AI-система оптимізації рецептур харчових продуктів

На розробку нової рецептури харчового продукту йде від кількох місяців до року. Кожна ітерація — лабораторний синтез, дегустації, тести на термін зберігання. Перебір наосліп призводить до десятків тупикових гілок та мільйонних втрат. Ми впровадили AI-системи, які скорочують цей шлях у 3–5 разів. Наші рішення працюють на 20+ виробництвах: від хлібобулочних виробів до соусів та напоїв. Середнє зниження собівартості рецептури — 15–20%, термін окупності системи — 3–6 місяців. В одному з проєктів ми оптимізували рецептуру кетчупу: за 60 ітерацій Bayesian optimization знайшов склад, що знижує собівартість на 18% без погіршення смаку. Термін зберігання збільшився з 12 до 15 місяців за рахунок оптимізації кислотності.

Система будується на трьох компонентах: сурогатна модель органолептики, multi-objective оптимізація та прогноз терміну придатності. Нижче — технічні деталі кожного блоку.

Як AI-система прискорює оптимізацію рецептур?

Замість випадкового перебору (200–500 ітерацій) Bayesian optimization з GP-сурогатом знаходить оптимум за 50–100 ітерацій. Алгоритм Expected Improvement вибирає точку з максимальним потенціалом покращення, що знижує витрати на лабораторні тести.

Як ми будуємо сурогатну модель органолептики?

Смак, запах і текстуру не можна обчислити аналітично — тільки виміряти експериментально. Ми навчаємо Gaussian Process регресію на даних дегустацій. Модель не тільки передбачає оцінку, але й видає невизначеність: чим вище std, тим пріоритетніший лабораторний тест.

import pandas as pd
import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern, WhiteKernel

class RecipeSurrogateModel:
    """
    Surrogate model органолептичних властивостей рецептури.
    Навчається на експериментальних даних дегустацій.
    """

    def __init__(self, sensory_attributes):
        """sensory_attributes: ['sweetness', 'saltiness', 'texture', 'color', ...]"""
        self.attributes = sensory_attributes
        self.models = {}

        for attr in sensory_attributes:
            kernel = Matern(length_scale=1.0, nu=2.5) + WhiteKernel(noise_level=0.1)
            self.models[attr] = GaussianProcessRegressor(
                kernel=kernel,
                n_restarts_optimizer=10,
                normalize_y=True,
                random_state=42
            )

    def fit(self, ingredient_compositions, sensory_scores):
        """
        ingredient_compositions: (n_recipes, n_ingredients) — частки інгредієнтів
        sensory_scores: (n_recipes, n_attributes) — оцінки дегустаторів 0–10
        """
        for i, attr in enumerate(self.attributes):
            self.models[attr].fit(ingredient_compositions, sensory_scores[:, i])
        return self

    def predict_with_uncertainty(self, composition):
        """
        Передбачення властивостей нової рецептури з оцінкою невизначеності.
        Висока невизначеність → пріоритет для лабораторного тесту.
        """
        X = np.array(composition).reshape(1, -1)
        predictions = {}
        for attr, model in self.models.items():
            mean, std = model.predict(X, return_std=True)
            predictions[attr] = {'mean': float(mean[0]), 'std': float(std[0])}
        return predictions

Чому Bayesian Optimization ефективніший за випадковий перебір?

Випадковий перебір — 200–500 ітерацій для збіжності. Bayesian optimization з GP-сурогатом знаходить оптимальну рецептуру за 50–100 ітерацій. Різниця в 3–5 рази завдяки алгоритму Expected Improvement, який вибирає точку з максимальним потенціалом покращення.

from scipy.optimize import minimize, LinearConstraint
import numpy as np

def optimize_recipe(
    surrogate_model,
    ingredient_costs,        # руб/кг кожного інгредієнта
    nutrient_targets,        # {'protein_pct': (min, max), 'fat_pct': ...}
    sensory_targets,         # {'sweetness': min_value, 'texture': min_value}
    ingredient_limits,       # (min_pct, max_pct) для кожного інгредієнта
    w_cost=0.4, w_sensory=0.6
):
    """
    Пошук рецептури, що мінімізує вартість при дотриманні
    нутрієнтних та органолептичних вимог.
    """
    n_ingr = len(ingredient_costs)

    def objective(x):
        cost = np.dot(x, ingredient_costs)  # вартість
        sensory = surrogate_model.predict_with_uncertainty(x)
        # Штраф за невідповідність органолептичним вимогам
        sensory_penalty = sum(
            max(0, target - sensory[attr]['mean']) ** 2
            for attr, target in sensory_targets.items()
        )
        return w_cost * cost + w_sensory * sensory_penalty * 10

    # Обмеження
    constraints = [
        {'type': 'eq', 'fun': lambda x: np.sum(x) - 1.0},  # сума = 100%
    ]
    for attr, (min_val, max_val) in nutrient_targets.items():
        # Додати нутрієнтні обмеження (через композиційні таблиці)
        pass

    bounds = ingredient_limits
    x0 = np.array([0.5 / n_ingr] * n_ingr)  # рівномірний старт

    result = minimize(objective, x0, method='SLSQP',
                     bounds=bounds, constraints=constraints)
    return result.x, result.fun

Як прогнозується термін зберігання?

