Per decenni, la qualità dei prodotti ortofrutticoli è stata definita più dall'interpretazione che da criteri scientifici. Gli acquirenti fissano gli standard, i produttori cercano di rispettarli e le controversie nascono nel divario tra le due parti. Sempre più spesso, lo scarto è al centro dell'attenzione dei sistemi di intelligenza artificiale, progettati per trasformare il giudizio soggettivo in standard più misurabili e condivisi.
© GoMicro AI
Secondo Sivam Krish, fondatore di GoMicro AI, alla base di questo cambiamento c'è un'idea semplice: gli acquirenti stabiliscono già cosa si intenda per "qualità". Addestrando l'IA su immagini che rappresentano prodotti di qualità buona e scarsa, oltre che su difetti specifici, è possibile ottenere valutazioni coerenti lungo tutta la filiera.
"Il problema principale è la valutazione soggettiva. Il venditore, cioè l'agricoltore, ritiene che il proprio prodotto sia di buona qualità; quando però arriva dall'altra parte, viene giudicato scadente per vari motivi. Non c'è modo di risolvere la questione, perché anche dall'altra parte c'è una persona che lo valuta soggettivamente", afferma Krish.
Tale soggettività comporta un costo economico. I rigetti da parte degli acquirenti spesso costringono i produttori ad assorbire le perdite, con scarse possibilità di contestare la decisione. Quando la merce viene respinta, le alternative di utilizzo sono limitate, con conseguenti ribassi, svalutazioni o sprechi. In questo modo, la soggettività nel controllo qualità agisce come una sorta di "tassa" sulla filiera, poiché valutazioni incoerenti generano costi nascosti in ogni fase.
Tuttavia, la possibilità di applicare uno standard unificato fin dalle prime fasi della filiera consente di destinare i prodotti ad altri usi, invece di lasciarli proseguire fino al rigetto e, in alcuni casi, allo spreco.
© GoMicro AI
Ciò che cambia con l'intelligenza artificiale non è solo l'automazione, ma l'allineamento. Invece di affidarsi a più ispettori in diversi punti della filiera, ciascuno dei quali applica un giudizio leggermente diverso, i sistemi possono essere addestrati a replicare uno standard unico e coerente.
"Replichiamo il giudizio di un singolo essere umano. E poi quel giudizio può essere applicato lungo tutta la catena. Non ha senso che sia l'agricoltore a stabilire se il prodotto è buono, deve essere l'acquirente a dirlo", spiega Krish.
In termini pratici, uno standard unico elimina gran parte dell'ambiguità che alimenta le controversie. Se sia il mittente sia il destinatario valutano la merce in base allo stesso modello, addestrato sulla medesima definizione di qualità, i disaccordi passano da semplici opinioni a differenze verificabili.
Per i coltivatori, i benefici economici sono immediati. Valutare la frutta secondo gli standard dell'acquirente, prima che lasci il centro di confezionamento, riduce il rischio di rigetto e i relativi costi di trasporto, movimentazione e smaltimento. Consente inoltre di reindirizzare il prodotto in una fase più precoce. "Anche il mittente sa che, se lo spedisco, verrà comunque rigettato perché è così che viene valutato", sottolinea Krish.
La capacità di prendere decisioni a monte è fondamentale per categorie di prodotti deperibili come i piccoli frutti e le verdure a foglia, dove i ritardi riducono rapidamente il valore. Invece di spedire prodotti di qualità inferiore ai canali retail di alta gamma, i coltivatori possono destinarli alla trasformazione o a mercati con standard inferiori, preservando il margine di guadagno che altrimenti andrebbe perso.
La barriera tecnica è stata storicamente la precisione, in particolare nei prodotti ortofrutticoli in cui i difetti sono lievi o nascosti. "Se i difetti sono evidenti, la valutazione automatica è possibile. Ma se sono lievi, è difficile", afferma Krish. Ciò include problemi come la contaminazione su foglia negli spinaci o piccole ammaccature nelle fragole.
© GoMicro AI
"Abbiamo risolto il problema della capacità di rilevare difetti impercettibili, anche quelli difficili da individuare a occhio nudo", afferma Krish, aggiungendo che i sistemi possono valutare i prodotti anche quando gli articoli si sovrappongono, un limite di lunga data della classificazione automatizzata.
Fondamentalmente, l'approccio non si basa su un unico standard universale. Al contrario, l'intelligenza artificiale può essere addestrata rapidamente sulle preferenze specifiche degli acquirenti utilizzando set di campioni, digitalizzando di fatto il giudizio soggettivo. "Ecco come funziona il modello: gli si forniscono esempi di immagini che mostrano una buona qualità e una pessima qualità e il modello imparerà a riprodurle fedelmente. In questo modo, è possibile creare delle categorie", spiega Krish.
In un settore caratterizzato da variabilità biologica e aspettative in continua evoluzione, il risultato è un quadro di riferimento condiviso e trasparente che riduce le controversie, limita gli sprechi e abbassa i costi nascosti derivanti dai disaccordi, sostituendo le valutazioni soggettive con criteri coerenti e ripetibili.
Per maggiori informazioni:
Kristie Dutt
GoMicro AI
[email protected]
gomicro.ai
