Sztuczna inteligencja już na dobre zagościła w wielu branżach - począwszy od logistyki, poprzez przemysł i produkcję skończywszy na usługach. Technologia oparta na algorytmach samouczących nie choruje, nie bierze urlopu macierzyńskiego czy też nie przeżywa kryzysu. Fenomen jej polega na dostosowywaniu się się do środowiska w jakiej przychodzi jej pełnić swoje obowiązki.

Branża artykułów spożywczych nie została pominięta przez rewolucję cyfrową. Jest ona wyjątkowa chociażby ze względu na fakt iż ostateczny produkt dotyczy każdego z Nas. Postanowiliśmy dziś przedstawić państwu kilka przykładów zastosowania AI w przetwarzaniu artykułów spożywczych.  

Sortowanie produktów

Każda firma zajmująca się przetwórstwem żywności musi zachować najwyższą jakość, aby utrzymać się na rynku. Aby o nią dbać proces sortowania surowców - czyli, mówiąc kolokwialnie oddzielanie “ziarna od plew” musi być dopracowany i najbardziej efektywny. Obecnie technologia umożliwia w 100% zautomatyzować proces, który do tej tej pory wymagał ogromnej ilości powtarzalnej ludzkiej pracy. Mało tego, inteligentne systemy wizyjne podnoszą do maximum wydajność i sprawiają, że produkty takie jak owoce czy warzywa mogą trafiać na linie produkcyjną a następnie do klienta bez ludzkiej ingerencji.

Utrzymanie czystości

Ten dość oczywisty temat - jakim jest utrzymywanie sterylnych warunków w procesie produkcji żywności, przysposabia wielu producentom białej gorączki. Spójrzmy na zagadnienie od strony sztucznej inteligencji i spróbujemy znaleźć w niej wsparcie. Zautomatyzowanie produkcji owszem podnosi wiele wskaźników ale nie oznacza do końca, że produkt będzie bezpieczny do spożycia. Jednakże - technologie wizji maszynowej czy też detekcji ultradźwiękowej, monitorują mikrobiologiczne pozostałości i cząstki żywności w urządzeniach. Bazując na takich informacjach w czasie rzeczywistym można reagować i podnosić standard jakości - oraz, oszczędzać substancji używanych do dbania o sterylne środowisko.

System rekomendacyjny

Załóżmy że prowadzimy sieć sklepów i chcielibyśmy zwiększyć sprzedaż win. Obecnie na rynku istnieje niebotyczna ilość produktów z całego świata prezentująca różne smaki i aromaty. Jak w tym gąszczu znaleźć tylko wina które przypadną do gustu klientom? 

Najłatwiej odpowiedzieć na to pytanie posiłkując się przykładem w którym wskażemy Państwu możliwość wykorzystania sztucznej inteligencji. Okazuje się, że sama analiza składu chemicznego wina może wystarczyć do zdobycia informacji na temat jego jakości a co za tym idzie pomagający w wyborze dobrego wina.

Zacznijmy od danych - zbiór z którego będziemy korzystać zawiera informacje o różnych współczynnikach chemicznych takich jak gęstość i zawartość alkoholu oraz oceny wystawione przez testerów dla około 1500 różnych gatunków win. Zobaczmy jak związane są ze sobą poszczególne składniki.

Przedstawiona tabela pokazuje jak mocno zależą od siebie poszczególne cechy. Widzimy, że ocena jest mocno związana z ilością alkoholu, nie zależy jednak prawie wcale od kwasowości lotnej, która w praktyce oznacza zawartość kwasu octowego w winie. Warto w tym miejscu zaznaczyć, że jest to jedynie korelacja a nie bezpośrednia zależność stąd nie można wnioskować o jakości po samej zawartości alkoholu. 

Po co jednak w ogóle rozważamy korelacje tworząc system automatycznie rozpoznający jakość wina? Popatrzmy na poniższe wykresy.

Przedstawiają one zależność oceny od danych z którymi występuje wysoka lub niska korelacja.  Na pierwszym wykresie widzimy, że dane są od siebie wyraźnie zależne. Jeżeli dowiemy się, że jakieś wino leży w lewym dolnym rogu, z dużym prawdopodobieństwem wywnioskujemy, że jest ono niskiej jakości. Model który będzie przewidywał jakość wina jest w stanie nauczyć się tych wzorców i osiągnąć wysokie rezultaty w doborze win. Na drugim wykresie niebieskie i pomarańczowe punkty są mocno wymieszane. Znając jedynie gęstość i ilość dwutlenku siarki, ani człowiek, ani żaden model nie będzie w stanie przewidzieć jakości wina. 

Ponieważ korelacja przynajmniej z kilkoma współczynnikami wyszła całkiem wysoka, przypuszczamy, że jesteśmy w stanie nauczyć model na tych danych.

Ze względu na niewielką ilość danych wybierzemy na początek model decision tree. Okazuje się, że jego skuteczność w ocenie jakości po składzie chemicznym wynosi około 68% to znaczy że w 68% ocenił wino tak samo jak grupa sommelierów. Jest to zdecydowanie lepszy wynik niż losowe dobieranie oceny, ale w łatwy sposób można go poprawić.

Kolejnym modelem który przetestujemy będzie random forest. Podobnie jak przy ocenie win przez ludzi wolimy wziąć średnią z ocen kilku testerów, ponieważ każdy z nich ma swoje własne preferencje, specjalizuje się w innych gatunkach i może akurat mieć gorszy dzień, tak random forest bierze sumaryczną ocenę wielu decision tree. Korzystając z tego poprawiliśmy skuteczność do 82% co daje dobre przybliżenie oceny degustatora. Na wykresie poniżej widzimy krzywe ROC dla obydwóch klasyfikatorów. Jest to jeden ze sposobów oceny jakości modelu. Im bardziej wykres jest “wypukły” tym wyższe prawdopodobieństwo, że poprawnie przewidzi jakość wina. Tak jak przypuszczaliśmy lepszym modelem w tym przypadku jest random forest.

Modele predykcyjne w naszym zagadnieniu osiągają 82% skuteczności człowieka, podejmują decyzje poniżej sekundy, są zawsze dostępe i nigdy się nie męczą.

Podsumowanie

Począwszy od przygotowywania składników, poprzez ich segregację a skończywszy na dobieraniu proporcji, sztuczna inteligencja posiada narzędzia potencjalnie dopasowane do wymagań nawet najbardziej wybrednych producentów artykułów spożywczych. Ponadto, tak jak pokazują przykłady z innych dziedzin gospodarki, analogowe przedsiębiorstwa przegrywają w walce ze swoimi konkurentami z tej samej branży w wyścigu o konsumentów. Osoby, które po przeczytaniu naszego wpisu nadal sceptycznie podchodzą do tematu, zachęcamy do kontaktu z nami.