ИИ, инспекция, продукты

ИИ в пищевом секторе: безопасность, качество, анализ

Профотдел
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  

Современные системы искусственного интеллекта могут облегчить не только производственные процессы пищевых компаний, но и проведение аудитов и инспекций.

За последние годы было написано несколько научных статей о том, как обучающиеся системы ИИ (или, как их ещё называют, обучающихся ботов) можно использовать для быстрого обнаружения патогенов в цепи поставок (М. Харрис, 2023), или о том, как совмещение ИИ и технологии блокчейна делает цепь поставок более прозрачной (Патела, 2022). Это лишь отдельные примеры интеграции технологий ИИ, которые помогают сотрудникам и начальникам быстро и верно решать проблемы, связанные с безопасностью пищевой продукции.

Читая самые разные статьи о том, кто и как применяет ИИ, можно сделать вывод, что может быть разработана и применена конкретная система ИИ для проведения аудитов. Такой бот должен будет знать о конкретных рабочих процедурах, этапах производства, типах выпускаемых продуктов, требованиях к системам мониторинга, контроля и инспекции, целях менеджмента.

Два стереотипа

Прежде чем рассказывать, что и как может делать обучающийся бот, стоит сказать о двух популярных, но в корне неправильных мнениях. Во-первых, не стоит бояться, что ИИ оставит вас без работы. Его цель – не заменить человека, а решить самые сложные проблемы, связанные с качеством и безопасностью пищевой продукции. Во-вторых, само наличие системы ИИ ещё не означает, что все проблемы решены.

Однажды чат-боту задали вопрос: кто такая Маша из мультсериала «Маша и медведь»? Бот ответил, что это «призрак девочки, которую когда-то убил медведь». Конечно, этот пример не связан с пищевым сектором, но он наглядно демонстрирует ключевой факт: ИИ, как и человек, изначально не обладает нужными знаниями и нуждается в обучении (поэтому его и называют обучающимся). Ниже мы рассмотрим 10 основных «специальностей», по которым бот может получить «образование».

Боты разные нужны, боты всякие важны

Системы ИИ можно использовать для выполнения следующих задач:

  • Анализ данных
  • Автоматизация регулярных заданий
  • Получение важной информации из больших объёмов данных
  • Анализ предпочтений и поведения потребителей для создания рекомендаций
  • Получение данных об эффективности корректирующих действий после их внедрения
  • Оптимизация распределения ресурсов и утилизации побочных продуктов
  • Помощь в принятии решений
  • Генерация новых терминов
  • Разработка приложений с дружественным интерфейсом, в том числе реагирующих на голосовые команды и жесты, а также узнающих пользователя по лицу
  • Оптимизация маршрутов транспортировки с целью снижения расходов на неё, в том числе расхода топлива

Такое разнообразие задач означает, что существует десять основных типов подготовки систем ИИ для работы в пищевом секторе:

  1. Автоматическая инспекция и контроль качества
  2. Прогнозная аналитика и планирование инспекций
  3. Мониторинг обработки пищевой продукции и прозрачности цепи поставок
  4. Обработка информации для анализа соответствий
  5. Раннее оповещение об инцидентах
  6. Анализ безопасности пищевой продукции и рисков
  7. Динамическое обновление информации о соответствии нормативам
  8. Получение информации о продукте для точной маркировки
  9. Тренинг и повышение квалификации
  10. Интеграция внутреннего интернета (IoT) для мониторинга в реальном времени

Каждая из этих десяти специализаций рассмотрена ниже.

  1. Автоматическая инспекция и контроль качества

Такая система ИИ анализирует визуальные данные (фотографии, видео) камер на линии производства, чтобы обнаружить дефекты, примеси или неоднородности в продукте на всей цепи поставок (например, от забоя животных до доставки в магазин готового мяса). Очевидное преимущество перед ручной инспекцией в том, что ИИ работает быстрее и точнее человека. Что же должно входить в такую систему?

