AI-система оптимізації рецептур харчових продуктів

AI-система оптимізації рецептур харчових продуктів

Розробка харчових рецептур - багатокритеріальне завдання: смак, текстура, термін зберігання, склад за нутрієнтами, вартість та технологічність повинні відповідати вимогам одночасно. AI прискорює цю роботу в 3-5 разів, порівняно з лабораторним перебором.

Сурогатні моделі властивостей рецептури

Пророцтво органолептичних властивостей:

Смак, запах, текстуру не можна вирахувати аналітично - лише виміряти експериментально. Сурогатна ML-модель передбачає органолептику за складом:

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 органолептических свойств рецептуры.
    Обучается на экспериментальных данных дегустаций.
    """

    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) — доли ингредиентов
        sensory_scores: (n_recipes, n_attributes) — оценки дегустаторов 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):
        """
        Предсказание свойств новой рецептуры с оценкой неопределённости.
        Высокая неопределённость → приоритет для лабораторного теста.
        """
        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

Оптимізація складу

Multi-objective Optimization:

Три конкуруючі цілі: вартість мінімальна, нутрієнтний профіль оптимальний, органолептика максимальна:

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

def optimize_recipe(
    surrogate_model,
    ingredient_costs,        # руб/кг каждого ингредиента
    nutrient_targets,        # {'protein_pct': (min, max), 'fat_pct': ...}
    sensory_targets,         # {'sweetness': min_value, 'texture': min_value}
    ingredient_limits,       # (min_pct, max_pct) для каждого ингредиента
    w_cost=0.4, w_sensory=0.6
):
    """
    Поиск рецептуры, минимизирующей стоимость при соблюдении
    нутриентных и органолептических требований.
    """
    n_ingr = len(ingredient_costs)

    def objective(x):
        cost = np.dot(x, ingredient_costs)  # стоимость
        sensory = surrogate_model.predict_with_uncertainty(x)
        # Штраф за несоответствие органолептическим требованиям
        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

    # Ограничения
    constraints = [
        {'type': 'eq', 'fun': lambda x: np.sum(x) - 1.0},  # сумма = 100%
    ]
    for attr, (min_val, max_val) in nutrient_targets.items():
        # Добавить нутриентные ограничения (через композиционные таблицы)
        pass

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

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

Bayesian Optimization для ітеративної розробки

Активний експеримент:

Замість перебору - розумний вибір наступного експерименту: 1. Початковий DoE: 20-30 рецептур з Simplex-Centroid дизайну 2. Навчити GP-сурогат 3. Expected Improvement вибирає найбільш інформативну наступну точку 4. Лабораторія тестує → оновити0 (vs. 200–500 при випадковому пошуку)

Спрямована варіація:

Розробник задає напрямок оптимізації словами: - «Зробити більш солодким без збільшення цукру» → замінити частину цукру на стевію/еритрит – «Зменшити жирність при збереженні кремової текстури» → функціональні крохмалі – LLM пропонує альтернативні інгредієнти → GP-сурогат оцінює ефект

Стабільність та shelf life

Прогноз терміну придатності:

Кінетичні моделі псування (Arrhenius): швидкість хімічних реакцій за різних температур: - Окислення жирів (TBARS, пероксидне число) → прогноз для різних умов зберігання - Мікробіологічне псування: моделі росту (Baranyi, Modified Gompertz) - ML-поправки на конкретний склад рецептури

Прискорені випробування:

Q10 закон: при +10°C швидкість реакцій подвоюється: - Зберігання при 45°C × 3 тижні - зберігання при 25°C × 6 місяців - ML-модель конверсії прискорених даних у реальний термін зберігання

Термін розробки: 3-5 місяців для системи оптимізації рецептур з GP-сурогатом, Bayesian Optimization та прогнозом shelf life.