Pusat Inovasi Data baru-baru ini berbicara dengan Daniel Oldak, Chief Strategic Officer Inovasi Piring Bersihsebuah perusahaan yang berbasis di Pittsburgh menggunakan pembelajaran mesin untuk mengurangi limbah makanan di restoran dan tempat makan institusi. Oldak menjelaskan bagaimana sistem perusahaan mengidentifikasi apa yang ditinggalkan pengunjung, mengukur volume limbah, dan menyediakan data yang dapat ditindaklanjuti kepada operator layanan makanan untuk memangkas biaya dan mengurangi dampak lingkungan.
David Kertai: Masalah apa yang dipecahkan oleh Clean Plate Innovations?
Daniel Oldak: Di Amerika Serikat, diperkirakan 30 hingga 40 persen dari seluruh makanan yang diproduksi untuk toko kelontong, restoran, dan kafetaria tidak pernah dimakan dan akhirnya berakhir di tempat sampah setiap tahunnya. Kafetaria institusi—seperti ruang makan siang sekolah, ruang makan universitas, kafetaria rumah sakit, dan kafe museum—menghasilkan sekitar lima juta ton sampah makanan setiap tahunnya. Limbah tersebut merugikan industri jasa makanan sekitar $11 miliar setiap tahun dan menghasilkan sekitar 170 juta ton emisi gas rumah kaca setiap tahunnya, setara dengan Air Force One yang mengelilingi dunia sebanyak 130.000 kali.
Limbah ini berasal dari dua sumber utama: makanan yang dibuang selama persiapan dapur, yang disebut limbah dapur, dan sisa makanan yang tertinggal di piring, yang disebut limbah piring. Clean Plate Innovations berfokus secara khusus pada limbah piring.
Tujuan kami adalah melacak dan menganalisis makanan apa yang dibuang pengunjung sehingga kafetaria dapat memahami makanan mana yang selalu tidak dimakan, apakah ukuran porsinya terlalu besar, dan perubahan operasional apa yang dapat mengurangi limbah. Untuk melakukan hal ini, kami membangun sistem yang menggunakan visi komputer untuk secara otomatis mengidentifikasi dan mengukur sisa makanan. Dengan mengubah sampah piring menjadi data terstruktur dan real-time, kami memberikan wawasan yang jelas kepada manajer restoran, tim keberlanjutan, dan staf pengadaan mengenai lokasi terjadinya sampah dan cara menguranginya secara bermakna.
Waktu: Bagaimana sistem Anda mengenali makanan di piring?
Gaya: Kami memasang sistem kamera kami tepat di atas area pembuangan limbah, tempat pengunjung membuang piring mereka setelah makan. Sistem ini menggunakan rangkaian kamera pencitraan 3D RealSense—kamera penginderaan kedalaman yang dirancang untuk menangkap bentuk objek dan tata ruang—dipasangkan dengan model AI yang dilatih pada lebih dari 11 juta gambar makanan. Saat piring lewat di bawah kamera, kamera menangkap tampilan visual sisa makanan dan volume tiga dimensinya.
Model AI kemudian mengidentifikasi setiap jenis makanan dan memperkirakan berapa banyak yang tersisa dengan menghitung ukuran dan kepadatannya. Informasi tersebut segera diterjemahkan ke dalam data terstruktur, yang mencatat tidak hanya apa yang terbuang tetapi berapa banyak setiap item yang dibuang dan seberapa sering hal tersebut terjadi pada makanan, menu, dan hari. Tingkat pengukuran ini sangat penting karena data volume yang akurat, bukan hanya tampilan permukaan, menentukan biaya dan dampak sebenarnya dari limbah makanan.
Misalnya, dua piring terlihat mirip jika dilihat dari atas: piring yang satu mungkin berisi nasi tipis-tipis sementara piring lainnya berisi daging dalam porsi kecil. Secara visual keduanya tampak sebanding, namun sebenarnya jumlah makanan yang terbuang, serta dampak finansial dan lingkungannya, bisa sangat berbeda. Dengan mengukur volume, bukan hanya mengandalkan penampilan saja, sistem ini menentukan berapa banyak makanan yang benar-benar dibuang oleh pengunjung. Pemetaan 3D juga memisahkan item yang tumpang tindih, membedakan makanan dari bahan non-makanan, dan tetap akurat bahkan ketika piring dimiringkan atau tertutup sebagian, sehingga sistem dapat memproses ribuan piring per jam dan memberikan tampilan sampah yang terukur dan hampir real-time.
Waktu: Bagaimana Anda meningkatkan akurasi identifikasi limbah dari waktu ke waktu?
Gaya: Sistem kami ditingkatkan melalui kombinasi data pelatihan, masukan manusia, dan paparan makanan baru. Selama penerapan awal, kami sangat bergantung pada kumpulan data besar yang digunakan untuk melatih model. Saat sistem menemukan item yang tidak dapat diidentifikasi dengan pasti, sistem akan menandai gambar tersebut untuk ditinjau. Tim kami kemudian memberi label pada item tersebut dan memverifikasi beratnya dalam kondisi pengujian terkontrol, lalu memasukkan informasi tersebut kembali ke dalam model.
Saat kami menerapkan sistem ini di lebih banyak lokasi, sistem ini akan menemukan lebih banyak jenis makanan, gaya penyajian, dan budaya masakan. Data dari satu situs membantu meningkatkan kinerja di situs lain, memungkinkan sistem menjadi lebih akurat dan mudah beradaptasi seiring waktu.
Waktu: Apa yang membedakan Anda dengan alat pelacak sisa makanan lainnya?
Gaya: Banyak organisasi masih mengandalkan audit sampah manual, yang mengharuskan staf memindahkan sampah makanan dalam jumlah besar dan menyortirnya dengan tangan. Audit ini bersifat padat karya, tidak menyenangkan, dan biasanya dilakukan hanya sesekali, sehingga audit ini hanya menangkap gambaran sempit tentang apa yang sebenarnya terjadi. Pengukuran tunggal dapat dengan mudah menyesatkan, misalnya, menu yang sangat populer atau acara khusus dapat mengganggu perilaku makan pada umumnya. Sistem kami menyediakan pengukuran otomatis dan berkelanjutan, menghilangkan kesenjangan ini dan memberikan gambaran yang jelas kepada operator tentang tren limbah di dunia nyata. Hasilnya, tim keberlanjutan dapat fokus pada pengurangan limbah dibandingkan mengumpulkan data.
Waktu: Apa visi Anda untuk masa depan Inovasi Piring Bersih?
Gaya: Kami ingin menjadi mitra teknologi jangka panjang bagi organisasi layanan makanan dengan membangun alat data khusus yang mengatasi tantangan operasional spesifik mereka. Wawasan dari sistem kami telah membantu operator menyesuaikan ukuran porsi, mendesain ulang menu, dan menyempurnakan keputusan pembelian, dan banyak yang melihat pengurangan limbah makanan secara terukur dalam beberapa bulan pertama penerapannya. Pada akhirnya, tujuan kami adalah membantu organisasi beroperasi lebih efisien, mengurangi limbah makanan, dan memenuhi tujuan keberlanjutan mereka dengan mempermudah pengambilan keputusan berdasarkan data di seluruh industri jasa makanan.
