Применение методов машинного обучения для проектирования гранулированных продуктов

<jats:p>Пищевые продукты определяются такими основными факторами, как сырье, рецептура и технология производства. Каждое сырье можно идентифицировать по его химическому составу, точно так же, как и конечный продукт. Если соотнести химический состав ингредиентов продукта и его конечный состав, то можно построить ряд моделей, в основе которых лежит технология искусственного интеллекта. Эти модели будут способны предсказывать химический состав продукта с использованием иного сырья, при этом рецептура к данному продукту еще не была разработана. Для этой цели подойдет одна из технологий искусственного интеллекта под названием «машинное обучение». В данном исследовании был разработан алгоритм применения методов машинного обучения для составления рецептуры и подбора сырья для производства гранулированных продуктов. Было рассмотрено 4 вида продуктов: морсы, кисели, сухие завтраки и напитки. В рассматриваемых продуктах был определен ряд основных компонентов, а также их процентное содержание в конечном продукте. Разработано более 500 рецептур проектируемых продуктов на основе порядка 30 видов исходного сырья. Для проектирования рассматриваемых продуктов разработан алгоритм формирования набора данных, который включает в себя предварительную обработку данных. На основе алгоритма составлен набор данных, который состоит из химического состава компонентов исходного сырья и химического состава готового продукта. Также рассмотрен ряд методов машинного обучения, которые являются наиболее подходящими для решения поставленной задачи. Прогноз конечного химического состава проектируемого продукта выполнен с применением рассмотренных моделей машинного обучения. Для каждого проектируемого продукта были получены оценки моделей и выделены те модели, которые показывают наилучший результат. На основе созданного алгоритма разработана программа ЭВМ, в которую интегрировали обученные модели искусственного интеллекта. С помощью данного продукта был смоделирован ряд рецептур киселя, которые затем подверглись органолептической оценке. На ее основе определена наилучшая рецептура и принята на производство.</jats:p> <jats:p>Food products are defined by key factors such as raw materials, formulation, and production technology. Each raw material can be identified by its chemical composition, just like the final product. By correlating the chemical compositions of a product's ingredients with its final composition, a series of models based on artificial intelligence technology can be built. These models will be able to predict the chemical composition of a product using different raw materials, even if the formulation for this product has not yet been developed. One artificial intelligence technology, machine learning, is suitable for this purpose. In this study, an algorithm was developed for applying machine learning methods to formulate and select raw materials for the production of granulated products. Four types of products were considered: fruit drinks, kissels, breakfast cereals, and beverages. A number of key components were identified in these products, as well as their percentage content in the final product. Over five hundred recipes for the planned products were developed, based on approximately thirty types of raw materials. To design the products under consideration, an algorithm for generating a data set was developed, including data preprocessing. Based on this algorithm, a data set was compiled consisting of the chemical composition of the feedstock components and the chemical composition of the finished product. A number of machine learning methods were also considered, which were most suitable for solving the problem. The final chemical composition of the designed product was predicted using the machine learning models considered. For each product under consideration, model evaluations were obtained, and the models with the best results were identified. Based on the developed algorithm, a computer program was developed that integrated trained artificial intelligence models. Using this product, several jelly recipes were simulated, which were then subjected to organoleptic evaluation. Based on this evaluation, the best recipe was determined and accepted for production.</jats:p>