Método para evitar desperdícios de comida baseado em aprendizado de máquina para o restaurante estudantil do IFSULDEMINAS - Campus Muzambinho

Diego Saqui; Tiago Carlos Batista

doi:10.5585/2025.28319

Autores

Diego Saqui Universidade Federal de Lavras – UFLA, São Sebastião do Paraíso, Minas Gerais, Brasil https://orcid.org/0000-0002-9927-7063
Tiago Carlos Batista Universidade Federal de São Carlos – UFSCar, São Carlos, São Paulo, Brasil https://orcid.org/0009-0000-0384-9884

DOI:

https://doi.org/10.5585/2025.28319

Palavras-chave:

aprendizado de máquina, previsão de produção alimentícia, inteligência artificial, restaurante estudantil, redução de desperdício de alimentos

Resumo

O desperdício de alimentos é um problema global agravado por fatores como pobreza e má gestão, impactando a segurança alimentar e a sustentabilidade. Este estudo propõe o uso de algoritmos de Aprendizado de Máquina (ML) para reduzir o desperdício no Restaurante Estudantil (RE) do IFSULDEMINAS - Campus Muzambinho. Foram coletados dados de produção, descarte, frequência de usuários e meteorológicos, testando três algoritmos: Deep Learning (DL), Random Forest (RF) e Support Vector Regressor (SVR). O RF obteve o melhor desempenho (R²-Score de 0,98 e MAE de 6,97), seguido pelo SVR, enquanto o DL teve os piores resultados. O protótipo do sistema, integrado ao RF, foi validado por um especialista, destacando sua precisão e usabilidade. O estudo sugere a viabilidade do ML para prever demanda e reduzir desperdício. Futuras melhorias incluem a integração automática de dados meteorológicos, visando aprimorar a gestão do RE e promover práticas sustentáveis.

Downloads

Não há dados estatísticos.

Biografia do Autor

Diego Saqui, Universidade Federal de Lavras – UFLA, São Sebastião do Paraíso, Minas Gerais, Brasil

Diego Saqui é Doutor em Ciência da Computação pela Universidade Federal de São Carlos (UFSCar) e Bacharel em Ciência da Computação pela Faculdade Anhanguera de Piracicaba. Atualmente, é docente da Universidade Federal de Lavras (UFLA), no Instituto de Ciência, Tecnologia e Inovação (ICTIN), em São Sebastião do Paraíso/MG.
Suas pesquisas concentram-se em inteligência artificial, visão computacional, aprendizado de máquina e aprendizado profundo. Atua também no desenvolvimento e aplicação de algoritmos de otimização metaheurísticos voltados à solução de problemas complexos em diferentes domínios científicos.

Tiago Carlos Batista, Universidade Federal de São Carlos – UFSCar, São Carlos, São Paulo, Brasil

Tiago Carlos Batista é bacharel em Ciência da Computação (2023) pelo Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais – Campus Muzambinho. Participou do Programa Mediadores Virtuais (2021), destinado ao apoio do ensino remoto durante a pandemia de COVID-19. Entre 2021 e 2023, desenvolveu atividades de pesquisa em projetos de Iniciação Científica, atuando como bolsista PIBIC/CNPq e posteriormente como pesquisador voluntário, com investigações voltadas ao desenvolvimento de soluções inteligentes para gestão e controle de desperdício alimentar. Foi membro do Laboratório de Tecnologias de Software e Computação Aplicada à Educação (LabSoft), onde aprofundou suas experiências em pesquisa aplicada. Realizou estágio obrigatório na área de FinOps (2023), com atividades em administração de sistemas operacionais, computação em nuvem (AWS e IBM Cloud), integração de sistemas, arquiteturas baseadas em contêineres (Kubernetes e OpenShift) e desenvolvimento web com Vue.js. Atualmente, é mestrando em Ciência da Computação na Universidade Federal de São Carlos (UFSCar), atuando na área de Aprendizado de Máquina. Possui familiaridade nas linguagens Python, JavaScript e SQL.

Referências

Batista, T. C., & Saqui, D. (2023). Software de gestão para redução do desperdício no restaurante estudantil do IFSULDEMINAS – Campus Muzambinho. In Anais da 15ª Jornada Científica e Tecnológica e 12º Simpósio de Pós-Graduação do IFSULDEMINAS (Vol. 15, No. 3). IFSULDEMINAS.

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324

Cordenonsi, J. L. (2024). Food waste estimation using machine learning: A case study in a Brazilian food services company (Monografia de MBA, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo). Universidade de São Paulo.

Cortes, C., & Vapnik, V. (2023). Support-Vector Networks for Regression and Classification Tasks: A Review. Journal of Machine Learning Research, 24(118), 1-42.

Costa-Filho, S. V. S. d., Arce, J. E., Montaño, R. N. R., & Pelissari, A. L. (2019). Configuração de algoritmos de aprendizado de máquina na modelagem florestal: Um estudo de caso na modelagem da relação hipsométrica. Ciência Florestal, 29(4), 1501–1515. https://doi.org/10.5902/1980509835334

Engström, R., & Carlsson-Kanyama, A. (2004). Food losses in food service institutions: Examples from Sweden. Food Policy, 29(3), 203–213. https://doi.org/10.1016/j.foodpol.2004.03.004

Ferreira, H. G. R., Alves, R. G., & Mello, S. C. R. P. (2019). O programa nacional de alimentação escolar (PNAE): Alimentação e aprendizagem. Revista da Seção Judiciária do Rio de Janeiro, 22(44), 90–113.

