கடுமையான போட்டியுள்ள உணவு மற்றும் பானங்கள் துறையில், வாடிக்கையாளர் எண்ணிக்கை மற்றும் உணவு தேவையை துல்லியமாக கணிப்பது உணவகங்கள் செயல்பாட்டை சிறப்பாக நிர்வகிக்க உதவும் முக்கியக் காரணியாகும்.

உணர்வுப்பூர்வமான அல்லது கைமுறை அனுபவத்தை சாராமல், செயற்கை நுண்ணறிவு (AI) ஒரு முன்னேற்ற கருவியாக மாறி, சமையல்காரர்கள் மற்றும் மேலாளர்களுக்கு வாடிக்கையாளர் எண்ணிக்கையை துல்லியமாக கணிக்க, போதுமான பொருட்களை தயாரிக்க, கழிவுகளை குறைக்க மற்றும் செலவுகளை சேமிக்க உதவுகிறது. இது ஒரு தொழில்நுட்பப் போக்கே அல்ல, உலகளாவிய சமையல் துறையின் எதிர்காலத்திற்கான நிலைத்தன்மையான தீர்வாகும்.

இந்தக் கட்டுரையில், சமையல் மற்றும் உணவக செயல்பாட்டின் போது AI எப்படி வாடிக்கையாளர் எண்ணிக்கையை கணித்து சிறந்த பொருட்களை தயாரிக்க உதவுகிறது என்பதை விரிவாகப் பார்ப்போம்!

ஏன் கணிப்பு முக்கியம்?

உணவகங்கள் பெரும்பாலும் எதிர்பாராத தேவைகள் மற்றும் உணவு கழிவுகளால் சிக்கல்களை சந்திக்கின்றன. உண்மையில், தயாரிக்கப்பட்ட உணவின் சுமார் ஒரு மூன்றாம் பகுதி ஒருபோதும் சாப்பிடப்படவில்லை, மற்றும் அமெரிக்க உணவகங்கள் ஆண்டுக்கு சுமார் $162 பில்லியன் மதிப்புள்ள உணவு கழிவுகளை ஏற்படுத்துகின்றன.

அதிகமாக ஆர்டர் செய்வது சேதமடைந்த பொருட்களில் முதலீட்டை கட்டுப்படுத்துகிறது, குறைவாக ஆர்டர் செய்வது பொருட்கள் இல்லாமல் விற்பனை இழப்பை ஏற்படுத்துகிறது. இதனால் துல்லியமான கணிப்பு அவசியமாகிறது: வாடிக்கையாளர் எண்ணிக்கை மற்றும் பிரபலமான மெனு பொருட்களை கணித்து, உணவகங்கள் உண்மையான தேவைக்கு ஏற்ப பொருட்கள் ஆர்டர் செய்து கழிவுகளை குறைக்க முடியும்.

உணவு சேவையில் AI விரைவான வளர்ச்சி

உணவு மற்றும் பானங்களில் AI சந்தை விரிவடைகிறது. 2025 தொழில் அறிக்கை உலகளாவிய உணவு மற்றும் பானங்களில் AI சந்தை 2024-2029 காலத்தில் சுமார் $32.2 பில்லியன் (34.5% CAGR) வளர்ச்சி காணும் என்று கணிக்கிறது. AI இயக்கும் அமைப்புகள் “உணவக மேலாண்மையை மாற்றி, செயல்திறனை மேம்படுத்தி, செலவுகளை குறைத்து, வாடிக்கையாளர் திருப்தியை உயர்த்துவதாக வாக்குறுதி அளிக்கின்றன”.

முக்கியமாக, தரவுத்தள AI கணிப்புகள் நிலைத்தன்மைக்கும் உதவுகின்றன: McKinsey ஆய்வு AI மூலம் தேவைக்கு ஏற்ப வழங்கல் பொருந்துவதால் ஆண்டுக்கு $127 பில்லியன் மதிப்புள்ள உணவு கழிவுகளை குறைக்க முடியும் என்று மதிப்பிடுகிறது. அதாவது, புத்திசாலித்தனமான ஆர்டர் நேரடியாக பணம் மற்றும் வளங்களை சேமிக்கிறது.

உணவகங்களில் AI தேவைக் கணிப்பு

AI தேவைக் கணிப்பு, இயந்திரக் கற்றல் மூலம் எதிர்கால விற்பனை மற்றும் வாடிக்கையாளர் எண்ணிக்கையை கணிக்கிறது. எளிய கணக்குப் புத்தகங்களைப் பயன்படுத்துவதற்கு பதிலாக, இந்த அமைப்புகள் விற்பனை பதிவுகள், வரலாறு மற்றும் சென்சார் தகவல்களை (முன்பதிவு அல்லது காலடி போக்குவரத்து தரவுகள் போன்றவை) பகுப்பாய்வு செய்து போக்குகளை முன்னறிவிக்கின்றன.

