AI-бариста
Кофе давно стал любимым напитком россиян. Чтобы получить бодрящий напиток, производители и рестораны закупают необжаренные зерна, так называемый зеленый кофе. Но каким будет вкус напитка после обжарки, предсказать сложно. А ведь стабильный вкус, как и контроль качества, важен в кофейной индустрии.
В 2023 году ученые из Сибирского федерального университета и Университета ИТМО создали электронный дегустатор со встроенным ИИ. Устройство представляет собой электрохимическую ячейку на базе жидкого металла и электродов и программу на основе машинного обучения. Для обучения модели команда исследователей вместе с профессиональными бариста собрала базу данных приборных измерений 400 вариаций кофе.
Устройство работает следующим образом. Кофейное зерно помещают в ячейку, через него прогоняется электрический ток, измеряется уровень проводимости этого зерна, и строится график электрического отклика. Эти данные обрабатывает алгоритм и сравнивает с образцами из базы данных. Затем по физико-химическим характеристикам зерна алгоритм определяет качество продукта.
Александр Агликов, младший научный сотрудник лаборатории интеллектуальных технологий в инфохимии ИТМО:
«Программная часть нашей системы представляет собой базу данных и алгоритмы машинного обучения, позволяющие предсказывать интенсивность и качество вкуса кофе по трем признакам: горечь, сладость и кислотность. Сейчас алгоритм работает с точностью 90% и умеет предсказывать, например, что кофе будет очень горьким, но при этом среднекислым».
Иван Тимофеенко, заведующий лабораторией сити-фарминга Института гастрономии СФУ:
«Первыми разработкой заинтересовались обжарщики кофе, которые еще на этапе сбора данных предоставляли образцы продукции. Мы продолжаем сотрудничать, пополняя базу данных для обучения нейросети. Сегодня к ним присоединились региональные ретейлеры и крупные торговые сети. Один из ресторанных холдингов в Красноярске также заинтересован в повышении качества кофе в вендинговых автоматах. Созданная нами модель позволяет развивать объективную оценку качества продукта, не зависящую от конкретного дегустатора. Мы планируем, что в будущем сможем также использовать ее для оценки и других напитков, например чая или вина».
Секреты вкуса
Использование добавок в пищевых продуктах — устоявшаяся практика в фудтехе. Но опасения потребителей по поводу их потенциальных рисков не утихают. Производители вместе с учеными все больше интересуются натуральными продуктами и добавками. Но из-за отсутствия подробных составов подбирать концентрацию конкретного продукта, чтобы добиться нужного вкуса, сложно и долго.
Вот с этим и решили помочь производителям и рестораторам ученые из Университета ИТМО. Они разработали путеводитель по пищевым ингредиентам на примере умами — вкуса высокобелковой пищи. Созданная модель предсказывает, какой ингредиент позволит создать вкус нужной интенсивности. Исследователям пришлось столкнуться сразу с двумя вызовами. Во-первых, им нужно было понять, что такое вкус и что на него влияет. Во-вторых, собрать качественные данные по молекулярному составу пищевых добавок.
Мария Ашихмина, младший научный сотрудник научно-образовательного центра инфохимии Университета ИТМО:
«Сейчас мы работаем над базой данных, которая позволит нам анализировать и другие вкусы: сладкий, соленый, горький и кислый. Это будет полноценный сервис поиска продуктов с лучшей сочетаемостью. Такая платформа, например, поможет шеф-повару разрабатывать блюда быстрее — сейчас, чтобы придумать и протестировать блюдо, уходит порядка 1–1,5 месяца.
В будущем мы планируем привлечь компании-партнеры и опробовать технологию на блюдах ресторана «Хачо и Пури». Кроме того, в перспективе наш проект позволит создать цифровой двойник продукта — это актуально для идеи персонализированного питания».
Прогнозы засух
ИИ активно проникает в сферу гидрометеорологии и в краткосрочном прогнозе превзошел в точности традиционные методы прогнозирования. Но можно ли заранее предсказать, например, засуху? Ведь с начала XXI века количество и продолжительность засух увеличились больше чем на четверть. К 2050 году от засух может пострадать более трех четвертей населения планеты. Только в 2022 году по всему миру ущерб составил $42 млрд.
Решить задачу предсказания засух взялась команда Института физики атмосферы имени А.М. Обухова РАН. В ходе исследования ученые столкнулись с тем, что ряды данных наблюдений недостаточно длинные, чтобы найти и учесть в прогнозе все возможные связи между погодой, состоянием атмосферы, океана и суши. Кроме того, в конкретном регионе за все время наблюдений может быть немного случаев засухи. Исследователи решили эти проблемы с помощью различных методов искусственного увеличения выборки и удлинения рядов за счет использования большого количества экспериментов с численными моделями атмосферы, которые способны «генерировать» погоду.
Дмитрий Чечин, ведущий научный сотрудник ИФА РАН:
«Сейчас наша модель позволяет для любой точки на территории России сделать как качественную, так и количественную оценку, будет засуха или нет. В частности, сказать, насколько она будет сильной. Заблаговременность прогноза составляет до шести месяцев, а его точность — порядка 70%.
Мы видим потенциальных клиентов не только среди агрохозяйств, но и среди страховщиков, трейдеров на бирже, а также экспортеров сельхозпродукции. Ведем переговоры с Россельхозбанком, Главным ботаническим садом имени Н.В. Цицина РАН, а также с различными фермерскими хозяйствами. В частности, обсуждаем возможность уже следующей весной предоставить экспериментальный доступ к нашим прогнозам».
Увидеть невидимое
Забота о птицах на предприятиях — задача непростая. Малейший стресс от смены корма, появления новых людей на производстве, перемещения и многого другого отражается на благополучии кур. Стресс может вести к изменениям на уровне биохимии, снижению иммунитета и увеличению восприимчивости к заболеваниям.
Первые признаки неблагополучия отражаются на двигательной активности птиц. Но человек не может их увидеть, особенно в условиях плотной посадки кур. Зато это может сделать хорошо обученная нейросеть. Это одно из немногих исследований, реализованных не в лаборатории, а в условиях реального производства. Разработанная командой Донского государственного технического университета нейросеть анализирует записи с видеокамер и с точностью до 85% может сказать, в каком состоянии находятся птицы, и с точностью до 89–92% прогнозирует продуктивность.
Анна Фомина, доцент кафедры «Биология и общая патология» ДГТУ:
«В зарубежных исследованиях анализ двигательной активности — фронтир. Некоторые предприятия оснащаются такими системами. Но в России это пока редкость. Сейчас разработкой заинтересовались шесть компаний, фермы и ветеринарные клиники.
На основе разработанной нами модели также можно будет создавать системы контроля движения животных, находить заболевших особей по двигательной активности при выращивании дикой птицы, где важно минимизировать контакт с людьми. Также сходные системы потенциально можно внедрять в зоопарках для отслеживания поведения животных, в условиях адаптации, при переводе из вольеров».