Πώς η τεχνητή νοημοσύνη επιταχύνει την Έρευνα & Ανάπτυξη στον τομέα Τροφίμων & Ποτών, χωρίς να αντικαθιστά τον Επιστήμονα Τροφίμων

Η βιομηχανία τροφίμων και ποτών (F&B) δεν έχει ποτέ αντιμετωπίσει τόσο πολλές ανταγωνιστικές πιέσεις. Οι καταναλωτές απαιτούν πιο υγιεινά προϊόντα, καθαρότερες ετικέτες και πιο βιώσιμα συστατικά. Οι λιανοπωλητές θέλουν ταχύτερους κύκλους καινοτομίας. Οι κανονιστικές απαιτήσεις συνεχίζουν να εξελίσσονται σε παγκόσμια επίπεδα. Παράλληλα, το κόστος των συστατικών και οι αλυσίδες εφοδιασμού παραμένουν απρόβλεπτες.

Για τις ομάδες έρευνας και ανάπτυξης (R&D), αυτές οι προκλήσεις σπάνια εμφανίζονται απομονωμένα. Οι αποφάσεις για την ανάπτυξη νέων προϊόντων (NPD) απαιτούν την εξισορρόπηση δεκάδων μεταβλητών, από τη διατροφή, τη γεύση και τη λειτουργικότητα έως το κόστος, την προμήθεια, την ετικετοποίηση και τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Το αποτέλεσμα είναι μια ολοένα και πιο σύνθετη διαδικασία ανάπτυξης προϊόντων, όπου ακόμη και μικρές αλλαγές μπορούν να προκαλέσουν εβδομάδες επιπλέον εργασίας.

Η τεχνητή νοημοσύνη αρχίζει να αλλάζει αυτή την εξίσωση. Ενώ μεγάλο μέρος της συζήτησης γύρω από την AI έχει επικεντρωθεί στη δημιουργία περιεχομένου ή στην παραγωγικότητα του γραφείου, η μεγαλύτερη ευκαιρία για τις μάρκες F&B μπορεί να βρίσκεται στη βοήθεια των επιστημόνων τροφίμων να λαμβάνουν καλύτερες, νωρίτερες αποφάσεις σχετικά με την εισαγωγή προϊόντων στην αγορά. Αντί να αντικαθιστά την επιστημονική εξειδίκευση, η AI έχει τη δυνατότητα να επιταχύνει την ανάπτυξη προϊόντων απελευθερώνοντας τις ομάδες R&D ώστε να αφιερώνουν περισσότερο χρόνο στην επίλυση προβλημάτων όπου η ανθρώπινη κρίση δεν μπορεί να αντικατασταθεί από την τεχνολογία.

Από την Αναζήτηση Πληροφοριών στην Αξιολόγηση Δυνατοτήτων

Για εμάς στη βιομηχανία, γνωρίζουμε ότι το μεγαλύτερο μέρος της εργασίας διατύπωσης εξακολουθεί να περιλαμβάνει αναζήτηση πληροφοριών. Συχνά οι επιστήμονες πρέπει να μετακινούνται μεταξύ προδιαγραφών συστατικών, τεκμηρίωσης προμηθευτών, βάσεων δεδομένων διατροφής, κανονιστικών αναφορών, προηγούμενων συνταγών και εσωτερικών σημειώσεων απλώς για να απαντήσουν σε σχετικά απλές ερωτήσεις. Μπορεί αυτό το συστατικό να αντικατασταθεί; Θα πληροί το προϊόν ακόμη τους διατροφικούς στόχους; Πώς θα επηρεάσει η αφαίρεση της ζάχαρης την υφή; Υπάρχει διαθέσιμος εναλλακτικός προμηθευτής; Η εύρεση αυτών των απαντήσεων συχνά απαιτεί τη συμβουλή πολλαπλών συστημάτων και ειδικών πριν ξεκινήσει η πραγματική πειραματική διαδικασία. Η AI έχει τη δυνατότητα να συντομεύσει δραματικά αυτή τη διαδικασία.

Αντί να δαπανούν ώρες στη συλλογή πληροφοριών, οι επιστήμονες μπορούν να αξιολογήσουν πολλαπλά σενάρια σε λίγα λεπτά. Αντί να συγκρίνουν χειροκίνητα δεκάδες χαρακτηριστικά συστατικών, μπορούν γρήγορα να κατανοήσουν τις ανταλλαγές μεταξύ διαφορετικών προσεγγίσεων και να εστιάσουν την προσοχή τους στον προσδιορισμό της επιλογής που καλύπτει καλύτερα τους στόχους του προϊόντος. Η μεγαλύτερη αξία εμφανίζεται όταν η AI βασίζεται στα δικά της δεδομένα του οργανισμού, όχι μόνο σε δημόσια διαθέσιμες πληροφορίες. Όταν συνδέεται με τις προδιαγραφές συστατικών, τις συνταγές, τα πειραματικά ευρήματα, το δίκτυο προμηθευτών, τις τυπικές λειτουργικές διαδικασίες και τα ιστορικά δεδομένα μιας εταιρείας, η AI μπορεί να αξιολογήσει τις δυνατότητες στο πλαίσιο του τρόπου με τον οποίο η επιχείρηση αναπτύσσει πραγματικά προϊόντα. Αυτή η μετάβαση, από την αναζήτηση πληροφοριών στην αξιολόγηση δυνατοτήτων, μπορεί να αποτελεί μία από τις μεγαλύτερες συνεισφορές της AI στην καινοτομία τροφίμων.

