Kunstig intelligens (AI) har for alvor ramt avisoverskrifterne de senere år, ikke mindst med lanceringen af ChatGPT. AI er dog ikke en ny teknologi. Siden 1950’erne har man forsket i AI. Men teknologien er nu så raffineret, at den kan gøre en reel forskel for måden, vi driver vores virksomheder på. Ifølge Infor høster især fødevareindustrien fordelene ved AI-teknologien.
Fødevareindustriens markedsværdi forventes at nå svimlende 30 mia. dollars inden 2028, dvs. knap 205 mia. danske kroner, og der vil være store gevinster at hente med AI – hele vejen fra jord til bord.
Men hvad er AI konkret, og hvordan kan AI styrke fødevarevirksomheder? AI er en computers eller maskines evne til at efterligne menneskelig intelligent adfærd og udføre opgaver, som kræver menneskelig intelligens, såsom evnen til at tænke, ræsonnere, lære af erfaring og vigtigst af alt at træffe egne beslutninger.
Machine learning er en del af AI og består af computersystemer, der kan lære og tilpasse sig uden at blive programmeret eller hjulpet. Machine learning bruger algoritmer og statistiske modeller til intelligent analyse af data og drager konklusioner ud fra datamønstre, som man kan handle ud fra.
Overordnet set har AI (især machine learning) potentialet til at optimere alle områder af fødevareproduktionen. Med sin evne til at udregne på utallige dataværdier og parametre, samt udarbejde forskellige hvad-nu-hvis-scenarier kan machine learning både effektivisere og give nøjagtige og rettidige anbefalinger til alle mulige aspekter i forsyningskæden.
Fra virkelighedens verden
Her følger et par eksempler på anvendelsen af AI:
• Bedre optimering af vanding, gødning, foder og produktion: Machine learning kan give endnu mere indsigt og analyse. Det kan være en analyse af, hvilke marker skal vandes og hvornår, eller hvornår man skal bruge gødning i forhold til vejrudsigter baseret på data fra tidligere års høst, kvantitet og kvalitet af afgrøder samt vind og vejr.
Inden for aquakultur har virksomheden Nutreco opnået mere effektiv produktion med sundere rejer, samtidig med at der bruges 30 pct. mindre foder. Specifikt bruger virksomheden lydsensorer til at lytte til rejerne og forstå, hvornår de er sultne. Maskinlæring bestemmer derefter, hvornår og hvor meget rejerne skal fodres.
• Hurtigere produktanbefalinger til kunder: Den globale virksomhed Zeelandia Group, der udvikler og producerer ingredienser til bagerier, har implementeret en model baseret på machine learning, som anbefaler produkter til kunderne. Modellen adresserer udfordringerne med højere omkostninger og mangel på tilgængelige ingredienser og kan anbefale alternative produkter til bagerkunderne. Produktanbefalinger er blevet 83 pct. hurtigere at udarbejde, hvilket reducerer tiden fra 30 minutter til fem minutter. Det giver en bedre kundeoplevelse og øget omsætning pr. transaktion.
• Bedre kvalitet og mindre spild i produktionen: Den førende globale leverandør af gede- og økologisk koost, Amalthea, bruger machine learning til at gøre ostekvaliteten mere forudsigelig og maksimere udbyttet, opbygge kundeloyalitet og øge bæredygtigheden. Tidligere kunne Amalthea kun manuelt analysere mælkeydelsen på ugentlig basis, men machine learning giver indsigt i produktionsudbytte og årsager til udbytteændring med det samme. Ved at identificere smertepunkter og forbedre processer samtidigt har det reduceret Amaltheas samlede spild fra produktionen. For hver én pct. stigning i udbyttet forventer Amalthea at spare ca. 500.000 EUR.
Ovenstående eksempler bygger i høj grad på historiske data og realtidsdata. Men hvordan håndterer AI meget uforudsigelige forhold, som fx vejr og vind? Alle, der er involveret i fødevareindustriens forsyningskæde, skal ifølge FN’s Fødevare- og Landbrugsorganisation (FAO) være mere modstandsdygtige og minimere deres brug af vand, energi og andre ressourcer. Også her kan AI bidrage positivt. Vejret er den mest uforudsigelige faktor for landbruget pt. Tørke i det kolde nord og oversvømmelser i syden er en realitet. Selvom datamønstrene er uforudsigelige, hjælper machine learning med bedre at forstå forretningsrisiciene ved vejrændringer, og hvilke forholdsregler man bør tage for at sikre høsten.
AI kan indfri uendeligt mange forretningsfordele i fødevareindustrien og – vigtigst af alt – sikre, at man er et skridt foran. Det kræver blot tilpasning til virksomhedens specifikke behov, tilstrækkelig dataindsamling og -behandling samt passende træning af AI-modeller.
