Umělá inteligence při produkci potravin či podpoře ekologie

S umělou inteligencí se lze v současnosti setkat téměř na každém kroku. Někteří se obávají, že je připraví o práci, jiní se ji naučili při své práci efektivně používat. Vědci stále pátrají po dalších možnostech jejího využití. Cestu si nachází i do potravinářství a ochrany životního prostředí.

Umělá inteligence (AI) toho již zvládne opravdu hodně. Ale dokázala by například využít informace ze sekvenování genomu a mikrobiologické analýzy vzorků mléka a detekovat takové anomálie, jakými je například kontaminace nebo obsah nepovolených látek? Pomohl by tento přístup zlepšit bezpečnost mléčných výrobků?

AI odhaluje anomálie

Zapojení AI jim umožnilo přesnou klasifikaci a identifikaci mikrobiálních činitelů spojených s těmito anomáliemi.

AI zvládne komplexní vztahy

Mikrobiální systémy a potravinový řetězec představují podle vědců ideální oblast pro využití AI, neboť interakce mezi mikroorganismy jsou složité a dynamické.

Nejen mléko

Ačkoli byl výzkum zaměřen na produkci mléka, tak taková aplikace AI může obsáhnout potravinářský průmysl jako celek. Zároveň u mléka a mléčných výrobků existuje poměrně významné riziko pro kontaminaci a falšování, a to nejenom v rozvojových zemích. Problémy, které souvisí s kvalitou surového mléka a jeho mikrobiální čistotou, jsou otázkou bezpečnosti obsáhlé skupiny potravin, protože se mohou šířit napříč dodavatelsko-odběratelským řetězcem a způsobit značné zdravotní i ekonomické škody. Proto je zájem o využití nejenom cílených, ale zejména necílených metod, které „vyhledávají“ všechny identifikovatelné molekuly, jež poukazují na suroviny či výrobky, které se odchylují od standardu. Tyto metody slouží primárně ke screeningu. Samy o sobě totiž neoznačí surovinu či výrobek za nebezpečný nebo falšovaný, nýbrž upozorní na odlišnosti, které by měly být dále prověřeny.

Umělá inteligence v sušárnách

Sušení je nejstarším doloženým způsobem konzervace mnoha druhů potravin, např. ovoce, zeleniny či masa. Tuto metodu začali lidé využívat kolem roku 12 tis. př. n. l. Postupem času (a hlavně metodou „pokus-omyl“) přišli na to, že na úrovni (ne)zvládnutí tohoto procesu závisí kvalita a bezpečnost (později i nutriční hodnota) výsledného produktu. Proto se i do sušení integrují principy precizního zpracování a zejména v posledních letech se vědcům podařilo vyvinout metody tzv. přesného sušení, které využívají optické senzory a umělou inteligenci k dosažení vyšší efektivity a kvality.

Tradice vs inovace s AI

U tradičních sušicích systémů je nutné pravidelně odebírat vzorky, aby bylo možné sledovat průběh sušení. To je organizačně, časově i finančně náročné. Navíc to nemusí vždy poskytnout přesný obrázek toho, co se v sušárně děje. Naproti tomu inteligentní (přesné) sušení využívá průběžné monitorování v reálném čase, což zvyšuje přesnost i efektivitu.

RGB zobrazování

Zobrazuje se s počítačovým viděním využívá běžnou kameru, která snímá viditelné světlo v barevném spektru RGB. Dokáže poskytnout informace o povrchových vlastnostech, tj. např. velikost, tvar, barvu a případné vady, avšak nezměří obsah vlhkosti.

Co umí NIRS?

využívá světlo blízké infračervené oblasti k měření absorbance při různých vlnových délkách. Zjištěné hodnoty lze korelovat s jedinečnými chemickými a fyzikálními vlastnostmi produktu a metoda umožňuje stanovit i vnitřní parametry, např. obsah vlhkosti. Technologie NIR-HSI je z těchto tří metod nejkomplexnější, protože snímá celý povrch sušeného materiálu a poskytuje tak mnohem přesnější informace o průběhu sušení a dalších vlastnostech než samotná NIR, neboť má k dispozici trojrozměrné prostorové i spektrální údaje. Nepříliš potěšujícím, avšak očekávaným faktem je, že je s tím spojena i vyšší cena.

AI hledá alternativy

K vytvoření rozsáhlých výpočetních modelů byly použity veřejně dostupné databáze, které obsahovaly vědecká data shromážděná z předchozích studií bachorové mikroflóry a její aktivity u krav. Spojením těchto modelů s AI byla zahájena predikce „chování“ různých molekul, jejímž cílem byla identifikace těch, které je vhodné otestovat v laboratoři. Výsledky laboratorních testů opět vstupovaly do počítačových modelů, aby mohla AI vytvářet přesnější předpovědi. Vznikl proces zpětné vazby známý jako grafová neuronová síť.

Nemusí jít jen o metan

Nicméně vědci se domnívají, že AI může sehrát významnou roli nejenom při snaze omezit emise. Pochopení toho, jak známé molekuly interagují s mikrobiální komunitou bachoru či např. proteiny mohou přispět při objevování nových molekul důležitých klíčové interakce bachorového mikrobiomu. Tento typ prediktivního modelování může být užitečný např. pro odborníky na výživu.*

Ing. Anna Mikšovský Marcinková