Використовуємо кінетичні моделі псування. Швидкість реакцій окислення та мікробіологічного росту описується рівнянням Арреніуса. ML-поправка на склад рецептури підвищує точність прогнозу до ±15% замість ±50% у класичних моделей.

Прискорені випробування: Q10 закон — при +10°C швидкість подвоюється. Зберігання при 45°C протягом 3 тижнів еквівалентно 6 місяцям при 25°C. Модель конверсії перераховує прискорені дані в реальні терміни.

Валідація моделі та контроль якості

Сурогатна модель валідується за протоколом Leave-One-Out Cross-Validation: кожен дегустаційний зразок виключається по черзі, модель передбачає його оцінки. Прийнятний рівень RMSE для GP-сурогату — ≤0.8 бала за 10-бальною шкалою. При недостатньо даних (< 30 рецептур) застосовуємо Sequential Latin Hypercube Design — стратегію первинного планування експериментів, яка охоплює простір інгредієнтів з мінімальною кількістю зразків. Для нутрієнтних обмежень верифікація виконується через сертифіковану лабораторію: кожна 5-та запропонована системою рецептура відправляється на фізико-хімічний аналіз. Розбіжність між прогнозом та лабораторним результатом фіксується в MLflow і використовується для донавчання моделі. Такий процес забезпечує поступове покращення точності в міру накопичення даних виробництва.

Що входить в роботу?

1. Аналітика та збір даних: аудит поточних рецептур, дегустаційні протоколи, лабораторні тести.
2. Побудова сурогатної моделі: Gaussian Process для кожного сенсорного атрибута.
3. Multi-objective оптимізація: пошук Парето-фронту за вартістю, смаком та нутрієнтами.
4. Розробка інтерфейсу: веб-дашборд для введення обмежень та перегляду результатів.
5. Документація та навчання: API-специфікація, керівництво технолога, 6 місяців підтримки.

Порівняння традиційного та AI-підходу:

Ми гарантуємо збіжність системи за 50 ітерацій активного експерименту. Сертифікат відповідності методології — на запит. Отримайте консультацію з впровадження AI-оптимізації рецептур. Зв'яжіться з нами для попередньої оцінки вашого проєкту — це займе не більше години.

Галузеві AI-рішення: медицина, фінанси, рітейл, виробництво

Ми стикаємося з однією і тією ж проблемою: горизонтальна модель тексту не розрізняє медичну номенклатуру, а стандартний детектор об'єктів плутає «подряпину на шві зварювання» з «подряпиною на корпусі». Кожного разу це різні дефекти з різними наслідками. Щоб цього уникнути, ми будуємо галузеві рішення поверх загальних методів, але з глибоким знанням домену — від регуляторики до специфіки даних. За 5 років ми провели 80+ проектів у фінтесі, медицині, рітейлі та виробництві, і жоден не обійшовся без адаптації під конкретний business case.

Як ми будуємо галузеві AI-рішення?

Медицина: регуляторний лабіринт та data governance

Медичний AI відрізняється не технічними алгоритмами, а compliance-first підходом. Залежно від країни застосування модель може бути медичним виробом класу II або III, що вимагає клінічних випробувань (FDA, CE MDR, ГОСТ Р). Ми гарантуємо дотримання цих норм на етапі архітектури — правити постфактум в 10× дорожче.

Медична візуалізація. Детекція на рентгенограмах, КТ, МРТ — зріла область. Моделі на ResNet, EfficientNet, SegFormer досягають AUC 0.94–0.97 на стандартних задачах (пневмонія на CXR, поліпи на колоноскопії). Ключова проблема — generalization: модель, навчена на даних одного виробника сканера, деградує на іншому через відмінності в preprocessing та артефактах. Рішення — domain adaptation через MONAI (Medical Open Network for AI) від NVIDIA, в якому вбудовані DICOM-loading, 3D augmentation та confidence calibration. TotalSegmentator — для автоматичної сегментації 117 структур на КТ, production-ready, ліцензія Apache 2.0.

