食物太珍貴了，不得有任何浪費。
但餐旅業每年丟棄了近一千億美元的食物。
在用餐人數不明的情況下，準備的飯菜量又不能不夠，此時可能會造成廚房工作人員走向另一個極端，也就是準備過多的餐點。多準備又沒吃到的餐點，最後都是丟入垃圾桶。
來自英國的新創公司 Winnow，利用人工智慧來協助餐廳廚房大幅減少食物廢棄量。
人工智慧用於減少食物浪費
每年全球生產供人類食用的食物，有約三分之一被浪費掉，相當於驚人的十三億噸。
Winnow 幫助專業廚師使用該公司最新產品 Winnow Vision 來控制這個數字，這項產品可以在食物被丟棄時自動進行偵測、辨識和測量。
這套系統有一具數字秤，秤的上方是標準的廚房垃圾桶，而垃圾桶上面安裝有一具攝影機和運算系統，整個模組內有一個 NVIDIA Jetson TX2 超級電腦。
此模組消化攝影機拍攝的影像，還有數字秤記錄的重量，以及判斷被丟棄的食物類別與數量。在 TensorFlow 使用 AWS 執行個體及 NVIDIA V100 GPU，對 Jetson TX2 使用的神經網路進行訓練。需要有大量的訓練資料，即對每種食物準備了多達一千張圖片，以辨識系統可能遇到的各種食物。
收集的資料會送到雲端進行處理，接著定期製作報告並提供給廚房員工。報告中詳細列出被丟棄的食物數量和類型，還會建議廚房該如何減少廢棄量。
https://blogs.nvidia.com/wp-content/uploads/2019/04/Winnow-Vision-demo-1-1.mp4?_=1
Winnow 的共同創辦人暨執行長 Marc Zornes 解釋了Jetson TX2 在現場即時提供的深度學習結果（也就是所謂的「邊緣推論」），為何是這套系統成敗的關鍵原因。
Zornes 說：「我們覺得在一個無法保證提供可靠高速網路連接的環境裡，客戶必須立即獲得結果。在廚房這個網路邊緣裡使用 Jetson TX2，讓我們能即時『比人類更明白』到底哪些東西被扔進垃圾桶。」
Jetson TX2 模組可以同時處理多項工作，而在網路邊緣架設整套系統代表 Winnow 團隊可以重複使用雲端環境裡從工作中獲得的知識，並且用在邊緣典範上。Jetson 平台的功能強大到足以應付當前和未來的工作量，加上彈性也夠，可以讓 Winnow 進行實驗和設計新的解決方案。
生意頭腦
Winnow Vision 辨識垃圾桶內食物的能力程度，已經超過人類水平，準確率超過 80%。而在不斷收集到更多資料的情況下，這個準確率還會再攀升。
現已有75個商業廚房安裝了這套系統，Winnow 打算在未來幾年將這項技術推廣到數千個廚房。IKEA 與 Emaar 便是已經在其廚房中引入 Winnow Vision 系統的公司之一。
減少食物浪費並非是為企業帶來的唯一好處，自動化作業也提高了廚房的工作效率。工作人員不用過多訓練便能妥善管理食物，也不用花更多時間來調整菜單。
Winnow 表示將分析資料提供給廚房的工作團隊後，可以把食物浪費的數量減少一半。該公司估算這套系統每年已經幫助商業廚房省下了逾三千萬美元的食物成本，相當於避免2300萬頓食物最終被倒入垃圾桶。
隨著新技術的出現，Winnow 宣布該公司的目標為到2025年時為商業廚房省下十億美元的金額。