உணவகங்கள் AI மாதிரிகளை பருவ கால தேவையை கணிக்க, உச்ச நேரங்களை அடையாளம் காண, பணியாளர்கள் மற்றும் பொருட்களை ஒதுக்கி நிர்வகிக்க பயன்படுத்துகின்றன. உதாரணமாக, IBM கூறுகிறது, சங்கங்கள் AI-ஐ பயன்படுத்தி “பருவ கால தேவையை கணித்து, விரைவில் கெடுக்கும் பொருட்களை அதிகமாக வாங்குவதைத் தவிர்க்கின்றன”. இந்த கணிப்புகள், உதாரணமாக, விடுமுறை கூட்டத்திற்கான தயாரிப்பை அதிகரித்து பின்னர் குறைக்க உதவுகின்றன, பொருட்கள் சமநிலையுடன் இருக்கின்றன.

AI கணிப்புக்கான தரவு மற்றும் தொழில்நுட்பம்

மேம்பட்ட AI கணிப்பு பல்வேறு தரவுகளை பயன்படுத்துகிறது. அடிப்படையான விற்பனை வரலாற்றுடன் கூடிய வெளிப்புற காரணிகள் (வானிலை, சிறப்பு நிகழ்வுகள், பிரச்சாரங்கள்) இணைக்கப்படுகின்றன. IBM விளக்குகிறது, AI மாதிரிகள் IoT (இணைய பொருட்கள்), பொருளாதார குறியீடுகள், வானிலை கணிப்புகள் மற்றும் சமூக ஊடக உணர்வுகளைப் பயன்படுத்தி தேவைக் கோட்பாடுகளை வெளிப்படுத்துகின்றன.

உதாரணமாக:

• வரலாற்று விற்பனை: நாள் பகுதி வாரியாக ஆண்டுக்கு ஆண்டுக்கு POS தரவு, அடிப்படை தேவைக் கோர்வைகளை உருவாக்குகிறது.

• காலண்டர் காரணிகள்: வாரத்தின் நாள், விடுமுறை மற்றும் உள்ளூர் நிகழ்வு அட்டவணைகள் (இசை நிகழ்ச்சிகள், விளையாட்டு போட்டிகள், திருவிழாக்கள்) காலடி போக்குவரத்துக்கு பாதிப்பை ஏற்படுத்துகின்றன.

• வானிலை நிலைகள்: வெப்பநிலை மற்றும் மழை கணிப்புகள் (மழை பெய்யும் செவ்வாய் மாலை சூப் ஆர்டர்களை அதிகரிக்கலாம்).

• பிரச்சாரங்கள் மற்றும் போக்குகள்: சிறப்பு மெனு பிரச்சாரங்கள் அல்லது சமூக ஊடகங்களில் வைரல் உணவு போக்குகள்.

நவீன கணிப்பு மாதிரிகள் மேம்பட்ட இயந்திரக் கற்றல் நுட்பங்களை உள்ளடக்கியவை. நியூரல் நெட்வொர்க்குகள், கிரேடியன்ட்-பூஸ்டிங் மரங்கள் அல்லது கால வரிசை மாதிரிகள் போன்ற ஆல்கொரிதம்கள் சிக்கலான, நேர்மறை அல்லாத தேவைக் கோட்பாடுகளை பிடிக்கின்றன.

உதாரணமாக, 2025-ல் ஒரு பல்கலைக்கழக உணவக ஆய்வில் XGBoost மாதிரி (ஒரு தொகுப்பு ஆல்கொரிதம் வகை) கடந்த நாள் போக்குவரத்து, விடுமுறை மற்றும் வானிலை தரவுகளை இணைத்து தினசரி வாடிக்கையாளர் எண்ணிக்கையை மிக உயர்ந்த துல்லியத்துடன் கணித்தது. காலத்துடன், இந்த மாதிரிகள் புதிய தரவுகள் கிடைக்கும் போதெல்லாம் தானாக மேம்பட்டு தகுதிசெய்கின்றன.

சமையல் தானியக்கத்தில் AI

நவீன உணவகங்கள் சமையல் துறையில் AI இயக்கும் தானியக்கத்தை பயன்படுத்துகின்றன. சில சங்கங்கள் உணவுகளை ஒரே மாதிரியாக தயாரிக்க ரோபோட்டுகள் அல்லது புத்திசாலி சாதனங்களை பயன்படுத்துகின்றன, சமையல்காரர்கள் சமையலை கவனிக்கின்றனர். அதே சமயம், இயந்திரக் கற்றல் ஆல்கொரிதம்கள் தேவைக் தரவுகளை பகுப்பாய்வு செய்து இந்த அமைப்புகளை வழிநடத்துகின்றன.

