Статьи

Искусственный интеллект в реальномсектореэкономики (на примере пищевой индустрии)

Дата поступления: 06.05.2024 Дата принятия: 14.10.2022 Дата публикации: 15.07.2024

DOI: 10.22394/1818-4049-2024-109-4-103-113

Полный текст:

Аннотация

В основу оригинального исследования положена гипотеза о неотвратимости внедрения искусственного интеллекта в реальный сектор экономики. Авторы рассматривают нормативно-правовые основы искусственного интеллекта, а также его исторические аспекты. При этом обозначены базовые траектории применения искусственного интеллекта напримере пищевой индустрии- при моделировании и оптимизации пищевых технологий, идентификации, оценке качества и безопасности пищевой продукции. Отмечено, что предпосылкой к внедрению технологий искусственного интеллекта в пищевой индустрии выступает четко наметившийся переход от массового питания к персонализированному, связанныйспроизводствомпреимущественнокомбинированныхпродуктовсложного ингредиентного и химического состава. Как следствие, технологии искусственного интеллекта позволяют существенно оптимизировать ресурс времени, повысить эффективностьиточностьсовершаемыхпокупок, способствуютснижениюзатрат на приобретение продукции и устранению предубеждений при принятии решений, а также предоставляют максимально персонализированные рекомендации при покупке товаров. Результаты исследования включают обзор и анализ трудов российских и зарубежных ученых в области искусственного интеллекта и сфер его применения в пищевой индустрии, а методология исследования базируется на таких теоретических методах научного познания, как сравнение, анализ, систематизация, дедукция, абстракция, обобщение. Также статья раскрывает юридические и концептуальные аспекты искусственного интеллекта и областей его применения, рассматривает перспективные направления дальнейшего проникновения искусственного интеллекта в пищевой индустрии. В заключении обобщаются преимущества и возможности использования искусственного интеллекта по всей цепочке прослеживаемости пищевой продукции, использования его для анализа цифрового профиля при установлении аутентичности и идентификации пищевой продукции.

Ключевые слова

Поступила в редакцию: 06.05.2024 · Поступила после доработки: 10.10.2024 · Принята к публикации: 14.10.2022

Как цитировать

Для цитирования:

Алешков А.В., Синюков В.А., Ивашкин М.В. Искусственный интеллект в реальномсектореэкономики (на примере пищевой индустрии) // Власть и управление на Востоке России. 2024. Т. 17, № 4. С. 103–113. https://doi.org/10.22394/1818-4049-2024-109-4-103-113

For citation:

Aleshkov A.V., Sinyukov V.A., Ivashkin M.V. Artifi Intelligence in the Real Sector of the Economy (on the Example of the Food Industry) // Power and Administration in the East of Russia. 2024. Vol. 17, no. 4. P. 103–113. https://doi.org/10.22394/1818-4049-2024-109-4-103-113

Как цитировать

Алешков А.В., Синюков В.А., Ивашкин М.В. Искусственный интеллект в реальномсектореэкономики (на примере пищевой индустрии) // Власть и управление на Востоке России. 2024. Т. 17, № 4. С. 103–113. https://doi.org/10.22394/1818-4049-2024-109-4-103-113

