Trends, Innovationen und Digitales aus der Lebensmittelbranche

Wie KI gegen Lebensmittelverschwendung helfen kann

Der Salat im Supermarkt fault, das T-Shirt hängt seit Monaten im Laden? Das geht auch anders – mit der Künstlichen Intelligenz von Blue Yonder aus Karlsruhe.

Bis zu 80.000 Artikel – vom Kotelett bis zur Kiwi – finden sich in einem Supermarkt. Wer soll da noch den Überblick behalten, welche Lebensmittel wann gefragt sind? Wann welches Haltbarkeitsdatum abläuft? Ab wann Werbung geschaltet werden sollte für Spargel? Genau darauf spezialisiert sich das 2008 gegründete Unternehmen Blue Yonder, das von Karlsruhe aus Künstliche Intelligenz etwa für die Supermarktketten Kaufland und Morrisons sowie die Bekleidungsunternehmen Ernsting’s Family, Orsay und Otto entwickelt. Uwe Weiss, seit 2010 CEO des Unternehmens, erklärt im Interview, wie Maschinen Pfirsiche untersuchen, sich deutsche Supermärkte von US-amerikanischen unterscheiden und welche Rolle ein Fußballspiel für den Einkauf hat. 

Herr Weiss, wie oft gehen Sie in den Supermarkt und denken: Die Filiale bräuchte unsere Technologie dringend?

Noch viel zu oft! (lacht) Die allermeisten Supermärkte, insbesondere im Bereich der frischen Lebensmittel, setzen noch keine Machine-Learning-Lösungen ein. Dorthin sind wir gerade auf dem Weg. Wir haben international viele Kunden gewonnen – First Mover, die sich fortan in diesem Bereich bewegen wollen. Es kommt ingesamt eine neue Generation an Unternehmenssoftware auf uns zu, die wie Blue Yonder auf Machine Learning basiert. Diese ermöglicht es, gewisse Probleme im Handel, speziell bei Supermärkten zu lösen, die mit manueller Arbeit schier nicht machbar wären. 

Können Sie Beispiele nennen?

Wir fokussieren uns auf Modefirmen und Supermärkte. Die meisten Supermärkte erzielen ungefähr 50 Prozent ihres Umsatzes mit frischen Lebensmitteln, von Salat über Bananen bis hin zu Fisch und Fleisch. Davon wird noch immer zu viel weggeworfen. Zum einen, weil der Kunde erwartet, dass Produkte in einer gewissen Menge und so frisch wie möglich zur Verfügung stehen – und Obst mit Dellen schon nicht mehr kaufen. Aber es spielt noch ein anderer Aspekt eine Rolle: In den meisten Märkten finden Kunden 30.000 bis 40.000 Produkte vor, in großen Märkten auch 60.000 bis 80.000.

Kaum zu überblicken.

Genau, in den meisten Fällen ist es dem Marktleiter nur schwer möglich, über mehrere Tage hinweg vorauszusehen, wie viel sie von welchen Produkten brauchen. Dieser Entscheidungsprozess hängt von so vielen Faktoren ab, dass sich diese Aufgabe mit einer gewissen Erfahrung zwar bewältigen lassen kann – aber nicht jeden Tag und nicht optimal. Das ist auf der einen Seite schade, weil Lebensmittel weggeschmissen werden müssen. Auf der anderen Seite: Wenn ich irgendwo einkaufen gehe und zwei, drei Stunden vor Ladenschluss die gewünschte Menge nicht mehr vorfinde, obwohl ich ein Produkt in der Werbung gesehen habe, dann bin ich als Kunde schnell enttäuscht. Gerade in den USA tendieren die Supermärkte dazu, viel zu viel in den Regalen zu horten. Kosten- und umwelttechnisch ist das ein Riesenproblem. Das können wir mit Künstlicher Intelligenz nun viel einfacher lösen.

Blue-Yonder-CEO Uwe Weiss 

Angenommen, ein Supermarkt bestellt 1.000 Salate für einen Verkaufstag. Woher weiß Blue Yonder, wie viel Prozent letztendlich doch aussortiert werden müssen?

Das können wir tatsächlich aus den Daten lernen. Künstliche Intelligenz kann die Produktqualität inzwischen ganz gut erkennen. Maschinen gehen sowohl sensorisch als auch visuell an die Lebensmittel heran und testen, in welchem Reifegrad sich beispielsweise ein Pfirsich befindet. So lässt sich erkennen, ob die Charge, über die ein Händler verfügt, noch verkaufsfähig ist oder ob er mit Retouren rechnen muss, wenn er seine Ware doch ausliefert. Bis diese Technik – das Zählen der Waren und die Überprüfung ihrer Qualität – in den stationären Handel Einzug hält, wird es nur noch wenige Jahre dauern.

Ihr Programm beruht auf Machine-Learning-Algorithmen. Mehrere Milliarden Prognosen rufen Ihre Server ab. Wie kann sich ein Laie diese Arbeit vorstellen?

Die Algorithmen, über die wir verfügen, sorgen dafür, dass wir tagtäglich Hunderte von Datenquellen automatisiert einlesen. Wenn Sie heute einen Kauf tätigen – an der Kasse oder online – und sich dabei einen Warenkorb zusammenstellen, dann nehmen wir diese Daten genauso auf wie Wettervorhersagen oder gewisse Verkehrssituationen. Etwa: Wann verlässt der Lkw das Lager, wie viel Verkehr herrscht, gab es Werbung für gewisse Produkte und deswegen mehr Nachfrage? Dazu kommen etwa Datenquellen zur Frische der Charge und zur Größe der Kartons, in denen zum Beispiel Bananen transportiert werden. Unter Einbezug dieser Datenquellen und der von uns entwickelten Optimierungsmethoden, errechnet die Künstliche Intelligenz eine optimierte Bestellmenge. 

Folge NGIN Food auf Facebook!

Laut Ihren Berechnungen entscheiden insgesamt 60 bis 70 solcher Faktoren über den Absatz.  Inwiefern unterscheiden Sie die Wertung dieser Faktoren?

Wir verfügen über eine automatisierte Gewichtung der Faktoren, die über den Zeitverlauf wechselt. Das heißt, wir trainieren die Algorithmen auf Basis der sich ununterbrochen ändernden Datenmengen: Mal ist der Wettereinfluss kleiner, mal ist der Werbeeinfluss größer, das kommt auf den Tag an, auf die Wochenkonstellation, auf die Feiertage. Vielleicht haben wir auch noch ein Fußball-Event dazwischen. Das verschiebt die Gewichtung von bestimmten Einflussvariablen. Das kann sich der Mensch natürlich mühsam selbst erarbeiten, muss er aber nicht. 

Hat der Mensch Mitspracherecht?

Der Mensch greift nur noch in ganz wenigen Fällen in diese Prozesse ein. Wir heben in den allermeisten Fällen die Automatisierungsquote von rund 50 bis 60 Prozent in die hohen 90-Prozent-Bereiche. Bei den Ausnahmen ist der Mensch als User unserer Kunden gefragt, um den ein oder anderen kleinen manuellen Griff vorzunehmen. Wir reduzieren die manuellen Tätigkeiten auf ein Minimum.

Bilder: Getty Images / Denise Taylor (oben), Blue Yonder (im Text)

 

Folge NGIN Food auf:

In Kooperation mit
amplifypixel.outbrain