Автор: София Ованесова. В России АПК пока слабо использует искусственный интеллект (согласно данным ВШЭ за 2022 год, только 4,7% организаций сельского хозяйства внедряли ИИ), однако ситуация постепенно меняется. В 2023 году Минэкономразвития выбрало сельское хозяйство в целом и пищепром в частности в качестве приоритетных отраслей для внедрения ИИ.

На уровне крупных агрохолдингов ИИ уже давно используется на всех этапах производства продукции — от управления полевыми работами до упаковки готовой продукции и взаимодействия с конечным потребителем.

ИИ открывает широкие возможности для производства продуктов питания. По данным Technavio, чаще всего на рынке пищевой промышленности технологии ИИ используются в логистике, продуктовом планировании и контроле качества. Отобрали в материале интересные кейсы внедрения ИИ в российской пищевой промышленности.

Контроль качества сырья

ИИ и МО можно задействовать на всех этапах контроля качества сырья. Системы обнаружения дефектов на базе компьютерного зрения могут анализировать фотографии сырья и оценивать его качество по заданным параметрам. В выборку могут попасть нехарактерные пятна, посторонние предметы, загрязнения или повреждения. Это предотвратит попадание некачественного сырья в производственный процесс. Также модели машинного обучения могут непрерывно мониторить параметры качества сырья на протяжении всего цикла производства и прогнозировать его изменение в зависимости от условий.

Кейс

Компания «Малленом Системс» разработала интеллектуальную систему «ВИСКОНТ.Свекла», которая оценивает качество сахарной свеклы в кузове грузового автомобиля. Обычно этим занимается персонал предприятия, который принимает решение, отправлять овощи на хранение или на переработку. По данным компании, при «человеческом» анализе точность решений составляет 60–70%. Интеллектуальная система производит съемку кузова грузовика и при помощи нейронных сетей оценивает его содержимое по количеству сколов, объему ботвы, загрязненности и подмороженности. К каждому из параметров применяются весовые коэффициенты, а итоговый показатель сравнивается с порогом, который устанавливается в зависимости от загрузки производства. Система работает на Знаменском сахарном заводе ГК «Русагро». Как утверждают в «Малленом Системс», она принимает решения с точностью выше 90%.

Мониторинг соблюдения норм безопасности и гигиены сотрудниками

Человеческий фактор на производстве несет определенные риски, так как никто не застрахован от ошибок, халатности и усталости. Системы компьютерного зрения и распознавания образов могут анализировать соблюдение санитарных норм и норм безопасности труда, что сокращает влияние человеческого фактора на качество продукции и снижает число производственных травм. Алгоритмы машинного обучения могут прогнозировать потенциальные нарушения и помогают предпринять меры для их предотвращения.

Кейс

Connectome.ai разработала решение «Direktiva: санитария», которое на основе систем машинного зрения контролирует тщательность мытья рук сотрудниками на производстве. Уточняется, что контроль ведется по Европейскому стандарту обработки рук EN-1500. С помощью системы распознавания лиц происходит идентификация работника. После этого система отслеживает использование мыла сотрудником, его движения рук и время мытья. Работник сможет попасть на производство только тогда, когда выполнит все рекомендации. «Direktiva: санитария» используется на предприятиях ГК «Дамате» по переработке индейки.

Оптимизация производственных процессов

Технологии машинного обучения могут анализировать данные производственных процессов, выявлять зависимости между широким спектром параметров и условий. Это позволяет находить места в производственном цикле, где изменение процессов приведет к сокращению издержек, оптимальным соотношениям ингредиентов в конечном продукте и использованию оборудования и в итоге к повышению эффективности предприятия.

Кейс

Softline Digital разрабатывает прогнозную модель по оптимизации технологического процесса производства для международного производителя продуктов питания и кормов для животных. Перед заказчиком стоит задача обеспечить определенный процент влажности в корме, чтобы животным было удобно его есть и одновременно чтобы при его производстве оптимально использовались ресурсы, в том числе вода. Увлажненность продукта зависит от многих внутренних и внешних параметров: открытых дверей и окон, количества людей и сырья в помещении, погодных условий снаружи – дождя, снега и др. На основе разрабатываемой модели можно будет точно спрогнозировать, при каких вводных данных получится качественный итоговый продукт. Разработчики ожидают увидеть результат в натуральных показателях через полгода после внедрения системы на производстве.

Автоматизация пищевого производства

ИИ играет ключевую роль в автоматизации как пищевой промышленности, так и других отраслей экономики. С его помощью управляются и взаимодействуют промышленные роботы, а участие человека сводится к минимуму. Такой подход позволяет оптимизировать процессы производства, повысить безопасность и сократить расходы на персонал.

Кейс

В России есть яркий пример роботизированного завода по производству сырокопченых колбас. ГК «Черкизово» в 2018 году запустила предприятие, в котором весь процесс — от приемки сырья до отгрузки готовой продукции — выполняется роботами. Как подчеркивал гендиректор группы Сергей Михайлов, компания использовала философию промышленной революции, где искусственный интеллект и роботы общаются между собой, они понимают, когда сырокопченая колбаса созрела и когда ее нужно перевести в другую камеру и отправить на упаковку. Автоматизация завода позволила сократить число работников с 800 до 170 человек, среди которых остались инженеры, механики, уборщики, водители погрузчиков.

Прогнозирование поведения покупателей и спроса

ИИ открывает широкие возможности для пищевой промышленности в области маркетинга и прогнозирования спроса. Алгоритмы МО могут обрабатывать большие объемы данных о продажах, поведении потребителей, ситуации на сырьевых рынках и других факторах, которые могут влиять на продажи продуктов питания. Помимо этого, ИИ способен прогнозировать предпочтения потребителей и создавать персонализированные маркетинговые компании или предлагать более точные рекомендации клиентам.

Кейс

GoodsForecast совместно с КРОК внедрили систему прогнозирования заказов на заводе по производству индейки. GoodsForecast разработал модели, которые позволяют прогнозировать изменения спроса на две недели вперед и заказы «на завтра» и «на послезавтра», а также настроил модели балансировки заказов по производственным площадкам с учетом различных ограничений и приоритетов. Производитель оценил эффект от внедрения решения в 60 млн рублей дополнительной прибыли.