У галузі, де одна погана партія може означати мільйони втрат, або, що ще гірше, надійні та контекстні AI є критичним компонентом у створенні безпечнішої, розумнішої ланцюга поставок.
Штучний інтелект (AI) вже не є амбіцією майбутнього стану для промисловості продовольства та напоїв (F&B); Це тут. А бренди, що переносять, починають використовувати його для досягнення якості, безпеки та регуляторних гарантій, які ми, як споживачі, вимагаємо продукції, яку ми їмо та п'ємо. Сила великих мовних моделей (LLMS) незаперечна, але справжній прорив не в їх загальних можливостях. Натомість мова йде про те, як їх можна стратегічно адаптувати для вирішення проблем, пов'язаних з галузями, не жертвуючи безпекою, швидкістю чи довірою.
Для галузі, настільки складної та високорегульованої, як F&B, навчання моделі AI з власних даних є дорогим та технічно залученим, і вона може ввести потенційні ризики конфіденційності. Краща альтернатива, що виникає як чітка найкраща практика,-це застосування «рівня знань», що використовує комерційні LLM, поряд із структурами даних, які забезпечують галузевий контекст, семантичну чіткість та інтелект, що стосується домену. Це може приймати декілька форм, але все більш важлива частина головоломки-це техніка, відома як покоління, що виходить з пошуку (RAG), яка дозволяє користувачам поєднувати переваги сучасного генеративного ШІ з точністю, контролем та гарантуванням, необхідними для безпеки харчових продуктів та дотримання.
Поза межами галасу: там, де генеративний ШІ може не вистачати
LLM довели свою корисність у широкому спектрі додатків – від написання електронних листів до кодування та обслуговування клієнтів, але вони лише такі хороші, як і дані, з якими вони повинні працювати. LLM, який навчається на великих наборах даних, що виникають, наприклад, з платформ соціальних медіа, може не дати точних відповідей на більш вузькі, більш технічні питання. Це стає викликом при роботі з складною мовою, контекстом та регуляторними нюансами галузі F&B.
У справі з заявами про алерген, дотриманням рівня інгредієнтів або оцінками ризику постачальника, AI, що не має достатньо хороших. Моделі загального призначення можуть дати правдоподібно звучав, але небезпечно неточні результати: галюцинації. У контексті безпеки харчових продуктів це не просто технічна вигадка – це відповідальність і ризик не варто взяти.
Застосування AI у високорегульованих галузях, таких як F&B, вимагає AI, обґрунтованого фактами, щільно підданих завданням, що знаходиться в руці, і переконливо точним. Ось де архітектури, що знаходяться в домені, такі як ганчірка.
Див. Також: Основні уроки для побудови ефективних ганчіркових систем
Чому ганчір має значення в контексті F&B
Покоління, що надходить, покоління мостить розрив між можливостями AI та специфічними потребами в галузі. Замість того, щоб тренувати модель, яка передбачає навчання її з нуля, використовуючи масові власні набори даних, RAG використовує попередньо підготовлений LLM як двигун міркувань. Потім ця модель підключена до ретельно структурованого, зовнішнього сховища даних: “шар знань”.
Коли користувач ставить питання або ініціює робочий процес, модель не покладається на загальну підготовку. Натомість він отримує відповідну інформацію з рівня знань і використовує її для керівництва та підтвердження його відповіді. Це гарантує, що результати є контекстуально актуальним, так і фактично обґрунтованим у даних, які найбільше мають значення для бізнесу.
Ще одним важливим аспектом рівня знань є те, що він може містити інформацію, характерну для даної компанії, але в безпечній, федеральній структурі, яка забезпечує конфіденційність даних. LLMS можна запобігти доступу (і запам'ятовувати) фірмової інформації, але відповіді, які вони генерують, все ще можуть бути підтверджені для точності щодо даних про рівень знань. Для F&B це означає, що рівень знань може включати в себе галузеві ресурси, такі як регуляторні бази даних, але також може (якщо користувач вибирає) включати більш конфіденційну інформацію, отриману з специфікацій інгредієнтів, документації постачальників, записів аудиту тощо.
Високі ставки відповідності
Бренди F&B стикаються з деякими найвибагливішими регуляторними середовищами будь -якої галузі. Між Законом про модернізацію безпеки харчових продуктів FDA, міжнародними стандартами, такими як Регламент вирубки лісів Європейського Союзу, та вимоги, що накладені на клієнтів, відповідність є рухомою ціллю. Додати складність управління сотнями чи тисячами постачальників, що охоплюють все, від упаковки до інгредієнтів у глобальних ланцюгах поставок; Не дивно, що команди часто намагаються не відставати.
