Разклонение на Google създаде две нови програми, които улесняват производителите на храни, доставчиците и търговските кухни, да насочват ненужните храни към хранителните банки, които се нуждаят от тях.
Известен като Project Delta, програмите за машинно обучение отчитат хиляди различни изчисления и променливи, нещата, които са необходими на специален екип от организатори, за да се гарантира, че храната отива там, където е най-необходима, където е най-вероятно тя да бъде изядена.
Проблеми се намират най-вече във веригата на доставки: чрез взаимодействието на купувачите, които се опитват да си представят, колко единици им трябват и продавачите, които се опитват да си представят, колко могат да продадат.
Производителите, като продавачи, се опитват да изкарат толкова, колкото си мислят, че могат да продадат, докато собственикът на последния етап – супермаркети, ресторанти или хотели, често има твърде много процеси, за които да се притеснява, за да обмисли, как ще е най-добре да изпрати храна по-нататък по линията.
Ефективното разпределение на храната е изключително трудна работа, по целия път надолу по веригата на доставки и затова може би не е изненада, че 30-40% от храната в света се губи.
„Няма прост начин доставчиците на храни да уведомят банките за храна, какво имат на разположение, а банките за храна да съобщят за това, от което се нуждаят“, пише Адел Питърс за Fast Company, отразявайки иновациите на Google.
Идеята се затвърждава в новото разклонение на Google, наречено X, което се оформя като „The Moonshot Factory“ и се фокусира върху предоставянето на супер иновативни решения, за да направи света по-добро място.
Емили Ма, пишейки за блога на Х, през двете години на разработка и тестване на Project Delta, обяснява, че те са се заели „да създадат по-интелигентна хранителна система – такава, която да знае къде е храната, в какво състояние е и къде е най-добре да се насочи, за да е сигурно, че няма да попадне на сметището, а вместо това ще отиде при хората, които се нуждаят най-много от нея.“
Някои от проблемите, с които се сблъскваха хората, работещи по проблема в Google, са липсата на индустриален или междуотраслов стандарт за това, как доставчиците на храни съобщават, какво имат или какво им е необходимо, или по отношение на хранителните банки, от какво се нуждаят хората.
Работейки с хранителните банки на Southwest Produce Cooperative (SWP) в щати като Аризона, Емили Ма и нейният екип за първи път създават своя прототип за машинно обучение, който вместо телефонни обаждания, имейли, посещения на място и документи на хартиен носител – нормалните начини, по които банките за храна на SWP координират пратките – качват всички записи, свързани с търсенето и предлагането, в алгоритмичния бот, който подробно описва какво и къде трябва да отиде.
След това Емили Ма и екипът на Moonshot Factory отиват в Kroger, за да проверят дали могат да подобрят логистиката на Feeding America, най-голямата организация за облекчаване на глада в страната.
И накрая камерите, инсталирани до кошчетата за отпадъци в кухните на съоръженията на Google, успяват да съберат два пъти повече информация за хранителните отпадъци, отколкото ръчните дневници, направени на ръка от готвачи.
По този начин може да идентифицират тенденции, като по-големи количества от дадена храна, които се губят, както и да се дадат препоръки за начини за рециклиране, които могат да намалят хранителните отпадъци в търговските кухни.
