Uso de IA Generativa para reducir el desperdicio alimentario en el hogar

22 de enero de 2024

¿A qué problema nos enfrentamos?

Según el último informe del Ministerio de Agricultura, Pesca y Alimentación, durante el año 2022, los españoles desaprovecharon 1.201,92 millones de kg o litros de alimentos y bebidas. Esto implica un desperdicio con una media semanal de 23,11 millones de kg/l una magnitud que, al ser tratada como algo más tangible, nos lleva a la asombrosa perspectiva de que, si acumuláramos estos alimentos desechados a lo largo del tiempo, requeriríamos llenar el equivalente a seis piscinas olímpicas cada semana.

La media europea en cuanto a desperdicio de alimento se sitúa en 127 kg por persona por lo que, comparado con otros países, España lidera en un sexto puesto en cuanto a eficiencia con cifras inferiores a esta media. Sin embargo, aún hay mucho margen de mejora. En 2020, Eslovenia, Croacia, Eslovaquia, Bulgaria y Suecia superaron a España en este aspecto.

A nivel europeo, el 55% del desperdicio proviene de hogares, mientras que el 45% restante se distribuye en la cadena de suministro. Este panorama ofrece dos áreas de mejora evidentes:

En la gestión de alimentos por parte de los hogares, animando a una mayor concienciación y prácticas más sostenibles.
En la industria, la cual puede desempeñar un papel crucial mediante una mayor participación e inversión en la optimización de procesos y el aprovechamiento de alimentos no aptos para el consumo.

Afortunadamente, frente a grandes desafíos como este, surgen soluciones igualmente significativas.

La perspectiva del dato y la inteligencia artificial surgen como herramientas clave para abordar y mejorar estas cuestiones cotidianas de manera efectiva.

¿Cómo nos ayuda la IA Generativa para reducir el desperdicio alimentario en casa?

La IA Generativa está surgiendo como un recurso de gran valor en múltiples ámbitos, integrándose cada vez más en nuestro día a día. Este uso de carácter cotidiano es posible ya que herramientas como Chat-GPT, Bing, o Llama 2 se encuentran a disposición del público general, y, en muchos casos, de forma gratuita con funcionalidades limitadas pero eficaces para resolver problemas concretos.

Encontramos entonces en estas herramientas una solución innovadora y democrática, ya que, además de ser accesibles, su uso puede ser muy sencillo si damos con la tecla adecuada, pues se puede obtener ventaja de ellas a través del uso de prompts o mensajes que guían al modelo para generar respuestas, a través de una conversación cotidiana.

Conociendo que la principal causa del desperdicio de alimentos en el ámbito doméstico es la falta de planificación y organización en los menús consumidos a lo largo del tiempo, que pueden dar lugar a la adición de cantidades o productos innecesarios en la lista de la compra, se puede utilizar tecnologías que se basan en IAs Generativa de texto como GPT o Bing. Hacer este tipo de planificaciones puede tomar un tiempo que no es realmente necesario invertir si estos asistentes conversacionales de texto o LLMs lo pueden hacer por nosotros.

Si interactuamos con el LLM con el siguiente prompt:

> Por favor, crea un menú semanal que evite el desperdicio alimentario|

Podremos obtener un resultado útil pero impreciso si contamos con necesidades más concretas, por eso es importante añadir complejidad al prompt.

¿Cómo podríamos mejorar la interacción anterior?

La respuesta, a priori, puede ser simple y no es otra que la de añadir complejidad al prompt utilizado ya que cuanto más detalle se le proporcione al asistente sobre lo que se le está pidiendo, mayor detalle tendrá la respuesta obtenida en base a esas expectativas fruto de objetivos más precisos.

No obstante, existen múltiples formas de añadir complejidad y aumentar la calidad de las instrucciones proporcionadas al LLM; no se limita a una única forma de proporcionar instrucciones o únicamente añadiendo más texto, sino que hay varias opciones disponibles que pueden ajustarse mejor a lo que se necesite:

Role Prompting: le da más contexto al LLM a través de hacerle asumir un rol determinado, como podría ser el caso de un nutricionista especializado, de tal manera, que, si se desea mantener una conversación con el chat, este sea capaz de contextualizar todas sus respuestas:

> Actúa como un nutricionista con 5 años de experiencia. Por favor, créame un menú semanal vegano para dos adultos y dos niños, con cantidades aproximadas. Sin gluten. Alto en proteínas. Sin alimentos industriales o ultraprocesados y que sea fácil de adaptar a batchcooking|
Few Shot Prompting: es el método favorito para algunos expertos ya que es capaz de dar la respuesta más exacta en cuanto a formato e información esperados. Consiste en proporcionar al chat algunos ejemplos para que aprenda a proporcionar una respuesta concreta. De este modo, se le podría dar al LLM un ejemplo de un menú con un formato concreto sobre el que hacer ciertas modificaciones, por ejemplo, relacionadas con algún objetivo que esperamos cumplir, que nos diversifique las opciones, que lo convierta en vegano o que nos proporcione recetas concretas:

> No tengo queso mascarpone. ¿Puedo hacer crema para bizcocho de zanahoria aprovechando que tengo queso Philadelphia?|

Adicionalmente, el uso de estos prompts también puede estar dirigido a conocer más sobre otras formas de evitar el desperdicio alimentario en casa, adaptándose a cada situación o necesidad. Desde conocer qué consejos serían los mejores para preparar los tuppers semanales en una tarde, hasta que diseñe una receta para de aprovechamiento con los últimos ingredientes que tengamos en la nevera impidiendo que se desperdicien.

Una de las ventajas de este tipo de asistentes conversacionales es que se pueden utilizar de forma intuitiva, por lo que facilita la resolución de pequeñas dudas del día a día.

Por lo tanto, estos conceptos de prompt engineering, serán de gran relevancia para poder sacar el máximo partido a los LLM, obteniendo respuestas lo más precisas posibles, sobre todo en temas tan delicados como las cuestiones de salud, recalcando que esto es únicamente un apoyo para el día a día y que no sustituye a los profesionales en salud o alimentación.

◾ En la segunda entrega veremos cómo en el ámbito de la industria y la cadena de suministro también la perspectiva del dato y la inteligencia artificial son herramientas clave para la reducción del desperdicio alimentario.