உதாரணமாக, AI  “மழை பெய்யும் செவ்வாய் மாலை நேரங்களில் சூப் விற்பனை அதிகரிக்கும்” என்பதை கற்றுக்கொண்டு, சமையல் கூடத்தில் கூடுதல் கஞ்சி உருக்கவும், அதிக காய்கறிகளை முன்கூட்டியே நறுக்கவும் செய்கிறது. ரோபோட்டின் திறமையும் தரவின் அறிவும் இணைந்து, வாடிக்கையாளர்கள் வரும்போது சரியான பொருட்கள் தயார் இருப்பதை உறுதி செய்கிறது.

AI கணிப்பின் நன்மைகள்

வாடிக்கையாளர் எண்ணிக்கையை AI மூலம் கணிப்பதன் பல நன்மைகள் உள்ளன:

• உணவு கழிவு குறைப்பு: AI இயக்கும் ஆர்டரிங் மூலம் பொருட்கள் கெடுவதற்கு முன் பயன்படுத்தப்படுகின்றன. ஆய்வுகள் AI கையிருப்பு அமைப்புகள் சமையல் கழிவுகளை சுமார் 20% அல்லது அதற்கு மேல் குறைக்க முடியும் என்பதை காட்டுகின்றன. நடைமுறையில், ஒரு சங்கம் AI/ML கணிப்பைப் பயன்படுத்தி கையிருப்பு கழிவுகளை 10% குறைத்தது.
• செலவுகள் குறைப்பு: சரியான கணிப்புகள் அதிகமாக பொருட்களை வாங்குவதைத் தவிர்க்கின்றன. ஒரு வழக்கறிஞர் ஆய்வில் AI கணிப்புகளுக்கு மாறிய பிறகு பணியாளர் செலவுகள் 20% குறைந்தது (சரியான அட்டவணை மூலம்) மற்றும் உணவு செலவுகளிலும் முக்கிய சேமிப்புகள் ஏற்பட்டன.
• புதிய தன்மை மற்றும் கிடைக்கும் தன்மை மேம்பாடு: தேவையான அளவு பொருட்களை மட்டுமே ஆர்டர் செய்வதால், உணவகங்கள் பொருட்களை உச்ச புதிய தன்மையில் வைத்திருக்க முடியும் மற்றும் பிரபலமான உணவுகள் எப்போதும் கிடைக்கும்.
• செயல்பாட்டு திறன்: தானியங்கி கணிப்புகள் பணியாளர்களை கைமுறை கணக்கிடுதலை விடுவிக்கின்றன. கணிப்புகளின் அடிப்படையில் ஆர்டர்கள் அல்லது தயாரிப்பு பட்டியல்கள் தானாக உருவாக்கப்படுகின்றன, வாங்கும் வேகத்தை அதிகரித்து பிழைகளை குறைக்கின்றன.

உண்மையான உலக உதாரணங்கள்

பல உணவகங்கள் மற்றும் தொழில்நுட்ப நிறுவனங்கள் ஏற்கனவே AI கணிப்புகளை பயன்படுத்தி வருகின்றன:

• விரைவான உணவக சங்கம்: ஒரு பெரிய அமெரிக்க உணவக குழு பழைய கணிப்பு கருவிகளை AI/ML அமைப்புடன் மாற்றி பணியாளர் செலவுகளில் 20% சேமிப்பும், கையிருப்பு கழிவுகளில் 10% குறைப்பும் பெற்றது.
• AI கழிவு கண்காணிப்பு: Winnow Vision போன்ற தீர்வுகள் கேமராக்கள் மற்றும் AI-ஐ பயன்படுத்தி உணவு கழிவுகளை அடையாளம் காண்கின்றன. சோதனைகளில், Winnow பயன்படுத்தும் சமையல் கூடம் சில மாதங்களில் சுமார் 30% உணவு கழிவுகளை குறைத்தது. (Leanpath மற்றும் Kitro போன்ற போட்டியாளர்கள் இதே மாதிரியான சென்சார்கள் மூலம் கழிவுகளை கண்காணித்து அளவுகளை வழிநடத்துகின்றனர்.)
• AI இயக்கும் மெனுக்கள்: McDonald’s அமெரிக்காவில் 700 உணவகங்களில் AI இயக்கும் டிஜிட்டல் மெனு பலகைகளை அறிமுகப்படுத்தியுள்ளது. இந்த அமைப்புகள் வானிலை மற்றும் நேரம் போன்ற காரணிகளின் அடிப்படையில் பொருட்களை பரிந்துரைக்கின்றன, கணிக்கப்பட்ட தேவைக்கேற்ப மெனு வழங்கலை ஒத்திசைக்கின்றன.

