Розробка AI-системи оптимізації рецептур і складів продукції

При розробці нових рецептур R&D-відділи стикаються з мультипараметричним завданням: потрібно одночасно покращити функціональні властивості, знизити вартість, дотримати регуляторні обмеження та зберегти сенсорні характеристики. Експериментальний перебір варіантів — це тижні лабораторної роботи та сотні тисяч гривень витрат. Ми пропонуємо інший шлях: AI-систему, яка за 3–5 місяців знаходить оптимальні склади, економлячи до 30% собівартості без втрати якості. Наприклад, для середнього виробництва економія може складати до 500 000 грн на рік. Наш досвід у ML-оптимізації налічує 7 років і 40+ реалізованих проєктів.

Типова ситуація: технолог вручну коригує склад, проводить тести, знову коригує. Одна ітерація займає день-два. Для складної рецептури потрібно 20–30 ітерацій — це місяць роботи та суттєві витрати на сировину. При цьому знайдене рішення часто не є оптимальним — воно лише відповідає мінімальним вимогам. AI-оптимізація дозволяє скоротити кількість експериментів у 3–5 разів порівняно з ручним методом і одночасно гарантовано знайти склад, максимально наближений до ідеалу за заданими критеріями. У порівнянні з традиційним методом проб і помилок, AI-оптимізація досягає кращих результатів у 2-3 рази швидше.

Області застосування

• Харчова промисловість: склад продуктів харчування (баланс смак/поживність/вартість)
• Косметика: формули кремів, шампунів (ефективність/безпека/сенсорика)
• Фармацевтика: тверді лікарські форми, допоміжні речовини
• Хімія: покриття, клеї, полімери, палива
• Будівельні матеріали: бетон, покриття, герметики

Як AI знижує собівартість рецептури?

Традиційний шлях — метод проб і помилок: технолог підбирає компоненти, тестує, коригує. Це дорого і повільно. AI-підхід використовує сурогатні моделі — ML-моделі, які передбачають властивості рецептури за її складом. Наприклад, XGBoost або Gaussian Process навчаються на історичних даних і спрямовують Bayesian Optimization в область оптимальних рішень. За 50–150 ітерацій алгоритм знаходить поєднання інгредієнтів, що задовольняє всім обмеженням, з мінімальною вартістю.

Математична постановка

Змінні: частка кожного інгредієнта в рецептурі (x₁, x₂, ..., xₙ)

Обмеження:

• Σxᵢ = 1 (сума часток = 100%)
• 0 ≤ xᵢ ≤ max_i (обмеження на максимальний вміст кожного компонента)
• Регуляторні: xₐ ≤ 0.1% (харчові добавки), xᵦ ≥ 0.5% (мінімальний інгредієнт)
• Технологічні: сумісність інгредієнтів

Цільові функції (multi-objective):

• Мінімізувати вартість
• Максимізувати функціональні властивості (міцність, в'язкість, pH)
• Відповідати сенсорним характеристикам (смак, консистенція)
• Мінімізувати вміст небажаних компонентів

ML-методи оптимізації рецептур

Сурогатні моделі

Проблема: фізичне тестування рецептури дороге і повільне. Surrogate ML модель передбачає властивості складу за його компонентами:

• XGBoost/Random Forest на експериментальних даних
• Gaussian Process (з uncertainty quantification — знаємо, де невпевнені)
• Deep Learning для складних структурних залежностей

Bayesian Optimization

Активний цикл: surrogate → acquisition function → наступний експеримент:

1. Початковий DoE: 20–50 рецептур з рівномірним покриттям простору
2. Навчання GP-сурогату
3. Expected Improvement вибирає наступну найбільш інформативну точку
4. Експеримент → оновлення сурогату
5. Збіжність до оптимуму за 50–150 ітерацій

from bayes_opt import BayesianOptimization
import numpy as np

def formulation_score(ingredient_a, ingredient_b, ingredient_c, ingredient_d):
    """Сурогатна модель: передбачення цільових властивостей"""
    # Нормалізація суми інгредієнтів
    total = ingredient_a + ingredient_b + ingredient_c + ingredient_d
    fractions = [x/total for x in [ingredient_a, ingredient_b, ingredient_c, ingredient_d]]