Список литературы

  1. Алешков, А. В., Ивашкин, М. В., Синюков, В. А. Управление инновациями в пищевой индустрии с использованием нейросетей // Вестник Тихоокеанского государственного университета. 2023. № 4 (71). С. 97–104. EDN: MNFSMW
  2. Метленкин, Д. А., Платов, Ю. Т., Платова, Р. А. Идентификация кофе в зернах методами Фурье-ИК-спектроскопии и многомерного анализа // Известия высших учебных заведений. Пищевая технология. 2021. № 5–6 (383–384). С. 92–97 https://doi.org/10.26297/0579-3009.2021.5-6.17.
  3. Садовой, В. В. Разработка научных принципов проектирования состава и совершенствования технологии многокомпонентных мясных изделий с использованием вторичных ресурсов пищевой промышленности: автореф. дис. д-ра техн. наук: 05.18.04. Ставрополь, 2007. 38 с.
  4. Abbasi-Tarighat, M., Shahbazi, E., Niknam, K. (2013) Simultaneous determination of
  5. Mn2+ and Fe3+ as 4,4′[(4-cholorophenyl)methylene] bis(3-methyl-1-phenyl-1H-pyrazol-5-ol)
  6. complexes in some foods, vegetable and water samples by artifi cial neural networks Food
  7. Chemistry, vol. 138, is. 2–3, pр. 991–997. https://doi.org/10.1016/j.foodchem.2012.09.099
  8. Batista, L., Marques, C., Pires, A., A. Minim, L., Soares, N., Vidigal, M. (2021) Artifi cial
  9. neural networks modeling of non-fat yogurt texture properties: effect of process conditions
  10. and food composition, Food and Bioproducts Processing, vol. 126, pp. 164–174 https://doi.
  11. org/10.1016/j.fbp.2021.01.002.
  12. Chakravartula, S., Moscetti, R., Bedini, G., Nardella, M., Massantini, R. (2022) Use
  13. of convolutional neural network (CNN) combined with FT-NIR spectroscopy to predict food
  14. adulteration: A case study on coffee, Food Control, vol. 135 https://doi.org/10.1016/j.
  15. foodcont.2022.108816.
  16. Cotrim, W. da Silva, Felix, L. B, Minim, V. P. R, Campos R. C., Minim, L. A. (2021)
  17. Development of a hybrid system based on convolutional neural networks and support vector machines for recognition and tracking color changes in food during thermal processing Chemical
  18. Engineering Science, vol. 240, pp. 116679. ISSN 0009-2509. https://doi.org/10.1016/j.
  19. ces.2021.116679
  20. Chaitanya, A., Shetty, J., Chiplunkar, P. (2023) Food Image Classifi cation and Data
  21. Extraction Using Convolutional Neural Network and Web Crawlers, Procedia Computer
  22. Science, vol. 218, pp. 143–152. https://doi.org/10.1016/j.procs.2022.12.410
  23. Chen, D., Guo, C., Lu, W., Zhang, C., Xiao, C. (2023) Rapid quantifi cation of royal
  24. jelly quality by mid-infrared spectroscopy coupled with backpropagation neural network Food
  25. Chemistry, vol. 418. https://doi.org/10.1016/j.foodchem.2023.135996
  26. O’Farrell M., Lewis E., Flanagan C., Lyons W., Jackman N. Combining principal
  27. component analysis with an ar tifi cial neural network to perform online quality assessment
  28. of food as it cooks in a large-scale industrial oven. Sensors and Actuators B: Chemical. 2005.
  29. Volume 107. Issue 1. Pages 104-112. https://doi.org/10.1016/j.snb.2004.09.050. 11.
  30. Dębska, B., Guzowska-Świder, B. (2011) Application of artifi cial neural network in food
  31. classifi cation Analytica Chimica Acta, vol. 705, is. 1–2, pp. 283–291 https://doi.org/10.1016/j.
  32. aca.2011.06.033
  33. Furtado, P., Caldeira, M., Martins, P. (2020) Human Visual System vs Convolution
  34. Neural Networks in food recognition task: An empirical comparison // Computer Vision and
  35. Image Understanding, vol. 191 https://doi.org/10.1016/j.cviu.2019.102878
  36. Gonzаlez-Viveros, N., Gоmez-Gil, P., Castro-Ramos, J., Cerecedo-Nunez, H. (2021)
  37. On the estimation of sugars concentrations using Raman spectroscopy and artifi cial neural
  38. networks Food Chemistry, vol. 352. https://doi.org/10.1016/j.foodchem.2021.129375.
  39. Kowalski, R., Pietrysiak, E., Ganjyal, G. (2021) Optimizing screw profi les for twin-screw
  40. food extrusion processing through genetic algorithms and neural networks, Journal of Food
  41. Engineering, vol., 303. https://doi.org/10.1016/j.jfoodeng.2021.110589
  42. Kupongsak, S., Tan, J. (2006) Application of fuzzy set and neural network techniques
  43. in determining food process control set points Fuzzy Sets and Systems, vol., 157, is. 9, pp.
  44. 1169–1178. https://doi.org/10.1016/j.fss.2005.12.015
  45. Lee, G., Kim, R., Lim, T., Kim, J., Kim, S., Kim, H., Taek, Hwang K. (2022) Optimization
  46. of accelerated solvent extraction of ellagitannins in black raspberry seeds using artifi cial neural
