Históricamente, la comida rápida ha sido una industria dispuesta a adoptar el cambio, la automatización y la innovación. El concepto de crear y servir un producto consistente de manera eficiente es el corazón del espíritu de cada cadena de comida rápida, y es lo que el consumidor espera en todo el mundo.
No debería sorprender, entonces, que los restaurantes de comida rápida estén liderando el camino en la adopción de aplicaciones de IA en la industria. Esto es particularmente cierto cuando se trata de los dos indicadores clave de rendimiento (KPI) mediante los cuales se puede medir una franquicia o sucursal de comida rápida: la consistencia y la eficiencia.
Una reconocida cadena de pizzerías quería utilizar tecnología de IA para optimizar sus procedimientos de garantía de calidad y para asegurar que se cumplieran los estándares de la marca. Además, la pizzería hizo esto público, con el fin de mantener un nivel de transparencia con sus clientes.
Un segundo restaurante de comida rápida quería obtener información sobre la eficiencia de su sistema de autoservicio (drive-thru) y establecer formas en las que pudiera mejorarse, por lo que también buscó soluciones de IA.
Uno de los mayores desafíos en la comida rápida es garantizar que el servicio, la estética y, por supuesto, la comida de cada ubicación se ajusten a los estándares establecidos por la marca en su conjunto. Por lo tanto, la idea sería que a cualquier lugar al que vaya un individuo, pueda estar seguro de que lo que ordena alcanza los estándares a los que está acostumbrado.
Sin embargo, un problema es que esto no siempre es posible en todas las ubicaciones. Si bien una ubicación de franquicia puede seguir las directrices corporativas al pie de la letra, otra puede ser más laxa con respecto a la producción del producto final. Además, sin una garantía de calidad regular relacionada con el proceso, el almacenamiento, el pedido y los estándares generales de la comida que se sirve, una organización no puede evaluar completamente el éxito del desempeño de una ubicación, equipo o empleado determinado.
Hay dos grandes amenazas para la eficiencia de un restaurante de comida rápida: la organización del personal y el autoservicio. Cuando una ubicación no tiene suficiente personal, sin duda habrá tiempos de espera más largos para la comida, lo que puede afectar el desempeño del restaurante y la reputación general de la marca. Esto se ve más claramente con respecto a los cuellos de botella en el autoservicio.
Para mantener un servicio eficiente y rápido al operar el autoservicio, los restaurantes necesitan información. Esta información toma muchas formas, como la comunicación entre colegas entre diferentes estaciones de trabajo, pero también un KPI aproximado basado en el tiempo al que apuntar para prevenir largas filas de espera y pedidos perdidos.
La reconocida cadena de pizzerías introdujo una aplicación de inspección de calidad de alimentos, potenciada por el BOX PC integrado compacto sin ventilador BOXER-8233AI con NVIDIA® Jetson™ TX2 NX. Esto consistía en cuatro cámaras de alta resolución que rastreaban cada parte del proceso de elaboración de la pizza, desde la adición de ingredientes, hasta su tiempo en el horno, y pasando por la verificación de garantía de calidad antes del empaquetado.
Al registrar el proceso de elaboración de la pizza a través de cámaras IP, estos datos no solo están disponibles en tiempo real, sino que también se transfieren para su posterior análisis utilizando el acelerador de IA NVIDIA Jetson TX2 NX integrado. A través del entrenamiento de inferencia de IA, el BOXER-8233AI se habrá convertido efectivamente en los "ojos" a través de los cuales el software reconoce los elementos que ha sido entrenado para identificar. Este proceso permite al dispositivo inferir, basado en la imagen visual, si un elemento en particular está presente o no.
Por ejemplo, durante la primera etapa, el software entrenado por IA detectará si hay una pizza o no. En segundo lugar, identificará los ingredientes específicos añadidos, para asegurar que los ingredientes y las cantidades sean consistentes con el pedido. Luego evaluará el producto terminado para asegurar que se ajusta a los estándares mínimos para ser entregado o servido al cliente. Mientras esto sucede, el cliente también puede seguir el proceso en tiempo real a través de una aplicación.
El restaurante de autoservicio empleó un sistema para analizar la cantidad de vehículos que pasan por el carril de autoservicio en diferentes momentos del día, junto con un análisis del nivel de existencias para comprender los picos de demanda en ciertos elementos del menú.
Al utilizar el BOXER-8221AI, el restaurante de autoservicio pudo registrar datos en tiempo real sobre la cantidad de automóviles esperando en la fila, el tiempo promedio desde el pedido hasta el servicio y la cantidad de ventas perdidas debido a cuellos de botella. Al usar una cámara IP como el "ojo" del BOXER-8221AI, los datos visuales se analizaron en tiempo real utilizando el acelerador de IA de la computadora, el NVIDIA Jetson Nano™. Esto combina el procesador ARM® Cortex®-A57 MPCore de cuatro núcleos con la arquitectura GPU NVIDIA Maxwell™ que cuenta con 128 núcleos NVIDIA CUDA® para una velocidad de procesamiento increíble. También significa que se pueden procesar múltiples imágenes de alta resolución al mismo tiempo, que es exactamente el tipo de especificación que requería el restaurante de autoservicio.
Debido a la implementación del BOXER-8233AI, las medidas de garantía de calidad del restaurante se volvieron completamente transparentes para el cliente, lo que ha provocado respuestas positivas en la prensa. Además, el restaurante pudo prevenir ventas perdidas y reducir el volumen de alimentos desperdiciados a través de fallas en la garantía de calidad.
Además de esto, el dispositivo proporciona datos de inteligencia de gestión significativos para medir el desempeño de diferentes miembros del personal y equipos. Por ejemplo, el dispositivo permite a la gerencia medir la velocidad, la eficiencia, las prácticas de higiene y la precisión del proceso de elaboración de pizzas durante todo el día, y es capaz de discernir el turno con mejor desempeño, junto con los trabajadores con mejor desempeño.
El impacto de la aplicación de reconocimiento de vehículos implementada en el autoservicio de comida rápida no puede ser subestimado. Al registrar datos en tiempo real sobre la cantidad de autos esperando en la fila, el tiempo promedio desde el pedido hasta el servicio y las ventas perdidas como resultado de las demoras, el restaurante pudo planificar mejor las necesidades de personal del autoservicio.
Además, tener datos que permitan al restaurante predecir y planificar de manera proactiva los picos de demanda en ciertos elementos del menú también hace que el inventario y la preparación de alimentos sean más eficientes y, por lo tanto, menos propensos a quedarse sin elementos del menú o a perder dinero a través del desperdicio de alimentos.