    # ML сурогат (попередньо навчена модель)
    features = np.array(fractions).reshape(1, -1)
    predicted_quality = surrogate_model.predict(features)[0]
    predicted_cost = cost_model.predict(features)[0]

    # Multi-objective scalarization
    score = predicted_quality - 0.3 * predicted_cost
    return float(score)

optimizer = BayesianOptimization(
    f=formulation_score,
    pbounds={
        'ingredient_a': (0.05, 0.60),
        'ingredient_b': (0.10, 0.45),
        'ingredient_c': (0.05, 0.30),
        'ingredient_d': (0.02, 0.20),
    },
    random_state=42
)
optimizer.maximize(init_points=20, n_iter=100)

Mixture Design + ML

Спеціалізований Design of Experiments для сумішей: Simplex-Lattice, Simplex-Centroid, D-Optimal designs. Комбінація статистичного DoE з ML-моделюванням.

Чому Bayesian Optimization ефективніший за звичайний DoE?

DoE (Design of Experiments) дає хороше покриття простору, але не адаптується до даних. Bayesian Optimization використовує результати попередніх експериментів, щоб спрямовувати пошук в область, де очікується покращення. Це скорочує кількість необхідних тестів у 3–5 разів. Крім того, Gaussian Process надає міру невизначеності — ви знаєте, де модель невпевнена, і можете провести додатковий експеримент саме там.

Robust optimization

Інгредієнти з різних партій мають різні характеристики. Robust optimization включає:

• Monte Carlo симуляцію варіабельності вхідних компонентів
• Robust formulation: добре працює при ±σ варіації інгредієнтів

Формуляційна база знань

NLP-пошук по історичній базі рецептур: "знайти формули з в'язкістю 1000–2000 cP та вмістом консервантів <0.5%". Semantic search за chemical descriptions. Substitution engine: інгредієнт знято з виробництва → ML пропонує альтернативу зі збереженням ключових властивостей. Методи ML у хімії та харчовій промисловості дозволяють значно прискорити пошук оптимальних складів.

Що включає розробка системи?

1. Аналіз вихідних даних: збір історичних рецептур, результатів тестів, обмежень.
2. Побудова сурогатних моделей: навчання ML-моделей для передбачення властивостей.
3. Реалізація Bayesian Optimization: налаштування acquisition function, врахування multi-objective.
4. Інтеграція з LIMS: автоматична передача даних з лабораторної інформаційної системи.
5. Валідація: тестування на відкладеній вибірці, порівняння з baseline.
6. Документація та навчання: інструкції для технологів, передача моделі в експлуатацію.
7. Підтримка протягом 6 місяців: коригування моделей у міру накопичення даних.

Процес роботи

Загальний термін: від 3 до 5 місяців. Точна оцінка — після аудиту даних та обмежень.

Що ви отримуєте:

• Документація з описом моделі та інструкції
• Доступ до API або інтерфейсу системи
• Навчання команди (2-3 дні)
• Підтримка та супровід протягом 6 місяців

Типові помилки при впровадженні AI-оптимізації рецептур

• Ігнорування сировинної варіабельності: модель, навчена на одній партії, не працює на іншій.
• Замало початкових даних: Bayesian Optimization потребує хоча б 20–50 експериментів для старту.
• Неврахування multi-objective: оптимізація лише вартості призводить до втрати якості.
• Відсутність людського контролю: AI пропонує оптимальний склад, але технолог має підтвердити.

Ми гарантуємо, що система враховуватиме всі технологічні та регуляторні обмеження. Надаємо сертифікати коректності моделей за результатами валідації.

Замовте розробку системи під ключ за 3-5 місяців. Пишіть нам на пошту або заповніть форму, щоб оцінити проект безкоштовно. В роботу входить: аналіз даних, побудова моделей, інтеграція, навчання команди та підтримка.

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.