AFN presenta... Intello Labs, los visionarios informáticos del control de calidad de los alimentos.

Para la mayoría de los compradores, es fácil identificar los tomates blandos y de aspecto triste que quedan relegados al fondo del estante. Rasgos sutiles en el color, el tacto, el olor o la textura provocan rápidamente reacciones como: "Bueno, están rebajados y aún son comestibles; supongo que los compraré", o "Definitivamente ya no están en su mejor momento, así que buscaré otro lote en otro sitio", o incluso "Esos tomates son tan horribles que ni siquiera se los podrías tirar a un criminal medieval en el cepo; esta es la última vez que compro aquí".

Sin embargo, realizar juicios de este tipo se vuelve agotador y erróneo si hay que hacer este tipo de evaluaciones subjetivas a unos pocos cientos de cajas de tomates, y mucho más si se trata de decenas de miles. Aun así, esto es precisamente lo que tienen que hacer los minoristas, y la longitud y complejidad de las cadenas de suministro de productos frescos a nivel mundial no les facilitan las cosas.

¿Acertar con la frescura de un tomate un día? Como suele ocurrir con los productos perecederos, ¡podría ser erróneo al día siguiente! Por eso, los controles de calidad a menudo deben repetirse a lo largo de trayectos que pueden abarcar cientos de kilómetros: en cada entrega, desde los productores hasta una larga cadena de intermediarios o inspectores, antes de que finalmente llegue a la tienda.

Mientras tanto, la demanda de los consumidores fluctúa según las expectativas de disponibilidad durante todo el año de productos de temporada o exóticos; los plazos de entrega varían debido a las cosechas irregulares o incluso a las restricciones políticas a las exportaciones mediante controles aduaneros sorpresa. Todo esto supone un verdadero quebradero de cabeza logístico, y por eso una cantidad asombrosa de productos se desperdicia en algún punto del trayecto entre la granja y el plato del restaurante. O bien, el problema se da a la inversa: alimentos de baja calidad y en mal estado, como esos tomates, llegan a los estantes, lo que, como señala un reciente informe de McKinsey, puede ser muy perjudicial para la imagen de marca de toda una cadena de supermercados.

Languideciendo en las cepas

Una empresa emergente que aborda este problema, centrándose inicialmente en la región de Asia-Pacífico, es Intello Labs, una compañía india de software agrotecnológico B2B, miembro del programa GROW Accelerator de AgFunder, con sede en Singapur, donde formó parte del primer GROWhort a finales del año pasado.

Demasiados controles de calidad de alimentos actuales siguen siendo en sí mismos muy manuales, lentos, laboriosos y propensos a errores en gran parte del mundo, dice Tanmay Bhargava de Intello Labs a AFN. El resultado: estos errores en la adquisición o el transporte son difíciles de rastrear; podría haber un inspector de calidad que se haya desviado en cualquier punto del proceso, tal vez simplemente pecando de precavido, o simplemente trabajando con un conjunto de estándares subjetivos, inconsistentes o vagos sobre lo que constituye "fresco". Peor aún, es posible que un ser humano nunca haya visto una fruta podrida con sus propios ojos; la verificación manual,

Bhargava explica que normalmente se hace tomando una muestra de solo una pequeña porción de todo el inventario como una forma de ahorrar tiempo. Para encontrar una solución, Intello está recurriendo al aprendizaje profundo y la visión artificial: ¿se puede entrenar eficazmente a las computadoras para detectar y señalar con precisión cuándo los alimentos están en mal estado con mayor rapidez y precisión que las personas? (Y tenga en cuenta: las características de la pudrición de una fruta o verdura son diversas, lo que hace que esto sea un juego más difícil de entrenar que tecnologías equivalentes que identifican los tomates que han madurado y necesitan ser recogidos; si son rojos,

Luego, seleccione; si es verde, déjelo como está.) Con sede en Gurugram, India, y presencia en Singapur y Nueva York, Intello tiene cuatro cofundadores: Milan Sharma, Nishant Mishra, Himani Shah y Devendra Chandani.

Los tres primeros se conocían desde hacía más de una década, desde sus años de estudiantes en el Instituto Indio de Tecnología de Bombay. Antes de fundar Intello, el director de tecnología de la empresa, Nishant, trabajó durante cinco años en inteligencia artificial y visión artificial para compañías como Canon y Amazon.

“Nuestros productos hiperespectrales y basados ​​en imágenes aportan transparencia y estandarización a la evaluación de la calidad de los productos frescos, principalmente frutas y verduras. Ayudamos a reducir el riesgo de pérdida de valor y el desperdicio en las cadenas de suministro agrícolas.”

