Hej Michael, berätta lite om din resa hittills och hur du hamnade på FoodFacts?

Jag är ursprungligen från Mexiko där jag studerade mekatronik, en kombination av mekanik, elektronik och datavetenskap. Jag har en magisterexamen i AI från Edinburgh University och undervisade sedan en kurs som heter datorseende för robotar vid Monterrey Institute of Technology.

Jag kom till Sverige för att ta en magisterexamen i entreprenörskap och har mest nyligen arbetat på en elbilsstart-up där jag bygger deras självkörande algoritmer och försöker hitta sätt att producera en bil som minimerar föroreningar.

För ungefär ett år sedan fick jag reda på att FoodFacts letade efter någon som kunde hitta ett sätt att uppskatta volymen av varje ingrediens i en livsmedelsprodukt. Att utveckla en algoritm som automatiserar denna beräkning. Och det verkade vara den perfekta utmaningen för mig där jag kunde använda all min kunskap inom AI och maskininlärning, så jag sökte tjänsten och har nu arbetat på det specifika projektet om volymbestämning sedan dess, tillsammans med annat.

Kan du berätta lite om hur du utvecklade volymbestämningsalgoritmen och vad det är?

Volymbestämningsalgoritmen jag har utvecklat uppskattar i princip receptet för varje produkt ned till ingrediensnivå. Till en början finns det några saker som vi vet om en produkt, till exempel att ingredienslistan är skriven i fallande ordning (från störst till minst kvantitet) och vi har också näringsvärdet tillgängligt. Med denna information kan vi skapa ekvationer för att beräkna volymen av varje ingrediens bakåt.

I en idealisk värld skulle vi basera sådana beräkningar på en standardindustripraxis med exakta recept från alla, men den världen existerar inte. Märken delar vanligtvis inte sina recept av goda skäl. Vi kan skapa beräkningar som är tillräckliga uppskattningar av ingrediensernas volymer som öppnar upp många möjligheter. Det är riktigt användbart när vi automatiserar uppskattningar av en livsmedelsprodukts koldioxidavtryck. Varje ingrediens tilldelas sitt eget koldioxidutsläpp och vi kan undvika att använda komplexa och dyra analyser av produktens hela livscykel och ändå få en riktigt bra uppskattning av koldioxidavtrycket. Det demokratiserar möjligheterna att beräkna koldioxidavtryck, produkter kan jämföras på ett rättvist och vetenskapligt sätt, vilket möjliggör nya digitala tjänster eller bättre affärsbeslut. Det har varit en lång process att utveckla detta, det handlar inte bara om ekvationerna utan också vilken programmeringsbibliotek att använda för att lösa komplexa matematiska problem, hur man integrerar begränsningar och genererar begränsningar med hjälp av datorprogram. Felsökning av algoritmen tar upp det mesta av tiden. Men jag har kunnat använda min erfarenhet av både maskininlärning och AI som har varit super värdefull längs vägen. Vi har också verifierat vår hypotes för koldioxidavtryck med expertis från Stockholm Resilience Center för att titta på förpackningens påverkan och kombinerat det med data från RISE för att öka automatiseringsnoggrannheten.

Vilken matfakta tycker du att alla borde känna till?

Matbrist är egentligen bara ett problem med logistik. Vi producerar tillräckligt med mat för att hålla alla i världen välmatade, men vi slänger bort ungefär en tredjedel av det som produceras. Detta inkluderar matavfall vid produktions- och distributionsstadierna, liksom mat som kastas bort av konsumenter, restauranger, etc.