Вданной статье затрагиваются применяемые при оформлении дизайна продуктов методов, основанных на искусственном интеллекте, охватывающих концепции обратного проектирования, и средств, а именно приложений искусственного интеллекта, генеративных сетей и иных доступных ресурсов.
Ключевые слова : обратное проектирование, искусственный интеллект, глубокое обучение, процесс проектирования, данные.
Наука о пищевых материалах, начавшая развиваться за последние два десятилетия, связывает структуру продуктов питания, сенсорный опыт, само питание и пищеварение. В последнее время образ жизни, убеждения и забота об устойчивом развитии потребителей сформировали дизайн продуктов питания, подчеркивая их многофункциональность.
Проблемы пищевой промышленности включают интерпретацию потребительских предпочтений и преобразование их в характеристики продукта. Инновации в продуктах включают в себя сложные процессы, многочисленные ингредиенты и разнообразные условия обработки.
Традиционный дизайн продукта учитывает функциональность, что приводит к детальным спецификациям, выбору сырья и процессов. Однако этот подход является дорогостоящим и трудоемким, часто требующим итераций для достижения оптимального дизайна.
Пищевые материалы с разнообразной структурой, такие как эмульсии и гели, создают аналогичные проблемы. Дизайн пищевых продуктов, как и материаловедение, сталкивается с множеством переменных и взаимодействий.
Разработка новых продуктов направлена на удовлетворение различных требований, таких как стоимость, качество, безопасность и предпочтения потребителей. Этот процесс включает в себя множество факторов — переменных проектирования, которые влияют на достижение оптимальных решений [2].
Традиционный дизайн пищевых продуктов основан на методах проб и ошибок в рамках рациональной структуры проектирования, ввиду чего такой процесс можно назвать трудоёмким и энергозатратным. В рамках данного подхода процесс создания дизайна проходит этапы от формулировки концепции, до разработки самого продукта.
Искусственный интеллект, особенно глубокое обучение, играет решающую роль в понимании сложных закономерностей в процессах проектирования, содействуя методологиям обратного проектирования. Эти подходы ускоряют прогнозирование свойств продукта и предлагают генеративные методы для изучения новых конструкций и рецептов.
Применение искусственного интеллекта в дизайне продуктов питания варьируется от прогнозирования сенсорных показателей на основе комбинаций ингредиентов до рекомендации новых рецептов с использованием анализа вкуса. Кроме того, ИИ помогает адаптировать рецепты к конкретным диетическим требованиям и исследовать визуальные свойства продуктов питания для различных применений.
Можно сказать, что системы обратного проектирования на основе искусственного интеллекта предлагают многообещающий путь для ускорения процесса разработки пищевых продуктов и исследования новых пространств проектирования, использования обширных наборов данных и сложных методов моделирования.
Подходы искусственного интеллекта, в том числе алгоритмы глубокого обучения, позволяют извлекать скрытые закономерности в данных, облегчая прогнозирование и понимание пространств проектирования продуктов. Эти методы ускоряют процессы проектирования и открытия продуктов. Новейшие методологии, использующие глубокое обучение, поддерживают обратное проектирование для проектирования и открытия материалов.
Обратный дизайн включает в себя определение желаемых функций продукта для оптимизации его конструкции. Надежное моделирование имеет решающее значение для понимания сложных взаимосвязей между входными и выходными данными. Глубокое обучение незаменимы для разработки схем обратного проектирования, применимых к различным продуктам, включая продукты питания.
Представление данных играет важную роль в обратном проектировании. Представление должно быть информативным и обратимым, должно позволять дизайнерам отображать оптимизированные формулы обратно в охарактеризованные материалы. Текущие представления включают графики, дискретные текстовые данные и непрерывные векторы, матрицы или тензоры.
Дизайн пищевых продуктов только выигрывает от подхода, основанного на данных, поскольку такой подход решает часто возникающие проблемы с данными.
Использование общедоступных ресурсов, например, рецептов блюд, позволяет платформам на основе искусственного интеллекта преодолевать нехватку данных. Текстовая информация требует предварительной обработки, логичным будет такой метод, как встраивание слов, для информативного ввода.
Глубокие генеративные модели, в том числе сети автокодировщиков, генеративно-состязательные сети (GAN) и рекуррентные нейронные сети (RNN), улучшают инверсный дизайн, поскольку изучают распределение данных и могут генерировать новые образцы с желаемыми свойствами, эффективно управляя процессом проектирования [3].
Улучшения в генеративных моделях включают активное обучение, обучение с подкреплением (RL), трансферное обучение и увеличение объёма данных, за счёт этого повышается производительность модели и запускается процесс генерации желаемых функций.
Оценка генеративных моделей фокусируется на достоверности, уникальности, новизне и разнообразии сгенерированных образцов. Мониторинг этих показателей обеспечивает эффективность обратных процессов проектирования, что в конечном итоге оптимизирует функциональность продукта.
Потенциал обратного проектирования и глубоких генеративных сетей обнаруживается в решении проблем различных областей, включая физику, химию, материаловедение. Так же и в контексте дизайна пищевых продуктов наблюдается увеличение применения стратегий, основанных на собранных данных, особенно при анализе ингредиентов и составлении рецептов.
Доступ к данным не является препятствием для применения обратного дизайна и глубоких генеративных сетей в этой области. Однако проблемой остается представление данных, связанных с пищевыми продуктами, в числовой форме для использования в моделировании с помощью глубоких генеративных сетей. Стоит отметить наличие достижений в алгоритмах, особенно в области обучения с подкреплением. Но это не отменяет необходимость дальнейшего развития
Потенциал применения подходов, основанных на данных обратного проектирования в сочетании с глубокими генеративными сетями, для решения проблем и расширения возможностей в области дизайна пищевых продуктов остаётся высоким.
Литература:
- Позняковский В. М. О некоторых приоритетах науки о питании [Электронный ресурс] // Ползуновский вестник, 2024. URL: https://cyberleninka.ru/article/n/o-nekotoryh-prioritetah-nauki-o-pitanii
- Искусственный интеллект в пищевой промышленности. [Электронный ресурс] URL: http://dry-food.ru/iskusstvennyj-intellekt-v-pishhevoj-promyshlennosti/
- Что такое глубокое обучение? [Электронный ресурс] URL: https://www.oracle.com/cis/artificial-intelligence/machine-learning/what-is-deep-learning/