  • Машинное зрение, позволяющее идентифицировать различные физические примеси.
  • Алгоритм машинного обучения для классификации и прогнозирования атрибутов качества и безопасности пищевой продукции на основе полученных изображений.
  • Инфракрасная спектроскопия для обнаружения химических примесей и получения информации о свежести или зрелости продукта. В качестве устройства ввода можно использовать портативный спектрометр.
  • Сенсорные технологии для мониторинга температуры, влажности и других параметров, важных для качества и безопасности продуктов.

2. Прогнозная аналитика и планирование инспекций

Здесь ИИ анализирует исторические данные об инцидентах, результатах инспекций, соблюдении нормативов и на основе этих данных прогнозирует вероятность ключевых проблем оптимизации распределения ресурсов и составления стратегических планов.

Вот с какими инструментами работает такая система ИИ:

  • Платформа прогнозной аналитики.
  • Мониторинг цепи поставок, на основе которого ИИ прогнозирует потенциальные проблемы.
  • Модель машинного обучения конкретным задачам, связанным с безопасностью пищевой продукции. К этим задачам может относиться обработка большого объёма данных или, наоборот, работа с более мелкими файлами, касающимися разных этапов цепи поставок одного и того же продукта.
  • Мониторинг IoT, то есть мониторинг условий хранения и транспортировки и прогнозирование рисков с помощью сенсоров, а также мониторинг надлежащих коммерческих практик (GCP), санитарных стандартных рабочих процедур (SSOP), процессов верификации.
  • ПО для анализа данных обеспечивает их интерактивную визуализацию путём составления графиков и схем. Такое ПО упрощает сбор, интеграцию, анализ и передачу данных о бизнесе и сегодня чаще используется людьми, чем ботами.

3. Мониторинг обработки пищевой продукции и прозрачности цепи поставок

С помощью ИИ можно отслеживать обработку и транспортировку пищевых продуктов для повышения прозрачности цепи поставок и более быстрого реагирования на нарушение или отзыв товара. Для этого ИИ может использовать:

  • Платформы блокчейна, защищённые от взлома и позволяющие точно отследить источник того или иного некондиционного продукта.
  • Мониторинг IoT для интеграции информации с сенсоров и устройств, отслеживающих температуру, влажность и другие условия хранения.
  • Анализ данных с помощью ИИ.
  • Радиочастотную идентификацию (РЧИД) как один из способов прослеживания цепи поставок.

4. Обработка информации для анализа соответствий

Сюда относится обработка информации на естественном языке (NLP), в том числе анализ нормативов, отчётов, переписки и других текстовых данных. Получение этих данных ускоряет анализ соответствий нормативам и стандартам по безопасности пищевой продукции. Для этого используются:

  • Платформы NLP.
  • Модифицированные модели NLP для интерпретации нормативов и документов.
  • Системы менеджмента документов, позволяющие анализировать документы большого объёма.
  • Инструменты семантического анализа для понимания контекста и установления точного значения слов, у которых есть омонимы или разные варианты перевода (например, английское слово plant может означать как «растение», так и «завод»).

5. Раннее оповещение об инцидентах

Разработка системы ИИ, которая быстро оповещает об инцидентах на основе анализа данных, была главной мечтой инспекторов. Вот какие инструменты и оборудование должен использовать такой бот:

  • Сенсоры IoT для автоматической генерации данных об условиях хранения в реальном времени.
  • Платформы прогнозного анализа для прогнозирования проблем с помощью алгоритмов машинного обучения.
  • Платформы блокчейна для быстрой идентификации источников проблем.
  • Модели машинного обучения для распознавания индикаторов, которые могут указывать на потенциальные риски.
  • Платформы интеграции данных из различных источников для немедленной генерации сообщений о нарушениях.

6. Анализ безопасности пищевой продукции и рисков

Анализ рисков – это процесс, отнимающий много времени. Очевидное преимущество ИИ в том, что он может выполнять этот анализ быстрее. К факторам риска, подлежащим анализу, относятся методы производства, условия транспортировки и исторические данные. Вот что можно использовать для анализа:

  • Платформы анализа риска, в том числе таких факторов, как примеси, условия транспортировки, соответствие нормативам.
  • Инструменты прогнозного анализа, основанного на исторических данных.
  • Модели машинного обучения для учёта конкретных факторов риска, связанных с безопасностью пищевой продукции.
  • Мониторинг IoT и платформы анализа данных.

