A világjárvánnyal az élelmiszer-kiskereskedelemben is komol problémákat okozott a kiszámíthatatlanság és az online vásárlások gyors felfutása, ami lényegesen megnehezíti a kereslet előrejelzését. Más területekhez hasonlóan itt is egyre több vállalat fordul a mesterséges intelligencia felé, hogy hatékonyabban értelmezhesse a rendelkezésére álló adatokat, és hatékonyabbá tegye a készletezést érintő döntéseket is, ami ezen a területen valamelyest eltérő megközelítést igényel más iparágakhoz képest.

A várható forgalmat eddig is sok olyan tényező befolyásolta, amelyek elemzésére be lehetett vetni a prediktív analitikát. Ilyen például az időjárás, ami alapvető hatással lehet a fogyasztói döntésekre, és az előrejelzések figyelembe vétele fontos lehet az árukészlet összetétele és mennyisége szempontjából, de megjelenhet akár a reklám, a munkaerő vagy az energiaigény tervezésében is. A járvány során aztán lendületet kaptak az ugyancsak MI-alapú, személyre szabott megoldások is a vásárlók kiszolgálásában.

Ezt nagyjából úgy kell elképzelni, mint mondjuk a Netflix filmajánló rendszerében alkalmazott, együttműködésen alapuló szűrést, amelynek alkalmazása azonban valamivel bonyolultabb az élelmiszerek forgalmazásában. A Netflix ugyanis különösebb korlátozások nélkül, végtelen sorban ajánlgathatja a műsorokat, amelyek nem fogynak el, ha valaki megnézte őket. Nem is romlanak meg tárolás közben, sőt nincs is szükség a fizikai tárolásukra, ráadásul a választás nem függ sem az aktuális készletektől, sem attól, hogy mi hogyan fér el a dobozokban.

Az új fogalom a változatosság

Az élelmiszer-kiskereskedelemre hangszerelt ajánlási rendszerek egy másik kihívása lehet, hogy – szemben a filmekkel – a vásárlók nem feltétlenül szeretnék hosszú ideig ugyanazt fogyasztani. Lehet valakinek a kedvence a tészta és a horror, de amíg sorban nézi a horrorfilmeket, nem biztos, hogy közben hetekig egyfolytában tésztát akar enni. Nem elég tehát felmérni az egyes ügyfelek preferenciáit, de valahogy azt is le kell képezni az irányított gépi tanuló rendszereknek, hogy mit jelent a fogyasztó számára a változatosság.

Ebben az egyik úttörő a New York-i Hungryroot mesterséges intelligenciával támogatott kiszállító szolgáltatása, ami ugyancsak kollaboratív szűrést alkamaz az általa fejlesztett, felügyelt tanulási modellben. Részletesen kikérdezi ügyfeleit az étkezési szokásaikról, a saját és családtagjaik kedvenc ételeiről, vagy magának a családnak a méretéről és költségvetéséről. A Hungryroot algoritmusa hetente újra meghatározza azokat az élelmiszereket, amelyeket aktuálisan kiszállítana az ügyfeleknek, majd miután azok jóváhagyták a listát, kiszállítja nekik a dobozt egy maréknyi recept kíséretében, amelyekhez a héten rendelt összetevőket használják.

A Hungryroot rendszere azt is megpróbálja megfejteni, ha a vásárló a legutóbbi megrendeléséhez hasonló tételeket keresnek, még akkor is, ha arra már hetekkel azelőtt került sor, vagy számít nekik a kihagyás. Ahogy a vállalat technológiai igazgatója a VentureBeat riportjában kifejtette, az ismétlés és a változatosság megfejése az étkezési modellben a siker kulcsa lehet, miközben más területeken nem igazán számít, ezért nem is lehet építkezni más ágazatokban fejlesztett megoldásokra.

Jön a felügyelet nélküli tanulás

A dolgot tovább nehezíti, hogy – a filmes összehasonlításnál maradva – itt sokkal kisebb azoknak a vásárlóknak a száma, akiknek pontosan ugyanazok a receptek tetszhetnek, pontosan ugyanazoknak az összetevőknek a felhasználásával. Az ételpreferenciák esetében sokkal több szempontot kell figyelembe venni: a Hungryroot modellje aktuálisan 60 különböző paramétert faktorizál, de ez a szám folyamatosan növekszik, miután nem korlátozódik kizárólag arra, amit maguk az ügyfelek mondanak vagy tesznek.

Az ajánlási rendszer egyik járulékos előnye lehet a hulladék csökkentése egyrészt az elosztás hatéknyságának növelésével, másrészt a túlkészletezés leszorításával. (Érdekes egyébként, hogy a mélytanuló algoritmusokat már olyan automata árazási rendszerekben is felhasználják, amelyek az egyes cikkek lejárati ideje szerint fokozatosan csökkentik az áruházak polcain heverő élelmiszerek árát.) A Hungryroot ennek megfelelően még a vásárlók feltételezhető otthoni készleteit is számontartja: csak azért, mert a legtöbb recepthez szükség van sóra, még nem kell minden bevásárlásnál venni egy újabb kiló sót.

Egyelőre úgy tűnik, hogy az emberek vevők a dologra: a cég 2015-ös indulása óta évente átlagosan 133 százalékkal növelte aktív ügyfeleinek számát, a múlt hónapban pedig sikeresen lezárt egy 40 millió dolláros befektetési kört is. Az algoritmus hatékonysága a Hungryroot szerint éppen 72 százalék körül van, vagyis a fogyasztók ilyen arányban fogadják el és fizetik ki a mesterséges intelligencia által összepakolt bevásárlólistákat. A továbblépést abban látják, hogy a felügyelt tanulási modell mellett minél nagyobb részben be kell vonniuk a felügyelet nélküli tanulást is, hogy a rendszer méginkább képes legyen figyelembe venni az időbeli információkat, és tovább javuljon a minták felismerésében.