Λήψη Καλύτερων Αποφάσεων Πρόωρα

Μία από τις πιο δαπανηρές πραγματικότητες της NPD είναι ο χρόνος που απαιτείται για την ανακάλυψη περιορισμών. Ένα υποσχόμενο νέο προϊόν μπορεί τελικά να αποτύχει επειδή ένα συστατικό δεν είναι εμπορικά διαθέσιμο, δεν ικανοποιεί τις απαιτήσεις ετικετοποίησης, υπερβαίνει τους στόχους κόστους ή δημιουργεί απροσδόκητες προκλήσεις στην παραγωγή. Μέχρι να εμφανιστούν αυτά τα ζητήματα, οι ομάδες μπορεί να έχουν ήδη επενδύσει σημαντικό χρόνο και πόρους στο εργαστήριο. Η AI μπορεί να βοηθήσει στον εντοπισμό πολλών από αυτούς τους περιορισμούς πολύ νωρίτερα. Πρόσφατη έρευνα από McKinsey ανακάλυψε ότι μια εταιρεία F&B τετραπλασίασε το ρυθμό κυκλοφορίας καινοτομιών και μείωσε το μέσο κόστος ανά έργο κατά 70% μετά τον μετασχηματισμό της προσέγγισης R&D με AI.

Λαμβάνοντας ταυτόχρονα υπόψη τους στόχους του τελικού προϊόντος μαζί με τη διατροφή, τις ανησυχίες για αλλεργιογόνα, τη λειτουργικότητα των συστατικών, τις προμήθειες και τις κανονιστικές απαιτήσεις, η AI μπορεί να βοηθήσει τις ομάδες να αναγνωρίσουν πιθανά εμπόδια πριν γίνουν ακριβά και χρονοβόρα προβλήματα. Επειδή αυτές οι προτάσεις βασίζονται στις σχέσεις της εταιρείας με τους προμηθευτές, τα εγκεκριμένα συστατικά και τις προηγούμενες συνταγές, οι επιστήμονες μπορούν να εξερευνήσουν νέες ιδέες με μεγαλύτερη αυτοπεποίθηση.

Αυτό δεν εξαλείφει την ανάγκη για δοκιμές σε εργαστήριο, αξιολόγηση αισθητηριακών χαρακτηριστικών ή κανονιστική αξιολόγηση. Αυτά τα βήματα παραμένουν απαραίτητα. Ωστόσο, η είσοδος σε αυτές τις φάσεις με πιο ισχυρές αρχικές εκδόσεις μπορεί να μειώσει τις περιττές επαναλήψεις και να επιτρέψει στις ομάδες να εστιάσουν τους πόρους τους εκεί που μπορούν να προσφέρουν τη μεγαλύτερη αξία.

Διατήρηση Θεσμικής Γνώσης

Οι έμπειροι επιστήμονες αποκτούν τεράστια πρακτική εξειδίκευση κατά τη διάρκεια της καριέρας τους, κατανοώντας γιατί μια συγκεκριμένη αντικατάσταση απέτυχε, ποιες συνθήκες επεξεργασίας παρήγαγαν καλύτερα αποτελέσματα ή πώς προηγούμενες προσπάθειες επανασύνθεσης αντιμετώπισαν κανονιστικές προκλήσεις. Συχνά, αυτή η γνώση παραμένει σε σημειωματάρια, λογιστικά φύλλα ή ατομική εμπειρία. Καθώς οι οργανισμοί μεγαλώνουν και οι έμπειροι υπάλληλοι αποσυρθούν ή αλλάξουν ρόλους, μεγάλο μέρος αυτής της μάθησης γίνεται δύσκολο στην πρόσβαση ή χάνεται εντελώς.