7. Динамическое обновление информации о соответствии нормативам

С помощью ИИ пользователь может оставаться в курсе последних изменений в нормативах путём мониторинга этих изменений и интерпретации обновлений. Эти технологии могут быть использованы совместно с национальными и международными стандартами для исправления внутренних процессов и исполнения корректирующих действий. Для этой цели ИИ нужны:

  • ПО для отслеживания соответствия нормативам.
  • Платформы анализа текста и NLP для получения информации из нормативных текстов.
  • Системы менеджмента документов для ускорения отслеживания и обновления документации.
  • Платформы автоматического мониторинга соответствий, позволяющие ИИ не только отслеживать изменения, но и сообщать о том, что нужно для соответствия им.

8. Получение информации о продукте для точной маркировки

ИИ может автоматически собирать с получаемых упаковок информацию о сырье и способах его обработки для составления точной маркировки готового продукта, в том числе информации об аллергенах, сроках годности, полезном составе, стране производства сырья. Для этого ему нужно следующее:

  • Системы компьютерно-визуальной инспекции, с помощью которых ИИ читает и интерпретирует маркировку сырья.
  • Оптические инструменты для распознавания символов, позволяющие получать информацию из картинок.
  • Платформы NLP для обработки текстовой информации и получения важных деталей.
  • Модели машинного обучения для распознавания и получения конкретной информации о продукте.

9. Тренинг и повышение квалификации

Программы тренинга, составленные с помощью ИИ, могут улучшить навыки сотрудников и инспекторов с помощью виртуальных симуляций и персонального интерактивного обучения. Вот примеры:

  • Персональное обучение с использованием алгоритмов ИИ, который анализирует данные об обучаемом сотруднике и создаёт оптимальную учебную программу с целью исправления конкретных ошибок в работе.
  • Интерактивные симуляции с помощью виртуальной (ВР) или дополненной (ДР) реальности, симулирующей реальные сценарии и позволяющей обучаемым отработать протоколы безопасности пищевой продукции.
  • Системы адаптивного обучения, исправляющие сложность и содержимое тренировочных модулей на основе индивидуального прогресса каждого из обучаемых.
  • NLP для организации интерактивных бесед, тестов и анализа успешности тренинга в целом.
  • Анализ данных об эффективности мониторинга, с помощью которого ИИ отслеживает успехи обучаемых и определяет, по каким вопросам нужен дополнительный тренинг.

10. Интеграция внутреннего интернета (IoT) для мониторинга в реальном времени

Мы уже несколько раз упоминали IoT как способ мониторинга условий хранения, транспортировки и обработки продуктов. Такую технологию уже применяют для программ мониторинга окружающей среды (ЕМР). Что же нужно для такого мониторинга, кроме самих IoT-платформ?

  • Системы беспроводной связи для мониторинга температуры, влажности и других параметров в реальном времени.
  • Максимизация вычислительных возможностей компьютеров для быстрой обработки данных.
  • Платформы анализа данных, генерируемых IoT.
  • Технология блокчейна, улучшающая прослеживаемость и прозрачность.

Заключение

Обучающийся ИИ ценен тем, что может быстрее и эффективнее человека обрабатывать большие объёмы данных, вычислять сложные статистические модели, оценивать исторические и современные тенденции, идентифицировать факторы риска. Но у этой технологии, как и у любой другой, есть недостатки:

  1. Кибербезопасность. Большое количество связанных устройств мониторинга (IoT) повышает риск кибератак на компанию или цепь поставок.
  2. Совместимость. Обеспечение совместимости и бесперебойной связи между устройствами IoT, у которых могут быть разные производители и операционные системы, может оказаться затруднительным.
  3. Расходы. Подключение обучающегося бота к системе IoT может оказаться недешёвым, однако полученная выгода (то есть повышенная гарантия качества и безопасности) должна компенсировать расходы.
  4. Масштабность. Чем больше данных одновременно получает ИИ, тем медленнее он их обрабатывает.

Источник: crispy.news

Метки