  47. network coupled with genetic algorithm, Food Chemistry, vol. 396. https://doi.org/10.1016/j.
  48. foodchem.2022.133712
  49. Lewis, E., Sheridan, C., O’Farrell, M., Flanagan, C., Kerry, J., Jackman, N. (2008)
  50. Optical fi bre sensors for assessing food quality in full scale production ovens – a principal
  51. component analysis and artifi cial neural network based approach Nonlinear Analysis: Hybrid
  52. Systems, vol. 2, is. 1, pp. 51–57 https://doi.org/10.1016/j.nahs.2006.05.008
  53. Li, Y., Fei, C., Mao, C., Ji D., Gong, J., Qin, Y., Qu, L., Zhang, W., Bian, Z., Su, L., Lu,
  54. T. (2022) Physicochemical parameters combined fl ash GC e-nose and artifi cial neural network
  55. for quality and volatile characterization of vinegar with different brewing techniques, Food
  56. Chemistry, vol. 374. https://doi.org/10.1016/j.foodchem.2021.131658
  57. Nayak, J., Vakula, K., Dinesh, P., Naik, B., Pelusi, D. (2020) Intelligent food processing:
  58. Journey from artifi cial neural network to deep learning, Computer Science Review, vol. 38.
  59. https://doi.org/10.1016/j.cosrev.2020.100297
  60. Silva, C. E. Tanajura da, Filardi, V. L., Pepe, I. M., Chaves, M. A., Santos, C. M. S.
  61. (2015) Classifi cation of food vegetable oils by fl uorimetry and artifi cial neural networks Food
  62. Control, vol. 47, pp. 86–91. https://doi.org/10.1016/j.foodcont.2014.06.030
  63. Senizza, B., Ganugi, P., Trevisan, M., Lucini, L. (2023) Combining untargeted profi ling
  64. of phenolics and sterols, supervised multivariate class modelling and artifi cial neural networks
  65. for the origin and authenticity of extra-virgin olive oil: A case study on Taggiasca Ligure, Food
  66. Chemistry, vol. 404, part A. https://doi.org/10.1016/j.foodchem.2022.134543
  67. Sathish, S., Ashwin, S., Quadir, Md., Pavithra, L. (2022) Analysis of Convolutional
  68. Neural Networks on Indian food detection and estimation of calories, Materials Today:
  69. Proceedings, vol. 62, part 7, pp. 4665–4670. https://doi.org/10.1016/j.matpr.2022.03.122
  70. Soni, A., Al-Sarayreh, M., Reis, M., Brightwell, G. (2021) Hyperspectral imaging and
  71. deep learning for quantifi cation of Clostridium sporogenes spores in food products using 1D-convolutional neural networks and random forest model, Food Research International, vol.
  72. 147 https://doi.org/10.1016/j.foodres.2021.110577
  73. Алешков, А. В., Ивашкин, М. В., Синюков, В. А. Управление инновациями в пи-
  74. щевой индустрии с использованием нейросетей // Вестник Тихоокеанского государ-
  75. ственного университета. 2023. № 4 (71). С. 97–104. EDN: MNFSMW
  76. Метленкин, Д. А., Платов, Ю. Т., Платова, Р. А. Идентификация кофе в зер-
  77. нах методами Фурье-ИК-спектроскопии и многомерного анализа // Известия высших
  78. учебных заведений. Пищевая технология. 2021. № 5–6 (383–384). С. 92–97 https://doi.
  79. org/10.26297/0579-3009.2021.5-6.17.
  80. Садовой, В. В. Разработка научных принципов проектирования состава и совер-
  81. шенствования технологии многокомпонентных мясных изделий с использованием вто-
  82. ричных ресурсов пищевой промышленности: автореф. дис. д-ра техн. наук: 05.18.04.
  83. Ставрополь, 2007. 38 с.
  84. Abbasi-Tarighat, M., Shahbazi, E., Niknam, K. (2013) Simultaneous determination of Mn2+ and Fe3+ as 4,4′[(4-cholorophenyl)methylene] bis(3-methyl-1-phenyl-1H-pyrazol-5-ol) complexes in some foods, vegetable and water samples by artificial neural networks Food Chemistry, vol. 138, is. 2–3, pр. 991–997. https://doi.org/10.1016/j.foodchem.2012.09.099
  85. Batista, L., Marques, C., Pires, A., A. Minim, L., Soares, N., Vidigal, M. (2021) Artificial neural networks modeling of non-fat yogurt texture properties: effect of process conditions and food composition, Food and Bioproducts Processing, vol. 126, pp. 164–174 https://doi.org/10.1016/j.fbp.2021.01.002.
  86. Chakravartula, S., Moscetti, R., Bedini, G., Nardella, M., Massantini, R. (2022) Use of convolutional neural network (CNN) combined with FT-NIR spectroscopy to predict food adulteration: A case study on coffee, Food Control, vol. 135 https://doi.org/10.1016/j.foodcont.2022.108816.
  87. Cotrim, W. da Silva, Felix, L. B, Minim, V. P. R, Campos R. C., Minim, L. A. (2021) Development of a hybrid system based on convolutional neural networks and support vector machines for recognition and tracking color changes in food during thermal processing Chemical Engineering Science, vol. 240, pp. 116679. ISSN 0009-2509. https://doi.org/10.1016/j.ces.2021.116679