Las imágenes de los alimentos, ya sean tomadas con el teléfono inteligente de un empleado o con una cámara instalada, son procesadas por nuestra IA en la nube para generar informes de calidad casi instantáneos y análisis prácticos”, así describe el equipo de Intello Labs su tecnología. “Nuestros algoritmos identifican cada unidad del producto alimenticio visible en la imagen y la clasifican según su tamaño, color, forma, estado sanitario y defectos. Los resultados de todas las unidades se agregan para calcular la calificación de calidad final del lote. Todo el proceso tarda desde unos segundos hasta minutos, dependiendo del producto y del tamaño de la muestra”.

Visionarios de la informática

La empresa afirma que permite a los minoristas de alimentos “medir, monitorear y controlar la calidad según las expectativas del cliente mediante métodos no destructivos y escalables a lo largo de toda la cadena de suministro. Utilizan nuestros productos versátiles, que se pueden implementar en las instalaciones de los proveedores, centros de aprovisionamiento, almacenes, centros de distribución y puntos de venta”.

Su propuesta de valor se puede dividir en cuatro columnas:

• Móvil: su solución basada en teléfonos inteligentes la hace móvil e implementable en diversos lugares, como granjas, vendedores, almacenes, plantas de fabricación, tiendas minoristas, etc.
• Bajo gasto de capital: Se requiere poca inversión de capital por parte de la organización cliente.
• Eliminación de la subjetividad: Los productos son inherentemente objetivos. Elimina los sesgos manuales, la subjetividad y los errores que suelen ser frecuentes en las grandes organizaciones.
• Digitalización de la calidad: Digitaliza la calidad combinando la solución de análisis con una infraestructura de datos de calidad. Por lo tanto, permite la digitalización completa del proceso de calidad, que luego puede aprovecharse para una variedad de decisiones empresariales.

Si algo de esto les resulta familiar a los lectores de AFN, probablemente sea porque existen varias empresas emergentes, como Agricx (con sede en India) y AgShift (con sede en San Francisco), que ofrecen productos y servicios similares. El producto de Agricx está diseñado principalmente para la papa y las hojas de té, y requiere un entorno controlado y un muestreo cuidadoso, mientras que el de AgShift utiliza hardware de gran formato para mantener un entorno controlado. Muchas empresas más grandes, como Tomra, Unisorting, Buhler y Forsberg, también fabrican equipos de clasificación y selección, pero deben combinar sistemas electromecánicos o neumáticos con análisis espectroscópicos o químicos.

Intello Labs, sin embargo, respalda su enfoque en términos de costo, efectividad y escalabilidad. El equipo describe su característica diferenciadora más importante como la escalabilidad y la velocidad con la que puede crear un producto personalizado para un nuevo producto básico. “Para escalar más rápidamente a diferentes productos básicos, hemos desarrollado una plataforma interna de autoaprendizaje que es versátil en sus capacidades de aprendizaje.

Este es nuestro principal factor diferenciador. Con esta plataforma, el tiempo de desarrollo de nuevos productos se ha reducido a semanas y el proceso de capacitación se ha simplificado enormemente.

Gracias a ella, incluso los empleados sin conocimientos técnicos pueden ayudar a entrenar un modelo con los datos de entrada. En un futuro próximo, planeamos ofrecer esta plataforma como un servicio a las organizaciones clientes, cuyos empleados podrán utilizar sus datos internos para entrenar los modelos de forma rápida y económica.

expansión australiana

Los algoritmos de visión artificial de IntelloLabs se han entrenado con un amplio conjunto de datos de alta calidad de imágenes de frutas en diferentes etapas de deterioro, que el equipo ha recopilado directamente o a través de sus socios minoristas.

Entre sus clientes se encuentran Amazon (India), Reliance Fresh (India) y Dole (Asia), además de otros importantes minoristas internacionales en la región de Asia-Pacífico. «Creamos productos de marca blanca, ya sea en forma de aplicaciones móviles o API, para que los utilicen las empresas del sector agrícola y alimentario». IntelloLabs tiene varias otras grandes empresas en cartera de ventas, y su equipo de 70 personas se encuentra actualmente en proceso de expansión estratégica a Australia, donde se pueden obtener altos márgenes de beneficio con productos de buena calidad que han superado largas cadenas de suministro hasta llegar al mercado. ¿Cómo mejoraría las cadenas de suministro de alimentos con inteligencia artificial?

Háganoslo saber enviando un correo electrónico a [email protected]