У світі їжі та напоїв ручні процеси все ще є нормою для всього, від затвердження постачальників до відповідності специфікацій та перевірки документів. Нещодавнє опитування показало, що 48% постачальників все ще використовують ручні електронні таблиці для управління щоденними завданнями, процесами та обміном документами. Понад дві третини (71%) визнають, що застарілі процеси іноді або часто створюють проблеми у своїй щоденній роботі. Ці завдання є важливими, але трудомісткими і часто схильними до людських помилок.
Рішення AI, що знаходяться в домені, що працюють від архітектури шарів знань, можуть автоматизувати та покращити ці робочі процеси. Наприклад, AI може позначити невідповідності між документами постачальника та специфікаціями продукції, запобігаючи помилкам, перш ніж вони вступають у виробничий процес. AI також може перехресно перевірити вміст упаковки для дотримання регіональних законів, сканування сертифікатів, історії аудиту та зовнішніх джерел, таких як відкликання, ідентифікація постачальників ризику.
Швидше, безпечніше, розумніше
Застосування підходу з шару знань пропонує найкращі з обох світів: спритність та сила LLMS без складності чи ризиків, пов'язаних з навчанням LLM з нуля. Не потрібно передавати обсяги чутливих даних для навчання обсягу. Натомість підприємства зберігають повний контроль над своєю фірмовою інформацією, яка індексується та отримується на вимогу і ніколи не зберігається і не змінюється самим LLM.
Архітектура також дозволяє набагато швидше розгортати рішення. Будівництво та навчання на замовлення модель може зайняти місяці та значну інвестицію. На відміну від цього, система на основі ганчірки може працювати в частку часу, що дозволяє командам швидко реалізувати цінність і поступово масштабувати. Оскільки ШІ витягується з кураторного, надійного джерела, результати є більш надійними, що є важливим для галузі високих ставок, де неправильні припущення можуть призвести до регуляторних штрафів або відкликання продукту.
Важливо також зазначити, що розвиток ШІ не стоїть на місці. Просуваючись вперед, системи AI не тільки використовуватимуть структуровані дані для підтвердження їх висновків, але й зможуть застосувати процеси логіки, наборів правил та визначення відносин для сприяння точності обчислення, що дозволяє системам швидко вирішувати складні сценарії оптимізації та інші проблеми швидко та ефективно.
Спеціалізований інтелект – це конкурентна перевага F&B
Одним з найбільш перспективних аспектів такого підходу є перетворення внутрішніх даних компанії на справжній стратегічний актив. Хоча він заснований на комодизованій основоположній моделі, значення полягає в тому, що належить до неї. Унікальна сукупність технічних характеристик, політики, записів аудиту та оперативних знань та оперативних знань стає диференціатором.
На практиці це означає, що дві компанії, що використовують один і той же LLM, можуть генерувати різні результати, якщо одна внутрішньо інвестує в створення міцного структурованого рівня знань, а інший – ні.
Він також відкриває двері для інновацій у прогнозному управлінні ризиками. Поєднуючи історичні дані, продуктивність постачальників та зовнішні сигнали, ці системи можуть почати передбачити потенційні проблеми, перш ніж вони відбудуться, позначаючи тенденції або аномалії, які потребуватимуть людських команд днів або тижнів, щоб розкрити вручну.
Заключне слово про AI та індустрію F&B
Тиск на бренди для інновацій та доставки безпечніших продуктів харчування та напоїв ніколи не зникне і не стане простішим. Очікування споживачів навколо прозорості зростає. Регулюючий контроль затягується. У той час як об'єм та швидкість даних продовжують зростати.
У цьому контексті точний, застосований AI-це не просто приємна. Це швидко стає важливою частиною інфраструктури для будь-якої організації, серйозної щодо того, щоб залишатися сумісними, конкурентоспроможними та готовими до майбутнього. Успіх вимагає продуманого підходу до управління даними, чіткого розуміння того, де AI додає цінності, та зобов'язання створити правильну основу знань.
У галузі, де одна погана партія може означати мільйони втрат, або, що ще гірше, надійний ШІ не є лише технологічною віхою. Це критичний інгредієнт у створенні безпечнішого, розумнішого ланцюга поставок.
Андрес Зуніга 
Кришна Равіпаті 