  88. Chaitanya, A., Shetty, J., Chiplunkar, P. (2023) Food Image Classification and Data Extraction Using Convolutional Neural Network and Web Crawlers, Procedia Computer Science, vol. 218, pp. 143–152. https://doi.org/10.1016/j.procs.2022.12.410
  89. Chen, D., Guo, C., Lu, W., Zhang, C., Xiao, C. (2023) Rapid quantification of royal jelly quality by mid-infrared spectroscopy coupled with backpropagation neural network Food Chemistry, vol. 418. https://doi.org/10.1016/j.foodchem.2023.135996
  90. O’Farrell M., Lewis E., Flanagan C., Lyons W., Jackman N. Combining principal component analysis with an artificial neural network to perform online quality assessment of food as it cooks in a large-scale industrial oven. Sensors and Actuators B: Chemical. 2005. Volume 107. Issue 1. Pages 104-112. https://doi.org/10.1016/j.snb.2004.09.050.
  91. Dębska, B., Guzowska-Świder, B. (2011) Application of artificial neural network in food classification Analytica Chimica Acta, vol. 705, is. 1–2, pp. 283–291 https://doi.org/10.1016/j.aca.2011.06.033
  92. Furtado, P., Caldeira, M., Martins, P. (2020) Human Visual System vs Convolution Neural Networks in food recognition task: An empirical comparison // Computer Vision and Image Understanding, vol. 191 https://doi.org/10.1016/j.cviu.2019.102878
  93. Gonzаlez-Viveros, N., Gоmez-Gil, P., Castro-Ramos, J., Cerecedo-Nunez, H. (2021) On the estimation of sugars concentrations using Raman spectroscopy and artificial neural networks Food Chemistry, vol. 352. https://doi.org/10.1016/j.foodchem.2021.129375.
  94. Kowalski, R., Pietrysiak, E., Ganjyal, G. (2021) Optimizing screw profiles for twin-screw food extrusion processing through genetic algorithms and neural networks, Journal of Food Engineering, vol., 303. https://doi.org/10.1016/j.jfoodeng.2021.110589
  95. Kupongsak, S., Tan, J. (2006) Application of fuzzy set and neural network techniques in determining food process control set points Fuzzy Sets and Systems, vol., 157, is. 9, pp. 1169–1178. https://doi.org/10.1016/j.fss.2005.12.015
  96. Lee, G., Kim, R., Lim, T., Kim, J., Kim, S., Kim, H., Taek, Hwang K. (2022) Optimization of accelerated solvent extraction of ellagitannins in black raspberry seeds using artificial neural network coupled with genetic algorithm, Food Chemistry, vol. 396. https://doi.org/10.1016/j.foodchem.2022.133712
  97. Lewis, E., Sheridan, C., O’Farrell, M., Flanagan, C., Kerry, J., Jackman, N. (2008) Optical fibre sensors for assessing food quality in full scale production ovens – a principal component analysis and artificial neural network based approach Nonlinear Analysis: Hybrid Systems, vol. 2, is. 1, pp. 51–57 https://doi.org/10.1016/j.nahs.2006.05.008
  98. Li, Y., Fei, C., Mao, C., Ji D., Gong, J., Qin, Y., Qu, L., Zhang, W., Bian, Z., Su, L., Lu, T. (2022) Physicochemical parameters combined flash GC e-nose and artificial neural network for quality and volatile characterization of vinegar with different brewing techniques, Food Chemistry, vol. 374. https://doi.org/10.1016/j.foodchem.2021.131658
  99. Nayak, J., Vakula, K., Dinesh, P., Naik, B., Pelusi, D. (2020) Intelligent food processing: Journey from artificial neural network to deep learning, Computer Science Review, vol. 38. https://doi.org/10.1016/j.cosrev.2020.100297
  100. Silva, C. E. Tanajura da, Filardi, V. L., Pepe, I. M., Chaves, M. A., Santos, C. M. S. (2015) Classification of food vegetable oils by fluorimetry and artificial neural networks Food Control, vol. 47, pp. 86–91. https://doi.org/10.1016/j.foodcont.2014.06.030
  101. Senizza, B., Ganugi, P., Trevisan, M., Lucini, L. (2023) Combining untargeted profiling of phenolics and sterols, supervised multivariate class modelling and artificial neural networks for the origin and authenticity of extra-virgin olive oil: A case study on Taggiasca Ligure, Food Chemistry, vol. 404, part A. https://doi.org/10.1016/j.foodchem.2022.134543
  102. Sathish, S., Ashwin, S., Quadir, Md., Pavithra, L. (2022) Analysis of Convolutional Neural Networks on Indian food detection and estimation of calories, Materials Today: Proceedings, vol. 62, part 7, pp. 4665–4670. https://doi.org/10.1016/j.matpr.2022.03.122
  103. Soni, A., Al-Sarayreh, M., Reis, M., Brightwell, G. (2021) Hyperspectral imaging and deep learning for quantification of Clostridium sporogenes spores in food products using 1D- convolutional neural networks and random forest model, Food Research International, vol. 147 https://doi.org/10.1016/j.foodres.2021.110577