo minimizzare il volume immobilizzato a magazzino, abbattendo gli sprechi. Inoltre, un sistema di smart alert assegna specifiche priorità ai riordini, evidenziando la merce più urgente da ordinare per evitare understock e quella a maggiore rischio di deperimento, da utilizzare velocemente, per evitare sprechi e per aprire prospettive di sviluppo e di gestione in chiave ESG.

Il riordino ottimizzato riduce il tempo medio in cui i prodotti restano in giacenza permettendo di fornire ai clienti merce sempre più “fresca” e oltre a minori costi associati, si riduce l’occupazione degli spazi, con conseguente semplificazione della logistica interna e maggiore possibilità di centralizzazione. Il sistema, che pianifica quotidianamente il riordino ai fornitori per il mese successivo riaggiornandosi in autonomia, è fruibile attraverso l’utilizzo di una Web App che garantisce il totale controllo e monitoraggio delle scelte che vengono effettuate dagli algoritmi. Agli operatori la scelta di basarsi sui “consigli” del sistema per optare in ogni momento per l’alternativa migliore, in base alla loro esperienza.

live streaming, 11 marzo
Strategia Cloud: come sfruttare meglio questa opportunità
Big Data
Intelligenza Artificiale

 

 

Immagine fornita da Shutterstock.

FacebookTwitterLinkedInWhatsApp

Commenta per primo

Lascia un commento

L'indirizzo email non sarà pubblicato.


*