AI கணிப்பை செயல்படுத்துதல்

தொடங்க, உணவகங்கள் கட்டமைக்கப்பட்ட அணுகுமுறையை பின்பற்ற வேண்டும். உதாரணமாக, IBM பின்வரும் படிகளை பரிந்துரைக்கிறது:

1. நோக்கங்களை மதிப்பாய்வு செய்யவும்: எதை கணிக்க வேண்டும் என்பதை வரையறுக்கவும் (எ.கா., மொத்த வாடிக்கையாளர் எண்ணிக்கை, குறிப்பிட்ட மெனு பொருட்கள், உச்ச நேரங்கள்).
2. கருவிகள் அல்லது கூட்டாளர்களை தேர்ந்தெடுக்கவும்: விருந்தோம்பல் தேவைக் திட்டமிடலில் சிறப்பு பெற்ற AI மென்பொருள் அல்லது ஆலோசகர்களை தேர்வு செய்யவும்.
3. தரமான தரவை சேகரிக்கவும்: தூய்மையான, துல்லியமான POS மற்றும் கையிருப்பு பதிவுகளை உறுதி செய்யவும். தேவையானபோது புதிய தரவுகளை (வானிலை APIகள், உள்ளூர் நிகழ்வு காலண்டர்கள்) ஒருங்கிணைக்கவும்.
4. பங்குதாரர்களை ஈடுபடுத்தவும்: கணிப்புகள் ஆர்டரிங், பணியாளர் ஒதுக்கீடு மற்றும் தயாரிப்பு முடிவுகளை எப்படி பாதிக்கின்றன என்பதை பணியாளர்களுக்கு பயிற்சி அளிக்கவும். AI மதிப்பை காட்டி ஒப்புதல் பெறவும்.
5. கண்காணித்து மேம்படுத்தவும்: கணிப்பு துல்லியத்தை தொடர்ந்து மதிப்பாய்வு செய்து, புதிய தரவுகள் வந்தவுடன் மாதிரிகளை புதுப்பிக்கவும்.

சவால்கள் மற்றும் எதிர்கால பார்வை

AI கணிப்பை ஏற்றுக்கொள்ளும் போது சவால்களும் உள்ளன. சிறிய உணவகங்களுக்கு உடனடி நுட்ப உதவிகள், தரவு கட்டமைப்பு அல்லது தொழில்நுட்ப திறன் இல்லாமை பிரச்சனையாக இருக்கலாம். வேறு வேறு அமைப்புகளை (POS, சமையல் கையிருப்பு, வழங்குநர் பட்டியல்கள்) ஒருங்கிணைப்பது சிக்கலானது.

தரவு தரம் குறைபாடுகள் (முழுமையற்ற விற்பனை பதிவுகள் அல்லது மெனு மாற்றங்கள்) துல்லியத்தைக் குறைக்கலாம். இருப்பினும், மேக அடிப்படையிலான AI தளங்கள் மலிவாகவும் எளிதாகவும் மாறுவதால், தனிப்பட்ட கஃபேக்களும் இத்தகைய கருவிகளை பயன்படுத்த முடியும்.

எதிர்காலத்தில், உணவகங்கள் IoT சென்சார்கள் மற்றும் கணிப்புப் பகுப்பாய்வுகளை அனைத்து செயல்பாடுகளிலும் ஒருங்கிணைப்பதால் AI-இன் பங்கு மேலும் பெருகும்.

>>> மேலும் அறிய விரும்புகிறீர்களா: உணவக மேலாண்மை மற்றும் சமையல் செயல்பாடுகளில் செயற்கை நுண்ணறிவு (AI) ?

வாடிக்கையாளர் எண்ணிக்கையை துல்லியமாக கணிப்பது உணவக செயல்பாட்டை மாற்றி அமைக்கிறது. AI-ஐ பயன்படுத்தி தேவையை முன்னறிவித்து சமையல் கூடங்கள் பொருட்கள் தயாரிப்பையும் கையிருப்பையும் சிறப்பாக நிர்வகித்து பணம் சேமித்து கழிவுகளை குறைக்க முடிகிறது.

ஒரு நிபுணர் குறிப்பிட்டபடி, AI “செயல்திறனை மேம்படுத்தி உணவக மேலாண்மையில் புரட்சி ஏற்படுத்த உள்ளது”. கடுமையான போட்டியுள்ள துறையில், தரவுத்தள கணிப்புகள் வெற்றிக்கான சூத்திரமாக மாறுகின்றன: ஒவ்வொரு வாடிக்கையாளருக்கும் சரியான பொருட்கள் தயாராக இருப்பதை உறுதி செய்து முன்னறிவை சுவையாக மாற்றுவது.