Clinical NLP. Вилучення структурованої інформації з клінічних записів: діагнози (ICD-10/11), призначення, дати, показники. medspaCy, scispaCy, MedCAT — спеціалізовані NLP-бібліотеки з онтологіями (SNOMED-CT, UMLS). Fine-tuning BioBERT або ClinicalBERT на наших даних дає F1 0.85–0.92 на NER задачах — це на 20-30% вище, ніж у загального BERT. Ми перевірили це на проекті з регіональним онкологічним центром: точність вилучення стадій раку зросла на 23%.

Clinical decision support. LLM-асистенти для підтримки клінічних рішень — регуляторна сіра зона. Ми використовуємо RAG-систему поверх клінічних гайдлайнів (UpToDate, локальні протоколи) з явним зазначенням джерела кожного твердження. Модель не діагностує, а допомагає знайти релевантний протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Дані в DICOM/HL7 FHIR, on-premise деплой обов'язковий.

Що входить в роботу над медичним проектом:

• Аудит даних та регуляторної карти (FDA/CE/ГОСТ)
• Вибір архітектури під тип медичного виробу
• Розробка та валідація моделі (AUC, sensitivity, specificity)
• Інтеграція з PACS/EHR (HL7 FHIR)
• Підготовка документації для CE-маркування (якщо потрібно)
• Навчання персоналу роботі з моделлю

Для оцінки вашого медичного проекту зв'яжіться з нами — ми проведемо аудит даних та регуляторних вимог.

AI рішення для фінтеху: інтерпретованість скорингу під Basel IV

Фінансовий сектор — один з найбільш зрілих щодо застосування ML, але зарегульованість тут максимальна. Кожна модель, що впливає на кредитні рішення, підпадає під Basel IV, EU AI Act, GDPR Article 22. В одному з останніх проектів ми впровадили скорингову модель для банку з топ-10, де кожен запис вимагав пояснення по SHAP.

Кредитний скоринг. Gradient boosting (LightGBM, XGBoost) — домінує. Нейронні мережі дають +0.5–2% AUC, але втрачають інтерпретованість. LightGBM навчається в 3-5 разів швидше за нейронні мережі та дає змогу використовувати SHAP для пояснення кожного рішення. Обов'язкова перевірка на fairness: Fairlearn або aif360 для аудиту disparate impact по protected attributes (вік, стать). Клас «дефолт» становить 1–5% — при імбалансі 1:30 модель з accuracy 97% може мати recall 0.2. Рішення: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмічний трейдинг та ризик-менеджмент. LSTM та Transformer для прогнозу цін — популярні, але в production нестабільні через нестаціонарність фінансових рядів. Більш надійний підхід: ML для signal generation (класифікація: зростання/падіння за горизонт N) з традиційним portfolio optimization зверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичний правильний backtesting — look-ahead bias вбиває результати. Ми гарантуємо чистоту експерименту: всі дані на момент сигналу доступні в реальному часі.

AML (Anti-Money Laundering). Graph Neural Networks для аналізу транзакційних мереж — активно розвивається область. PyG, DGL для GNN. Задача: виявити suspicious patterns в графі транзакцій (layering, structuring). Recall критичніший за precision — краще 10 хибних тривог, ніж пропустити відмивання. В проекті для великого платіжного сервісу ми підвищили recall на 18% без збільшення false positive rate.

Що входить в роботу над фінансовим проектом:

• Аудит даних та регуляторних вимог (Basel, EU AI Act)
• Вибір моделі та забезпечення explainability (SHAP, LIME)
• Перевірка fairness та відсутність bias
• Інтеграція з core banking / trading systems
• Документація та compliance-звітність
• Моніторинг дрейфу моделі та ретрейн

Замовте консультацію — ми оцінимо ваш датасет та відповідність регуляторним вимогам

Рітейл та e-commerce: рекомендаційні системи та demand forecasting

Рекомендаційні системи. Архітектурний стандарт останніх років: two-tower модель для retrieval + ranking з cross-features. TensorFlow Recommenders або Merlin від NVIDIA для GPU-accelerated feature processing. Для невеликих каталогів (<100k item) достатньо LightFM. Часта помилка — навчати на implicit feedback без урахування position bias. Рішення: IPW (Inverse Propensity Weighting) або randomized logging на частині трафіку. Термін розробки базової рекомендаційної системи — 4–8 тижнів, включаючи A/B-тест.

Demand forecasting та inventory optimization. Ієрархічне прогнозування: SKU → категорія → магазин → регіон. HierarchicalForecast від Nixtla автоматично узгоджує прогнози за рівнями. TFT або N-HiTS для базового прогнозу, gradient boosting для adjustment на екзогенних факторах (промо, погода, події). Один проект у рітейлі призвів до зниження сток-аутів на 15% за рахунок точного промо-калібрування.

