Približne tretina vyprodukovaných potravín vo svete sa v rôznych etapách potravinového reťazca neskonzumuje alebo podľahne skazeniu. Zníženie strát poľnohospodárskych produktov a škôd na potravinových výrobkoch možno dosiahnuť zavedením aplikačných modelov umelej inteligencie. Ich veľmi rýchla analýza údajov a pokročilé algoritmy dokážu predpovedať pravdepodobnosť skazenia potravín a poľnospodárskych produktov s vysokou mierou presnosti. Zapojenie umelej inteligencie do zisťovania ukazovateľov o pravdepodobnom pokazení potravín a do prognózovania možného vzniku potravinového odpadu na základe analýzy podmienok prepravy a skladovania dokáže výrazne zredukovať množstvo potravinového odpadu.
Obyvatelia Európskej únie každoročne nespotrebujú okolo 60 miliónov ton potravín, čo predstavuje v priemere 129 kg na obyvateľa. Podľa disponibilných údajov Eurostatu z roku 2022 v rámci domácnosti pripadá v priemere 68 kg potravinového odpadu na osobu, spracovateľský priemysel vyprodukuje ročne 23 kg na obyvateľa, reštaurácie a ostatné stravovacie služby 15 kg na osobu, poľnohospodárska prvovýroba 12 kg, maloobchod a distribúcia potravín 10 kg.
[1]
Najväčšie množstvá nespotrebovaných potravín na obyvateľa spomedzi krajín EÚ má Cyprus (294 kg), Dánsko (254 kg), Grécko (196 kg), Portugalsko (184 kg) a Rumunsko (181 kg).
Aplikácie umelej inteligencie (modely strojového učenia, hĺbkové učenie, jazykové spracovanie, počítačové videnie) napodobňujú rozumové schopnosti ľudí a navrhujú optimalizáciu kvality a ponuky v potravinovom reťazci. Po senzorickom preskúmaní potravín upozorňujú na možný výskyt patogénov a presne identifikujú druh nákazy. Aplikácie umelej inteligencie kontrolujú teplotné podmienky pri preprave, skladovaní vo veľkoskladoch a maloobchodnom predaji potravín, čím sa predchádza ich skazeniu. V prípade zistenia teploty alebo vlhkosti nad odporúčanou hranicou automaticky upravia hodnoty. Modely strojového učenia používajú algoritmy obrazového rozpoznávania na zisťovanie ťažko postrehnuteľných signálov skazenia potravín, ako sú napríklad farebná zmena alebo mikroskopické porušenie povrchovej štruktúry. Získané údaje potom párujú so senzormi okolitého prostredia, aby vylepšili predpovede o pravdepodobnom zhoršení kvalitatívnych parametrov potravín. Aplikácie umelej inteligencie sa využívajú aj na predvídanie vzorov spotrebiteľského správania, na predpovede dopytu po jednotlivých druhoch výrobkov, čím sa znižuje pravdepodobnosť nadprodukcie a nadmerných stavov zásob.
Skazenie potravín je výsledkom pôsobenia rôznych faktorov, ako sú prítomnosť patogénov, chemické a biochemické reakcie, fyzické poškodenie alebo enzymatické činnosti. Uvedené faktory menia zásaditosť, výživový obsah, chuť, povrch, štruktúru a obsah vody v potravinách, čím zvyšujú riziko zdravotnej nebezpečnosti alebo nepríjemných chuťových vlastností pri konzumácii. Modely strojového učenia sú „vyškolené“ na rozsiahlych databázach, ktoré obsahujú informácie o charakteristických znakoch potravín, o ideálnych podmienkach skladovania a znakoch pokazenia. Pokročilé modely predpov