AI för minskat matsvinn

Vad?

Idag handlar matsvinnsarbete ofta om att ta hand om mat i efterhand. Nu vill vi testa vi om vi kan använda vår matdata för att planera bort matsvinn i förväg.

Varför?

Stora delar av maten som produceras idag slängs – en tredjedel av den närmare bestämt. I våra skolmatsalar slängs det betydligt mindre men det handlar fortfarande om mycket mat som hamnar i soporna. Efter två års intensivt arbete med matsvinnet inom projektet SmartMat Hbg så har Helsingborgs stads skolor minskat sitt matsvinn med 48%. Vi har gått från att slänga 240 ton mat om året till närmare 120 ton. Under de här två åren har vi samlat in mycket data om vårt matsvinn i takt med att kockarna varje dag har rapporterat in kökssvinn, serveringssvinn och tallrikssvinn i en databas.

Nu undrar vi: Kan vi använda den här informationen för att planera bort framtida matsvinn? Kan vi förutse svinn innan det uppstår?

Hur?

Genom att koppla ihop matsvinnsdata med andra typer av data (till exempel från menyer, livsmedelsinköp och frånvarostatistik) undersöker vi om en AI-lösning kan hjälpa oss att förutse matsvinn innan det uppstått.

Idén är under  testning och olika typer av data har samlats in och börjat användas till att förutspå hur matsvinnet kommer se ut i förväg. Nästa steg handlar om att testa om det är rätt data vi använder och om förutsägelserna går att använda till planering.

Data vi använder:

• Svinnregistreringar (Hanteras rapport 460)
• Meny från Skolmaten.se  (öppen plattform)
• Recept
• Vi tittar på även kunna använda: livsmedelsfakturor, frånvarodata, matkömätning, väderdata.

AI-funktionerna:

Algoritmerna bakom lösningen klassificerar olika parametrar som kan påverka svinnet och hittar mönster mellan till exempel fiskpinnar och panerad fisk. Med hjälp av historisk svinndata ger lösningen sedan prediktioner på skolnivå.

Status

Det har varit svårt att få till ett automatiskt flöde från registreringen av matsvinnet till stadens centrala hantering av data, något som under tidigare tester visat sig vara viktigt för att vi ska kunna tillämpa prediktionsmodeller på ett bra sätt. Nu finns det dock ett API för registrering och hantering och vi inväntar kopplingen till systemet för egenkontrollhantering som vi kommer registrera matsvinnet i framöver. Parallellt utvecklar vi en prototyp för en matsvinnskalkylator som kan fungera som ett gränssnitt för barn och elever som vill förstå hur olika parametrar kan påverka matsvinnet.

Status: Avbruten

Initiativet är pausat i väntan på bla ny idébärare och en infrastruktur som underlättar för den här typen av datahantering hos oss.

Lärdomar

Olika resultat och utmaningar vi stött på vid hantering av de olika tänkta datakällorna:

• Svinnregistrering
  • Köken som är anslutna till Måltidsservice registrerar sitt matsvinn via GetCompliant och de kök som har egen måltidspersonal (ffa förskolor) registrerar sitt svinn direkt via stadens rapporteringslösning. Vi saknar en bättre användarupplevelse, tex en varningsruta som aviserar när en registrerad mängd är på tok för hög för att vara rätt ifylld och att den rutan bara kommer upp när det händer.
  • Vi hade en tanke om att använda Laiban för matsvinnsregistrering men det görs inte utan istället rapporterar förskolorna via matsvinn.helsingborg.se
  • API är på plats så att vi enkelt kan skicka matsvinnsdata.
  • Matsvinn.helsingborg.se har mer utvecklingspotential men saknar organisation för förvaltning.
• Skolmaten.se
  • Datan används men är ofullständig då många förskolor väljer andra sätt att meddela menyn (tex på facebook eller instagram). Svårt att extrahera viktig information när rätterna blir väldigt beskrivande eller använder olika synonymer och felstavningar. Ett exempel är att man skriver in sallad på varje rätt men på olika sätt: (och sallad, med sallad, och grönsaker, med grönsaker osv).  ChatGPT skulle eventuellt kunna hjälpa till med det.
• Recept
  • Detta har vi inte haft möjlighet att testa ännu men vi ser stor potential här, tex för att skapa en måltidsplanerare och sen generera rättbeskrivningarna från den och justera i beställningsunderlag tex.
• Livsmedelsfakturor
  • Detta har vi inte haft möjlighet att testa ännu. Vi vet att vi kan få ut dem i pdf och att de varit svåra att läsa av, men där kanske en Azure-lösning hade kunnat hjälpa till idag.
• Frånvarodata
  • Datan är tillgänglig men vi missade tillfället att använda det i senaste analysen som gjordes.
• Matkömätning
  • Här har en mätning gjorts under 3 månader, men datan blev tyvärr otydlig, tid- och datumstämplarna verkar inte stämma – köerna har varit långa utanför skoltid tex. Vi har därför inte kunnat hitta en korrelation mellan tid i kö och matsvinn. Här finns också potential i att ta tag i frågan mer strukturerat, nu missade vi att datan blev fel och kunde tex inte justera tekniken under mättiden.
• Väderdata
  • Finns bra tillgänglig data från SMHI men vi har inte kunnat hitta några korrelationer mellan svinn och väder ännu. Timdatan är bara tillgänglig under 3 månader och blir sedan till dygnsdata och även här har vi missat att fånga in datan under rätt testperiod, så vi kan inte vara säkra ännu – här skulle det behövas en grundligare undersökning med hjälp av timdata.

Med hjälp av de här erfarenheterna och lärdomarna hoppas vi att vi (eller någon annan) kan väcka upp initiativet längre fram och ta initiativet vidare.