Madspild opstår ikke kun i hjemmet. En stor del sker i forsyningskæden, fordi prognoser er unøjagtige, lagerstyring er manuel, og transportplanlægning ikke tager højde for vejrforhold eller efterspørgselssvingninger. AI løser ikke alle disse problemer, men den kan gøre dem synlige og håndterbare.
Sporbarhed som konkurrencefordel
Forbrugere og detailkæder stiller i stigende grad krav til dokumentation af oprindelse, dyrevelfærd og miljøbelastning. AI-baserede sporbarhedssystemer som Provenance og IBM Food Trust gør det muligt at registrere og dele data på tværs af hele kæden, fra udsæd til hylde.
Vi gennemgår et konkret eksempel fra en dansk svineproducent, der samarbejder med en stor detailkæde om realtidsdokumentation af produktionsbetingelser. Hvad kræver det teknisk, og hvad kræver det organisatorisk?
Efterspørgselsprognoser og lageroptimering
Machine learning-modeller kan kombinere historiske salgsdata, vejrprognoser og lokale begivenheder for at forudsige efterspørgsel med langt større præcision end manuelle estimater. Vi ser på, hvordan Arla og Lantmännen bruger sådanne modeller i praksis.
Forløbet er på seks uger og henvender sig til folk i produktionsvirksomheder, logistik og fødevarehandel med interesse for digitalisering af forsyningskæden.
Programindhold
Programoversigt
-
Modul 1: Forsyningskædens svage punkter
Hvor opstår spild og ineffektivitet, og hvilke data eksisterer allerede?
-
Modul 2: Sporbarhedssystemer i praksis
IBM Food Trust, Provenance og blockchain-baserede løsninger. Hvad de kan, og hvad de koster.
-
Modul 3: Efterspørgselsprognoser med ML
Datakilder, modeltyper og, hvordan du evaluerer en prognosemodels pålidelighed.
-
Modul 4: Lager- og transportoptimering
Ruteplanlægning, temperaturovervågning og integration med ERP-systemer.
-
Modul 5: Regulering og datadeling
GDPR, NIS2 og branchespecifikke krav til dataudveksling i fødevaresektoren.
-
Modul 6: Implementeringsprojekt
Deltagerne udarbejder en konkret plan for digitalisering af ét led i deres egen forsyningskæde.
Hvad du tager med dig
Viden om, hvordan AI-systemer konkret kan bruges til at analysere jordkvalitet, forudsige udbytte og reducere ressourceforbrug i marken.
Du lærer at skelne mellem de AI-løsninger, der faktisk virker i felten, og dem der stadig er på laboratorieniveau.
Praktisk tilgang
Undervisningen kombinerer live demonstrationer med virkelige datasæt fra landbrugsbedrifter i Nordeuropa.
Eksperterne gennemgår specifikke scenarier — fx dronebaseret afgrødeanalyse og automatiseret vandingsstyring — så du forstår, hvornår teknologien giver mening.