Visual search та розмірна сумісність. CLIP-embeddings для пошуку за зображенням — деплоїться за 2–3 тижні: clip-ViT-B-32 або clip-ViT-L-14, індекс Faiss або Qdrant, REST API. Для size recommendation — специфічні моделі на даних повернень та відгуків із зазначенням fit.

Що входить в роботу над рітейл-проектом:

• Аналіз даних транзакцій, товарів, клієнтів
• Вибір архітектури (collaborative / content-based / hybrid)
• Розробка та оцінка якості (NDCG, recall@k, MRR)
• A/B-тест та моніторинг business impact
• Підтримка версіонування та пере навчання моделей

Отримайте комерційну пропозицію для вашого e-commerce проекту

Чому domain expert критичний для галузевого AI?

Виробництво: інспекція якості та predictive maintenance

Quality control та дефектоскопія. CV-моделі для інспекції продукції — одне з найбільш зрілих галузевих завдань. YOLOv10 для детекції дефектів, SegFormer для сегментації. Специфіка: дисбаланс класів (дефекти рідкісні), високі вимоги до recall (пропуск дефекту гірший за хибну тривогу). Типовий набір даних: 500–2000 зображень з дефектами + 500–1000 нормальних. Few-shot learning через DINO або SAM 2 дозволяє працювати з 50–100 анотованими прикладами. Ми отримали досвід на лінії з виробництва електроніки — recall 0.95 при FPR 0.03.

Predictive maintenance. Вібраційні датчики, струмові датчики, термопари → feature extraction → аномалія або класифікація режиму. Моделі: LSTM-AE для unsupervised, LightGBM для supervised (якщо є історія відмов). Інтеграція з SCADA/OPC-UA через opcua-asyncio або MQTT. Ключова метрика: False Negative Rate — пропущений передвідмова коштує дорожче хибної тривоги. Поріг налаштовується під бізнес-вартість кожного типу помилки. Терміни: від 3 до 6 місяців до production.

Digital twin та симуляція. Surrogate models — ML-моделі, що замінюють дороге фізичне моделювання. Якщо CFD-симуляція займає 6 годин, а surrogate (навчена на 10 000 симуляцій) — 0.01 секунди, це 2 000 000× прискорення для оптимізації. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Що входить в роботу над виробничим проектом:

• Аудит даних сенсорів / зображень
• Вибір моделі під задачу (CV / time series / vibro)
• Розробка пайплайну (ETL, feature engineering, training)
• Розгортання на Edge / on-premise
• Моніторинг та ретрейн моделі

Загальні принципи галузевого AI. Незалежно від галузі, є патерни, що працюють скрізь. Domain expert в команді — ML-інженер без domain knowledge робить повільно і з помилками те, що ML-інженер плюс лікар/фінансист/технолог зроблять швидко і правильно. Compliance-first design — регуляторні вимоги простіше вбудувати в архітектуру з початку, ніж додати пізніше. Логування, пояснюваність, версіонування — з першого дня. Дані важливіші за архітектуру — в медицині 1000 якісно розмічених знімків краще 100 000 поганих. У виробництві 200 реальних прикладів дефектів цінніші за 10 000 синтетичних.

Порівняння підходів за швидкістю та точністю для різних галузей:

Як проходить робота над галузевим AI-рішенням?

1. Занурення в домен (2–3 дні) — інтерв'ю з експертами, вивчення регуляторних вимог, аудит доступних даних.
2. Проектування MVP (1–2 тижні) — вибір стеку, архітектури, оцінка feasibility.
3. Розробка та валідація (від 4 тижнів до 6 місяців залежно від галузі) — навчання моделі, тестування, compliance.
4. Інтеграція та деплой (1–4 тижні) — on-premise / cloud / edge, документація, навчання персоналу.
5. Підтримка та моніторинг — дрейф моделі, ретрейн, SLA.

Орієнтовні терміни:

Вартість розраховується індивідуально під кожен проект. Отримайте консультацію — оцінимо ваш датасет, регуляторну карту та бізнес-цілі.

Наш досвід та гарантії

80+ реалізованих проектів у фінтесі, медицині, рітейлі та виробництві. Стійкий досвід роботи з compliance та деплоєм. Ми відповідаємо за досягнення цільових метрик (AUC, recall, latency p99) і надаємо повну документацію — model card, datasheet, compliance report. Використовуємо open-source з комерційно безпечними ліцензіями (PyTorch, MONAI, LightGBM, Qdrant). Працюємо як підрядник та в ролі посилення вашої команди.

Зв'яжіться з нами — обговоримо ваше завдання та підготуємо комерційну пропозицію з планом робіт.