Τα συστήματα AI που μπορούν να καταγράψουν τις τελικές συνταγές και τη λογική πίσω από τις αποφάσεις ανάπτυξης έχουν τη δυνατότητα να δημιουργήσουν μια ζωντανή θεσμική μνήμη. Οι μελλοντικές ομάδες έργων μπορούν να βασιστούν στην προηγούμενη δουλειά αντί να επαναλαμβάνουν ακούσια ανεπιτυχείς προσεγγίσεις ή να ξεκινούν ξανά τις αναλύσεις από το μηδέν. Αυτή η θεσμική γνώση γίνεται ακόμη πιο πολύτιμη όταν εφαρμόζεται σε νέα έργα. Αντί να βασίζονται αποκλειστικά στη γενικευμένη γνώση AI, οι ομάδες μπορούν να αξιοποιήσουν συστήματα που χρησιμοποιούν το οργανωτικό πλαίσιο πολύ πέρα από τη δυνατότητα ενός μόνο επιστήμονα ή υπεύθυνου προμηθειών. Σε μια βιομηχανία όπου οι χρονικές προθεσμίες ανάπτυξης προϊόντων επηρεάζουν άμεσα την ανταγωνιστικότητα, η διατήρηση και η επαναχρησιμοποίηση της οργανωτικής γνώσης μπορεί να γίνει εξίσου πολύτιμη με τη δημιουργία νέων ιδεών.

Καινοτομία Μέσα σε Πραγματικούς Περιορισμούς

Ένα κοινό λανθασμένο πιστεύω για την AI είναι ότι περιορίζεται μόνο στη δημιουργία ιδεών. Αλλά οι ιδέες από μόνες τους δεν έχουν ιδιαίτερη αξία στην επιστήμη των τροφίμων. Η επιτυχημένη καινοτομία απαιτεί την εξισορρόπηση της δημιουργικότητας με την πρακτικότητα. Ένα καινοτόμο προϊόν έχει μικρή αξία εάν τα συστατικά δεν μπορούν να προμηθευτούν σταθερά, το κόστος υπερβαίνει τους εμπορικούς στόχους ή οι κανονιστικές απαιτήσεις εμποδίζουν την είσοδο στην αγορά.

Στην πραγματικότητα, η μεγαλύτερη υπόσχεση της AI είναι να βοηθά τους επιστήμονες να εξερευνήσουν πιο εφικτές δυνατότητες, όχι μόνο περισσότερες δυνατότητες. Αξιολογώντας ταυτόχρονα πολλαπλούς περιορισμούς, η AI μπορεί να ενθαρρύνει ευρύτερα πειράματα διατηρώντας παράλληλα την εμπορική πραγματικότητα. Οι επιστήμονες μπορεί να ανακαλύψουν συνδυασμούς συστατικών ή στρατηγικές επανασύνθεσης που δεν θα είχαν σκεφτεί αλλιώς, διατηρώντας όμως την εμπιστοσύνη ότι αυτές οι επιλογές μπορούν ρεαλιστικά να προχωρήσουν προς την εμπορευματοποίηση. Αυτή η ισορροπία μεταξύ δημιουργικότητας και εφικτότητας γίνεται όλο και πιο σημαντική καθώς οι κατασκευαστές επιδιώκουν πιο υγιεινές συνθέσεις, εναλλακτικές πρωτεΐνες, μείωση ζάχαρης και πιο βιώσιμες επιλογές συστατικών.

Η Ανθρώπινη Εξειδίκευση Παραμένει το Ανταγωνιστικό Πλεονέκτημα

Παρά τις γρήγορες προόδους στην AI, η ανάπτυξη προϊόντων τροφίμων θα συνεχίσει να βασίζεται στην ανθρώπινη εξειδίκευση. Κανένας αλγόριθμος δεν μπορεί να αντικαταστήσει την αισθητηριακή αξιολόγηση, την κατανόηση του καταναλωτή, τη δημιουργικότητα ή την πρακτική κρίση που φέρνουν οι έμπειροι επιστήμονες τροφίμων στις αποφάσεις διατύπωσης. Ούτε η AI μπορεί πλήρως να λογαριάσει τις λεπτές ανταλλαγές που προκύπτουν κατά την εμπορευματοποίηση και την παραγωγή.

Αντίθετα, η AI γίνεται γρήγορα ένα εργαλείο υποστήριξης αποφάσεων, που βοηθά τους επιστήμονες να αξιολογούν τις επιλογές πιο γρήγορα, να εντοπίζουν κινδύνους νωρίτερα και να δαπανούν λιγότερο χρόνο στη συλλογή πληροφοριών. Οι μάρκες που θα επιτύχουν στην AI θα είναι αυτές που θα βλέπουν την AI όχι ως αυτοματοποιημένη αντικατάσταση της επιστημονικής εξειδίκευσης, αλλά ως επέκταση αυτής.

Το μέλλον της Έρευνας & Ανάπτυξης στον τομέα F&B δεν θα καθορίζεται από μηχανές που αναπτύσσουν προϊόντα πλήρως αυτόνομα. Θα καθορίζεται από επιστήμονες εξοπλισμένους με καλύτερα εργαλεία, πληροφορίες και χρόνο για να εστιάσουν σε αυτό που κάνουν καλύτερα: την επίλυση σύνθετων προβλημάτων που φέρνουν καινοτόμα προϊόντα στην αγορά, πιο γρήγορα.