Hace aproximadamente un año, tuve el privilegio de participar en un proyecto conjunto entre la UNAM y Huawei, centrado en el uso de la Inteligencia Artificial. La iniciativa tenía como objetivo desarrollar una plataforma de recomendación de recetas saludables a precios asequibles, destinada a ayudar a familias mexicanas en situación vulnerable. Esta plataforma se integró posteriormente en la Secretaría de Inclusión y Bienestar Social (SIBISO), una entidad dedicada a proporcionar comidas completas de forma gratuita a personas marginadas, excluidas de los procesos de desarrollo económico y social.
Datos Impactantes: SIBISO en Números
En la SIBISO se preparan diariamente alrededor de 75 mil raciones; a diario cocinan entre 250 a 400 kilos de carne, entre 130 y 180 kilos de arroz y utilizan alrededor de 25 litros de aceite dependiendo de los menus. En el año 2020, se entregaron más de 20 millones de raciones alimentarias.
Sistema de Recomendación y Machine Learning
En este sentido, se propone la implementación de un sistema de recomendación de recursos basado en técnicas de Machine Learning, que permita predecir los costos de insumos para preparar recetas en los comedores comunitarios. De esta manera, se podrán optimizar los costos de producción de alimentos y garantizar la suficiencia de los recursos necesarios para preparar las comidas completas que se ofrecen en los comedores.
Además, se sugiere la utilización de técnicas de recolección de datos para obtener información detallada sobre el consumo de alimentos en los comedores comunitarios. Estos datos pueden ser utilizados para mejorar la calidad de las comidas, ajustar las porciones según la demanda y minimizar los desperdicios.
Justificación: Un Paso Hacia una Gestión Eficiente
La gestión eficiente de los comedores comunitarios requiere una asignación adecuada de presupuestos para los insumos necesarios. Los administradores necesitan mantener un equilibrio entre la calidad y cantidad de los alimentos distribuidos. El uso de modelos de aprendizaje automático facilita el seguimiento de los cambios de precios por diversas variables, proporcionando estimaciones precisas de los costos. Esto, a su vez, contribuirá a una mejor gestión de los recursos y una mayor eficiencia en la preparación de alimentos.
Nuestra Contribución
Mi equipo y yo desarrollamos un conjunto de algoritmos capaces de extraer información de los informes en PDF compartidos por la SEDECO. Utilizando técnicas de web scraping, logramos crear un dataset en formato CSV. Este dataset resulta fundamental para el entrenamiento de un modelo de predicción de series de tiempo, marcando así, los primeros pasos con nuestra contribución tangible a este proyecto.
SEDECO; CDMX