Компанія Food System Innovations (FSI) запустила Food Intelligence Lab  — нову міждисциплінарну ініціативу для створення ШІ-інфраструктури, необхідної для прискорення досліджень у секторі сталого білка. Як повідомляє FoodBev Media, лабораторія вже довела: ШІ-система покращила сенсорні характеристики рослинного грецького йогурту на 29% лише за 10 ітерацій протягом п’яти днів.

Компанія Food System Innovations (FSI) запустила Food Intelligence Lab — нову міждисциплінарну ініціативу, розроблену для створення інфраструктури штучного інтелекту, необхідної для прискорення досліджень і розробок у секторі сталого білка.

За підтримки гранту у розмірі $2 млн від Фонду Землі Безоса, наданого минулого року, лабораторія розроблятиме набори даних з відкритим кодом, моделі машинного навчання та інструменти бенчмаркінгу, спрямовані на скорочення термінів розробки продуктів та покращення сенсорних характеристик рослинних та інших стійких білкових продуктів.

Ця заява з’явилася на тлі того, що компанії, які виробляють альтернативні протеїни, продовжують стикатися з уповільненням впровадження споживачами — частково через постійні побоювання щодо смаку та текстури, незважаючи на багаторічні інвестиції у вдосконалення рецептур.

Анна Томас, директорка з машинного навчання в Лабораторії харчової аналітики та науковиця з інформатики Стенфордського університету, сказала: 

«Штучний інтелект вже трансформує такі галузі, як розробка ліків та матеріалів, але харчовій промисловості все ще бракує спільної інфраструктури, необхідної для повного розкриття потенціалу ШІ в цій сфері. Ми створюємо інструменти, які допоможуть вченим-харчовикам швидше виконувати ітерації та створювати справді виняткові стійкі білкові продукти».

На відміну від таких секторів, як фармацевтика, де великі публічні набори даних прискорили розвиток штучного інтелекту, розробка харчових продуктів залишається обмеженою фрагментованими даними, власними дослідженнями та дорогими експериментальними циклами.

Лабораторія харчової аналітики прагне усунути цю прогалину, створюючи великомасштабні відкриті набори даних, які поєднують сенсорні оцінки з інструментальними вимірюваннями — аналізом профілю текстури, pH та випробуваннями на зсув. Ці ресурси стануть основою для моделей штучного інтелекту, здатних прогнозувати атрибути, важливі для споживача, включаючи смак і текстуру, ще до того, як продукти пройдуть фізичне тестування.

Ініціатива також співпрацюватиме з харчовими компаніями, академічними дослідниками та некомерційними організаціями для впровадження цих моделей у комерційні робочі процеси досліджень та розробок.

FSI відзначила ранню співпрацю з Proxy Foods AI, в рамках якої команди розробили систему оптимізації, відому як експертно-керована баєсівська оптимізація (Expert-Guided Bayesian Optimisation). 

За даними організації, система штучного інтелекту покращила сенсорні характеристики рослинного грецького йогурту на 29% лише за 10 ітерацій рецептури, виконаних протягом п’яти днів. Оптимізована рецептура відповідала тесту на тваринній основі за трьома з чотирьох ключових сенсорних характеристик — консистенцією, кремовістю та терпкістю.

FSI також повідомила, що EGBO перевершила професійного вченого-харчовика, який працював за тих самих часових обмежень, досягнувши вищого бала оптимізації та швидше розробивши сильнішу рецептуру.

Панос Костопулос, засновник і генеральний директор Proxy Foods AI, сказав: 

«Вчені-харчовики не повинні витрачати місяці на метод спроб і помилок, щоб отримати правильну текстуру, відчуття в роті, смак і післясмак. Співпраця з Лабораторією харчової аналітики FSI для відкритого доступу до цих інструментів — це спосіб пришвидшити ці прориви та зрештою змінити те, як ми годуємо планету, на краще».

Окрім оптимізації рецептури, лабораторія також розробляє інструменти штучного інтелекту для прогнозування сенсорних результатів, що може зменшити залежність галузі від дорогих та трудомістких дегустаційних панелей споживачів.

Нещодавно дослідники представили TasteBench — відкритий бенчмарк та конкурс Kaggle, який оцінює моделі штучного інтелекту за їхньою здатністю передбачати, наскільки продукти зі стійким білком схожі на аналоги тваринного походження. За даними FSI, найсильніша модель штучного інтелекту наразі працює приблизно на рівні середнього сенсорного експерта людини.

Організація вважає, що поєднання наукової літератури, експериментальних даних, базових моделей та людського досвіду зрештою дозволить системам штучного інтелекту рекомендувати наступний найкращий експеримент з рецептурою, що значно скоротить терміни розробки.

Для сектору альтернативних білків, де сприйняття споживачами залишається тісно пов’язаним із сенсорною якістю, точніші інструменти прогнозування можуть допомогти компаніям швидше виводити на ринок продукти з кращими характеристиками, одночасно зменшуючи залежність від дорогих експериментів методом спроб і помилок.

Роблячи свої набори даних, бенчмарки та моделі відкрито доступними, FSI також сподівається знизити бар’єри для стартапів, академічних дослідників та відомих виробників, заохочуючи тіснішу співпрацю в рамках екосистеми сталого білка.

Дослідження Food Intelligence Lab, включаючи статті про EGBO та TasteBench, будуть представлені на семінарі «Штучний інтелект для наукових відкриттів» під час Міжнародної конференції з машинного навчання 2026 року.

Джерело: FoodBev Media