Штучний інтелект (ШІ) вийшов за межі мозкових штурмів і став частиною робочої інфраструктури інновацій у харчовій галузі та галузі напоїв. Постачальники інгредієнтів, розробники продуктів і великі бренди використовують спеціалізовані системи, щоб упорядковувати дослідження, моделювати рецептури, прогнозувати поведінку інгредієнтів, інтерпретувати споживчі сигнали й зменшувати кількість фізичних випробувань перед комерціалізацією. Про це повідомляє Food Ingredients First.

Головне:

  • ШІ стає практичним інструментом для досліджень і розробок (R&D) у харчовій галузі, допомагаючи командам швидше досліджувати, розробляти рецептури, тестувати та вдосконалювати продукти;
  • його найбільша цінність — у звуженні кола варіантів, прогнозуванні поведінки інгредієнтів і поєднанні даних про споживачів, безпечність, сталість і рецептури;
  • людська експертиза залишається незамінною, адже смак, технологічність, регулювання й довіра все одно потребують перевірки в реальних умовах.

Ще до того, як дійти до лабораторного столу, розробники можуть використовувати ШІ, щоб відкидати очевидно безперспективні напрями, порівнювати суперечливі вимоги й вирішувати, які рецептури варто тестувати. 

Утім, їжу зрештою потрібно скуштувати, переробити, виготовити, схвалити регуляторно й забезпечити довіру до неї. Технологія не замінює харчових науковців — вона допомагає їм вирішувати, що тестувати, що відкинути й на чому зосередити свою експертизу.

Швидший шлях від запитання до експерименту

Дослідження на ранній стадії — одне з найдоступніших застосувань. Перш ніж сформується рецептура, розробникам потрібно поєднати інформацію про інгредієнти, нутриціологію, споживчу поведінку, регулювання, культуру й технічну здійсненність. 

Платформа MattsonIQ від Mattson має скоротити цей процес, даючи фахівцям структуровані, галузеві відповіді замість загальних результатів пошуку. Головний директор Mattson зі ШІ Стів Ґандрам описує ШІ як «цілодобового партнера для роздумів», що розширює творчі й технічні можливості команди.

Ingredion застосовує цей підхід безпосередньо до вибору інгредієнтів через асистента Ask Ingredion. Розробник може почати з практичної задачі — заміна інгредієнта, досягнення цілей «чистої етикетки» (clean label), зниження вартості чи певної текстури, — а асистент розпитує про застосування, умови переробки й потрібну функціональність, після чого пропонує варіанти для порівняння, замовлення зразків або обговорення з технічним експертом.

«Жодна проблема в цій сфері не вирішується самим лише ШІ», — каже Кріс Ріган, керівник Центру передового досвіду цифрового маркетингу Ingredion. 

Інструмент має пришвидшити шлях до пілотного чи паралельного випробування, а не оголосити готову відповідь.

Від генерування рецептів до рецептурного інтелекту

Наступний етап амбітніший: використання ШІ, щоб міркувати в межах обмежень, які роблять розробку харчових рецептур складною. 

Formula AI від TraceGains дає науковцям змогу генерувати потенційні рецептури, порівнювати варіанти, досліджувати заміни та зберігати логіку внесених змін. Рекомендації можуть враховувати вартість, нутриціологію, алергени, походження сировини, маркетингові твердження, регулювання й функціональність інгредієнтів. Мета — «не просто створити рецепт», а допомогти науковцям зрозуміти рецептурну логіку, що стоїть за рекомендацією, каже Джон Торп, старший директор з управління продуктом TraceGains.

Правдоподібний перелік інгредієнтів — це ще не готовий до виробництва продукт. Зниження вмісту цукру може вплинути на текстуру й збереження, а новий білок — змінити в’язкість, вивільнення смаку чи технологічну стійкість. Цінність ШІ саме в тому, щоб урахувати більше цих взаємозв’язків, перш ніж команди витратять час і матеріали. Corbion та IFF також застосовують ШІ, щоб поєднувати складні набори даних з рецептурними рішеннями.

«Це не замінює глибокої наукової експертизи — це її посилює», — резюмує директорка з управління проєктами Corbion Сімоне Кок, зазначаючи, що технологія може моделювати взаємодію змінних, які традиційна розробка тестувала б послідовно.

