Нейросеть следит за производством: как ИИ помогает в пивоварении, виноделии и сельском хозяйстве

Здесь и далее фото @Freepic
Искусственный интеллект становится важным звеном технологической цепочки – в индустрии, пищевой промышленности, сельском хозяйстве и других отраслях экономики. Нейросети помогают управлять производственными процессами, снижают влияние человеческого фактора (технологические ошибки) и контролируют производство продукта «от и до». Ключевой цифровой инструментарий: нейросети, компьютерное зрение, алгоритмы распознавания объектов, роботизация. 

О самых интересных примерах рассказал основатель стартапа-разработчика ИИ-сотрудников для бизнеса MAIA Олег Лупиков.

Разберемся, как именно большие данные применяются в сельском хозяйстве и пищевой промышленности. Кстати, пищевая промышленность в прошлом году вошла в число приоритетных отраслей для цифровизации. 

Нейросети пробуют пиво

Профессия дегустатора на пищевых производствах может уйти в прошлое. Нейросети уже сегодня, например, способны распознавать сотни вкусов пива. Чтобы научить компьютерные алгоритмы разбираться в пенном напитке, ученые провели органолептический и химический анализ 250 различных сортов. Пиво не самый простой напиток: у каждого сорта более 200 химических свойств. На это влияет в том числе разнообразие сырья, из которого оно изготавливается: хмель, солод, дрожжи, вода (со своими вкусовыми оттенками), специи и различные добавки. Массив этих данных был использован для обучения нейросетей. 

Вторая категория данных, загруженных в алгоритмы «пивной» нейросети, – отзывы более чем 180 000 потребителей пива с платформы RateBeer (рейтинги разных сортов и производителей пива). Десять моделей нейросетей было обучено на основе этой информации – химических формул и оттенков вкуса. 

В алгоритмы загрузили массив исторических данных, задали определенные предсказательные модели, и нейросети, точнее, построенные на их основе математические модели, научились предсказывать органолептический профиль пива. Кроме того, с их помощью можно предсказывать, какую оценку потребители поставят тому или иному сорту в зависимости от компонентов, влияющих на вкус. 

В перспективе это поможет пивной отрасли как минимум повысить вкусовые качества пива в соответствии с потребительскими запросами. Особенно это актуально, по мнению исследователей, для безалкогольного пива, рынок которого, по прогнозам, будет расти в ближайшей перспективе на 7% в год.  

Сельское хозяйство и ИИ

Системы кормления животных, борьба с сорняками, цифровые двойники коров и взвешивание свиней – только часть разнообразных «преломлений» искусственного интеллекта «на земле». 

Если смотреть в целом, то одна из главных задач нейросетей на фермах – контроль за физиологическим и функциональным состоянием животных. Сначала создается основа – база данных о развитии животного на протяжении всего его жизненного цикла, о его реакциях на разные виды рациона, схемы кормления и кормовые добавки. Чтобы эффективно собирать такие данные, создаются цифровые двойники животных. Для этого используются датчики, которыми «оснащаются» как сами животные, так и помещения, в которых они содержатся. 

Анализируя исторические данные о состоянии животных, нейросети рекомендуют технологам наиболее эффективные рационы кормления. Количество и периодичность раздачи корма определяет ИИ, а вмешательство агронома – минимально. Так как кормление – одна из самых затратных статей бюджета для любой фермы, нейросети помогают сильно сократить затраты. 

Борьба с сорняками – тоже теперь дело нейросетей. Например, в “Русагро” разработали сервис на основе ИИ “АссистАгро”. По сути, это нейросеть, которая умеет идентифицировать различные виды вредителей и сорняков на полях. По классике сельскохозяйственного жанра, чтобы определиться с необходимыми защитными средствами, агрономы осматривают поля и берут образцы растений и почвы. Затем эти образцы анализируются в лаборатории.

Теперь борьба с сорняками устроена иначе. Сначала дроны собирают информацию с конкретных участков полей с помощью аэрофотосъемки. Затем эти снимки загружаются в нейросеть, она их распознает и классифицирует для дальнейшего анализа. В «объектив» нейросети попадают сорняки даже в вегетативной фазе. При этом она умеет отличать друг от друга до 150 видов различных сорняков. 



ИИ помогает «Русагро» также повысить эффективность свекловодства. Свекла – достаточно капризная в плане особенностей посадки и ухода культура. Например, имеет большое значение, как именно располагаются на поле каготы свеклы (горки корнеплодов) после уборки урожая. Уровень сахаристости свеклы напрямую зависит от климата и качества почвы на том участке поля, где она хранится. 

