FoodRL: KI-gestütztes Ensemble für präzise Vorhersage von Lebensmittelspenden

Lebensmitteldatenbanken spielen eine entscheidende Rolle bei der Bekämpfung von Nahrungsmittelunsicherheit. Ihre Wirksamkeit hängt jedoch stark von der Fähigkeit ab, die stark schwankenden In-Kind-Spenden vorherzusagen, um eine gerechte und effiziente Verteilung der Ressourcen zu gewährleisten.

Traditionelle Prognosemodelle stoßen dabei häufig an ihre Grenzen, weil sie nicht in der Lage sind, die unvorhersehbaren Schwankungen und den Konzeptdrift, der durch saisonale Veränderungen und Naturkatastrophen wie Hurrikane im Südosten der USA oder Waldbrände an der Westküste verursacht wird, zu berücksichtigen. Um diesen Herausforderungen zu begegnen, wurde FoodRL entwickelt – ein neuartiges Meta-Learning-Framework, das auf Reinforcement Learning basiert. FoodRL gruppiert verschiedene Vorhersagemodelle und gewichtet sie dynamisch, wobei sowohl die jüngste Performance als auch kontextuelle Informationen berücksichtigt werden.

Die Leistungsfähigkeit von FoodRL wurde an mehrjährigen Daten zweier unterschiedlicher US-Lebensmitteldatenbanken getestet: einer großen regionalen Westküstenbank, die von Waldbränden betroffen ist, und einer staatlichen Ostküstenbank, die regelmäßig von Hurrikanen beeinflusst wird. In beiden Fällen übertraf FoodRL die Basisverfahren, insbesondere in Zeiten von Störungen oder Rückgängen. Durch die Bereitstellung zuverlässigerer und anpassungsfähigerer Prognosen könnte FoodRL die Umverteilung von Lebensmitteln um 1,7 Millionen zusätzliche Mahlzeiten pro Jahr ermöglichen – ein bedeutender Beitrag zur sozialen Wirkung und zur Optimierung humanitärer Lieferketten.

FoodRL demonstriert, wie fortschrittliche Ensemble-Lernmethoden in Kombination mit Reinforcement Learning dazu beitragen können, die Resilienz von Lebensmittelhilfsorganisationen zu stärken und gleichzeitig die Effizienz der Versorgungsketten zu erhöhen. Diese Technologie bietet einen vielversprechenden Ansatz, um die Herausforderungen der Nahrungsmittelverteilung in einer zunehmend volatilen Welt zu meistern.