FAO, Food Wastage Footprint (Project). (2013). Food Wastage Footprint: Impacts on Natural Resources: Summary Report. Food & Agriculture Organization of the UN (FAO).

Gooljar, S., Manohar, K., & Hosein, P. (2023). Performance evaluation and comparison of a new regression algorithm. arXiv preprint. https://arxiv.org/abs/2306.09105.

Goodfellow, I., Bengio, Y., & Courville, A. (2023). Deep Learning (Adapted 3rd ed.). MIT Press. https://www.deeplearningbook.org.

Leibovich, Y. H. (2015). Avaliação do consumo alimentar de estudantes frequentadores do restaurante universitário da Universidade de Brasília (Dissertação de mestrado). Universidade de Brasília, Brasília, DF.

Ludermir, T. B. (2021). Inteligência artificial e aprendizado de máquina: Estado atual e tendências. Estudos Avançados, 35(101), 85–94. https://doi.org/10.1590/s0103-4014.2021.35101.007

Marinho, F. P., Brasil, J. S., Rocha, P. A. C., da Silva, M. E. V., & de Amorim Neto, J. P. (2022). Influência dos fenômenos climáticos do El Niño e da La Niña na previsão da média diária de irradiação global na cidade de Fortaleza. Revista Científica Acertte, 2(2), e2253. https://doi.org/10.47820/acertte.v2i2.53

Mitchell, T. (1997). Machine Learning. McGraw Hill.

Moreira, J. P. C. (2022). Sistema Inteligente de Recolha de Resíduos (Master's thesis, Instituto Politecnico do Porto, Portugal).

Nonino-Borges, C. B., Rabito, E. I., Silva, K. d., Ferraz, C. A., Chiarello, P. G., Santos, J. S. d., & Marchini, J. S. (2006). Desperdício de alimentos intra-hospitalar. Revista de Nutrição, 19(3), 349–357. https://doi.org/10.1590/S1415-52732006000300009.

Prajapati, M. (2024). Integrating artificial intelligence and data analytics for supply chain optimization in the pharmaceutical industry. Journal of Electrical Systems, 20(3s), 682–690. https://doi.org/10.52783/jes.1358.

Ribeiro, M. (2023, 8 de agosto). Por que sentimos mais fome no frio? Portal Drauzio Varella. https://drauziovarella.uol.com.br/alimentacao/por-que-sentimos-mais-fome-no-frio/.

Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Santos, J. A. d. (2016). Desperdício de alimentos em restaurantes universitários no Brasil (Trabalho de Conclusão de Curso, Graduação em Nutrição, Universidade Federal do Rio Grande do Norte). Natal, RN.

Santos, K. L. d., Panizzon, J., Cenci, M. M., Grabowski, G., & Jahno, V. D. (2020). Perdas e desperdícios de alimentos: Reflexões sobre o atual cenário brasileiro. Brazilian Journal of Food Technology, 23, e2019134. https://doi.org/10.1590/1981-6723.13419

Santos, Y. D. C. d. F., Saqui, D., & Dos Santos, P. C. (2021). Um método baseado em aprendizado de máquina para previsão da produção de refeições em restaurantes universitários. Anais do XVII Simpósio Brasileiro de Sistemas de Informação, 1–8. Association for Computing Machinery. https://doi.org/10.1145/3466933.3466948.

Saurim, I. M. L., & Basso, C. (2008). Avaliação do desperdício de alimentos de bufê em restaurante comercial em Santa Maria, RS. Disciplinarum Scientia Saúde, 9(1), 115–120.

Scrivano, N. F. T., da Costa, P. C. F., & Costa, J. M. (2020). Uma análise sobre as ferramentas de gestão utilizadas no controle de desperdícios alimentares nos ranchos da Marinha do Brasil. Acanto em Revista, 7(7), 50.

Sharma, A., Singh, P. V., & Musunur, L. P. (2020). Artificial intelligence and robotics for reducing waste in the food supply chain: Systematic literature review, theoretical framework, and research agenda [Preprint]. OSF Preprints. https://doi.org/10.31219/osf.io/h3jgb.

Silva, L. C. e. (2019). Aprendizado de máquina com treinamento continuado aplicado à previsão de demanda de curto prazo: O caso do restaurante universitário da Universidade Federal de Uberlândia (Dissertação de Mestrado), Universidade Federal de Uberlândia. http://dx.doi.org/10.14393/ufu.di.2019.2001.

Souza, S. F. de, Souza, A., Santos, R., & Ramos, M. d. C. P. (2021). Agricultura familiar no Pará e as limitações do Programa Nacional de Alimentação Escolar (PNAE). Anais do 59º Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural (SOBER) & 6º Encontro Brasileiro de Pesquisadores em Cooperativismo (EBPC). https://www.even3.com.br/anais/soberebpc2021/343756-AGRICULTURA-FAMILIAR-NO-PARA-E-AS-LIMITACOES-DO-PROGRAMA-NACIONAL-DE-ALIMENTACAO-ESCOLAR-(PNAE)/10.29327/soberebpc2021.343756.

SRA (Sustainable Restaurant Association). (2010). Too good to waste: Restaurant food waste survey report. Sustainable Restaurant Association, UK.

Vanjari, M. N., Bohra, A., Nagda, K., & Lakhani, M. V. (2023). Machine learning-based food waste management system. Grenze International Journal of Engineering & Technology (GIJET), 9(1), 350–357.

Varela, M. C. M. d. S. (2015). O custo dos desperdícios: Um estudo de caso no restaurante universitário da Universidade Federal do Rio Grande do Norte (Trabalho de Conclusão de Curso, Curso de Nutrição). Universidade Federal do Rio Grande do Norte, Natal.