Смак і текстура лишаються вирішальним випробуванням

Альтернативні білки демонструють і потенціал передбачуваної розробки, і складність її застосування до їжі. 

Food Intelligence Lab від Food System Innovations поєднує результати навчених сенсорних панелей з інструментальними вимірами — аналізом профілю текстури, pH, тестами на зсув і даними про молекулярний склад, — щоб будувати моделі, здатні прогнозувати, наскільки близько сталі білкові продукти нагадують еталони тваринного походження.

Директорка лабораторії з машинного навчання Анна Томас описує формулювання їжі як «задачу оптимізації», що балансує споживчу прихильність із такими обмеженнями, як вартість і нутриціологія. У ранніх тестах за участю двох категорій рослинних аналогів молочних продуктів лабораторія повідомила, що керована експертами оптимізація підвищила сенсорну задоволеність протягом одного тижня.

«Спеціалізовані моделі ШІ могли б ефективно проводити скринінг рецептур», проте сенсорні панелі залишатимуться ключовими для визначення того, чи справді продукт подобається споживачам, каже Томас.

Співпраця True Nexus і компанії квантових обчислень Pasqal спрямована на вирішення суміжної проблеми функціональності білків: їхній проєкт має прогнозувати, як білки утворюють гель, зв’язують воду, емульгують, піняться, загущують і поводяться в промислових умовах. 

Виконавчий директор True Nexus Домінік Грабінскі називає функціональність «одним із найкритичніших рубежів у харчових інноваціях»: білки не є взаємозамінними товарами, а їхня продуктивність залежить від джерела, методу екстракції, чистоти, концентрації, pH, температури, зсуву й самої рецептури.

ШІ виходить за межі лабораторії

ШІ також поєднує розробку продукту зі сталістю, безпечністю та споживчим «відкриттям». 

Corbion використовує прогнозне моделювання, щоб імітувати ріст мікроорганізмів у виробничих умовах, даючи виробникам змогу оцінювати ризик листерії та коригувати рецептури до появи проблем. Уникнення відкликання продукції — це водночас результат і для безпечності, і для сталості, адже запобігає відходам. IFF інтегрує дані постачальників, публічні та внутрішні дані, щоб оцінювати вуглецевий слід рецептур смаку, зберігаючи їхню ефективність.

Нижче за ланцюгом Unilever використовує ШІ, щоб пришвидшувати розробку рецептур і покращувати те, як продукти з’являються в згенерованих ШІ рекомендаціях. Цифрове моделювання допомогло компанії визначити перспективні поєднання інгредієнтів для пасти Knorr Fast & Flavourful ще до фізичних випробувань, скоротивши час розробки вдвічі.

«Штучний інтелект змінює можливості пошуку, підвищуючи вимоги до того, як ми презентуємо себе»., — каже Олівія Кірбі, директорка з інтегрованої генерації попиту Unilever Foods. 

Брендам тепер потрібен контент, корисний для людей і структурований достатньо чітко, щоб його могли інтерпретувати великі мовні моделі й рекомендаційні системи.

Довіра — фінальний інгредієнт

Потреба у верифікації виходить за межі розробки продукту. Компанія Food Alert попереджає про сфабриковані ШІ скарги на продукти — зокрема змонтовані зображення забруднення чи недостатньої термообробки та ретельно структуровані листи-скарги, покликані спричинити повернення коштів або викликати регуляторне занепокоєння.

«Бар’єр для створення дуже переконливого зображення їжі різко впав», — каже технічна директорка Food Alert Аннабель Кайл. 

Коли ШІ здатен генерувати переконливі рекомендації, докази й наративи, компаніям потрібні надійні вихідні дані, збережені записи рішень, чітка підзвітність і люди, здатні виявити, коли результат не відповідає реальності.

ШІ стає частиною інноваційної інфраструктури харчової галузі, але саме лише його впровадження не створить довготривалої переваги. Найсильніші системи поєднуватимуть власні, специфічні для харчової галузі дані із зрозумілими рекомендаціями, фізичною валідацією та досвідченим науковим судженням. 

Згенерувати рецепт — найлегша частина. Складніше випробування полягає в тому, чи здатен ШІ допомогти створити їжу, яка витримає лабораторний стіл, завод, регуляторний розгляд і, зрештою, споживача.

Джерело: Food Ingredients First