Исследователи из Вагенингенского университета в Нидерландах разработали ИИ-агента, который точнее традиционных нейросетей предсказывает текстуру пищевых продуктов на растительной основе. Технология может ускорить вывод на рынок новых растительных аналогов мяса и сыров, где правильная консистенция – один из ключевых факторов успеха.
Ключевая трудность в разработке таких продуктов – получение нужной текстуры, которую производители обычно подбирают экспериментально. Традиционные модели машинного обучения (МО) не всегда справляются с этой задачей. Они чувствительны к объёму данных и часто ошибаются, когда состав продукта выходит за рамки изученных образцов, например при добавлении нового вида белка.
Предложенный подход, описанный в журнале Current Research in Food Science, сочетает два метода. Сначала агент находит в обучающей выборке три наиболее близких по составу образца. Затем он корректирует прогноз на основе заложенной в него базы знаний о физико-химических процессах – например, о влиянии разных видов белка (горохового, соевого) на формирование структуры, а также о роли клетчатки и жиров.
Эффективность агента проверили в двух экспериментах. В первом случае модель анализировала образцы растительных аналогов мяса, предсказывая их твёрдость и жевательность. Для усложнения задачи в тестовую выборку намеренно включили продукты с нестандартным содержанием белка и клетчатки, имитируя разработку нового рецепта. Гибридный агент продемонстрировал наименьшую погрешность в прогнозах. Стандартные МО-модели оказались нестабильны, а метод простого поиска по аналогам показал результат хуже случайного угадывания.
Во втором тесте, на более крупном наборе данных о белково-полисахаридных гелях, ИИ-агент также превзошёл конкурентов, особенно точно предсказав предел прочности материала – параметр, с которым у нейросетей возникли наибольшие трудности. Контрольный тест подтвердил, что решающую роль играет именно база знаний. После её отключения эффективность агента упала до уровня простого поиска по аналогам. Преимущество обеспечивает не сама языковая модель, а заложенные в неё научные принципы.
По мнению авторов, такой «гибридный» подход может значительно ускорить и удешевить разработку новых продуктов на растительной основе. В то же время исследователи отмечают ограничения: система требует ручного обновления базы знаний и была протестирована только на двух типах продуктов. В будущем планируется создать самообучающиеся системы, способные анализировать более широкий спектр рецептур и условий обработки.