Собирая данные с поля с помощью датчиков (показатели влажности, температуры и пр.), удалось научить нейросеть на их основе строить модели оптимального расположения свеклы на поле и даже последовательности ее уборки. Как рассказал представитель «Русагро», это позволило компании получить эффект в сотни миллионов рублей, а весь проект занял не более трех месяцев.  

На нескольких российских птицефабриках ( Павловской, “Ярославском бройлере”, Моссельпроме) для контроля за рутинными операциями на конвейере применяются системы видеоаналитики Morigan.Lean от российского разработчика. Видеокамеры устанавливаются прямо над рабочими местами. Упаковка, фасовка, выкладка и сборка продукции –  всё фиксируется на камеру, а затем эти данные поступают в центр обработки и загружаются в нейросеть, которая анализирует их и делает выводы о повторяющихся ошибках и недочетах в работе. 

Еще один «фронт работы» для нейросетей – распознавание болезней растений по фото. Ученые из Объединенного института ядерных исследований разработали онлайн-платформу для определения болезней растений с помощью сверточных нейросетей. Эту работу они вели с 2017 года, собрав обширную базу изображений зараженных растений – более 4 000 штук. Если загрузить в эту нейросеть изображение заболевшего растения, система покажет три возможных класса заболеваний. Точность распознавания типа болезни ученые определяют на уровне 98%.

Нейросети для виноделов

Большие данные применяют и в виноделии. Виноградники – это обширные посадки на тысячах гектаров, которые нуждаются в поливе. Расчеты количества необходимой им воды традиционно ведут агрономы. Но многие винодельни, например американская Foley Family Farms, призвав на помощь ИИ, устанавливают на виноградных полях датчики. Они измеряют сразу множество параметров: влажность, температура, скорость ветра и другие. 

Эти данные обрабатываются специальной программой по работе с большими данными, и на их основе делается предиктивный анализ. То есть нейросеть предсказывает, как будет меняться состояние почвы и растений при различном количестве поданной воды. Это позволяет точно рассчитать параметры полива. Причем эти расчеты фермеры получают в удобном виде – в приложении на смартфоне. 

Положительный «побочный эффект» от использования датчиков – сокращение потребности в рабочей силе для контроля за виноградниками. Например, приложение Tule Vision, которое используют виноградари с Foley Family Farms, способно по минутному видео определить, насколько виноградные лозы увлажнены. А это один из ключевых параметров изготовления хорошего вина. Чтобы приложение работало таким образом, в нейросеть, которая лежит в его основе, добавили большой массив исторических данных –сотни изображений лоз в разной степени увлажненности. 

Кроме того, виноделы так же, как и пивовары, используют нейросети для того, чтобы создавать новые вкусы вина и предсказывать реакцию потребителей на них. С помощью приложения от калифорнийской компании Tastry можно проанализировать химический состав вина и определить основные его показатели: сахаристость, кислотность, танинность. Приложение рекомендует виноделу, в каких пропорциях смешивать ингредиенты.

---

Читайте также: Классификация данных: искусственный интеллект, нейросети и высокие технологии на службе бизнес-аналитики

---

Нейросеть для ресторанного рынка

Одна из задач, которые нейросети могут выполнить для рестораторов, – помощь в составлении меню и рецептов. В московском ресторане Bjorn, например, запускали гастрономический сет, к созданию которого было привлечено сразу три нейросети: Midjourney, Chat GPT и Chatsonic. 

Алгоритмы нейросетей обработали большое количество информации: различные ингредиенты и их возможные сочетания, и составили меню. На этот проект ушло несколько месяцев. По словам представителей ресторана, опыт был удачным, но только благодаря основательной доработке рецептов «от нейросети» опытными шеф-поварами. Полностью полагаться в таком вопросе на искусственный интеллект еще рано.

Зато нейросети могут оказаться уже в ближайшее время востребованными для упрощения технической стороны ресторанного бизнеса. Например, в Астраханском государственном техническом университете разработали нейросеть ChefAI (от англ. “Шеф-повар и искусственный интеллект”), которая заточена строго под технологии приготовления рыбных блюд. Нейросеть способна анализировать большой объем технической документации, ГОСТы и СанПиНы, помогая технологам пищевого производства создавать стандарты, проектировать и рассчитывать рецептуры блюд. 

Как отметил автор разработки, создавая эту модель нейросети, он учитывал особенности российского ресторанного рынка с его высокой зарегулированностью по сравнению с рынками других стран. Впрочем, не только это осложняет работу технологов в российском общепите, но и постоянные изменения закупочных цен. Нейросеть призвана упростить для них ежедневные расчеты себестоимости блюд.

Олег Лупиков, 
основатель стартапа-разработчика ИИ-сотрудников для бизнеса MAIA.

Для NEW RETAIL