Kuinka tekoäly nopeuttaa elintarvike- ja juomatuotannon T&K:ta korvaamatta elintarvikeasiantuntijaa

Elintarvike- ja juomateollisuus (F&B) ei ole koskaan kohdannut näin monia kilpailevia paineita. Kuluttajat odottavat terveellisempiä tuotteita, puhtaampia merkintöjä ja kestävämpiä raaka-aineita. Vähittäiskauppiaat haluavat nopeampia innovaatiokierroksia. Sääntelyvaatimukset kehittyvät edelleen maailmanlaajuisilla markkinoilla. Samalla raaka-ainekustannukset ja toimitusketjut ovat arvaamattomia.

Tutkimus- ja kehitystiimeille (R&D) nämä haasteet harvoin esiintyvät erillisinä. Uusien tuotteiden kehittämispäätökset (NPD) edellyttävät kymmenien muuttujien tasapainottamista, kuten ravinto, maku, toiminnallisuus, kustannus, hankinta, merkinnät ja säädösten noudattaminen. Tuloksena on yhä monimutkaisempi tuotekehitysprosessi, jossa jopa pienetkin muutokset voivat aiheuttaa viikkoja ylimääräistä työtä.

Tekoäly alkaa muuttaa tätä yhtälöä. Vaikka suuri osa keskustelusta tekoälyn ympärillä on keskittynyt sisällöntuotantoon tai toimistotuottavuuteen, suurin mahdollisuus F&B-yrityksille saattaa olla auttaminen ruokatieteilijöitä tekemään parempia ja aikaisempia päätöksiä tuotteiden markkinoille saattamisesta. Tieteellisen asiantuntemuksen korvaamisen sijaan tekoälyllä on potentiaalia nopeuttaa tuotteiden kehitystä vapauttamalla R&D-tiimejä käyttämään enemmän aikaa ongelmien ratkaisemiseen, joissa ihmisen harkintaa ei voida korvata teknologialla.

Tietojen etsimisestä mahdollisuuksien arviointiin

Alalla toimivina me tiedämme, että suurin osa formulointityöstä edelleen sisältää tietojen etsimistä. Tiedemiehet joutuvat usein siirtymään raaka-aineiden spesifikaatioiden, toimittajien dokumentaation, ravintotietokantojen, sääntelyviitteiden, aikaisempien formulointien ja sisäisten muistiinpanojen välillä pelkästään vastatakseen melko suoraviivaisiin kysymyksiin. Voiko tämä raaka-aine korvata? Täyttääkö tuote edelleen ravitsemustavoitteet? Miten sokerin poistaminen vaikuttaa rakenteeseen? Onko vaihtoehtoinen toimittaja saatavilla? Näiden vastausten löytäminen edellyttää usein useiden järjestelmien ja aihealueen asiantuntijoiden konsultointia ennen varsinaisen kokeilun aloittamista. Tekoäly pystyy dramaattisesti lyhentämään tätä prosessia.

Sen sijaan, että viettäisiin tunteja tietojen keräämiseen, tiedemiehet voivat arvioida useita skenaarioita minuuteissa. Sen sijaan, että manuaalisesti vertailtaisiin kymmeniä raaka-aineiden ominaisuuksia, he voivat nopeasti ymmärtää eri lähestymistapojen kompromissit ja keskittyä selvittämään, mikä vaihtoehto täyttää parhaiten tuotteen tavoitteet. Suurin arvo syntyy, kun tekoäly perustuu organisaation omiin tietoihin, eikä pelkästään julkisesti saatavilla olevaan tietoon. Kun tekoäly on yhdistetty yrityksen raaka-aineiden spesifikaatioihin, resepteihin, kokeellisiin tuloksiin, toimittajaverkkoon, standardoituun toimintatapaohjeistukseen ja historiallisiin tietoihin, se voi arvioida mahdollisuuksia kontekstissa, jossa kyseinen yritys todellisuudessa kehittää tuotteita. Tämä siirtymä tietojen etsimisestä mahdollisuuksien arviointiin voi olla yksi tekoälyn merkittävimmistä panoksista elintarvikeinnovaatiolle.

Parempien päätösten tekeminen aikaisemmin

Yksi NPD:n kalleimmista todellisuuksista on aika, joka kuluu rajoitteiden löytämiseen. Lupaava uusi tuote voi lopulta epäonnistua, koska raaka-aine ei ole kaupallisesti saatavilla, ei täytä merkintävaatimuksia, ylittää kustannustavoitteet tai aiheuttaa odottamattomia valmistushaasteita. Kun nämä ongelmat ilmenevät, tiimit ovat saattaneet jo investoida merkittävää laboratoriotaikaa ja resursseja. Tekoäly voi auttaa tunnistamaan monet näistä rajoitteista paljon aikaisemmin. Äskettäinen tutkimus McKinsey havaitsi, että yksi F&B-yritys nelinkertaisti innovaatiolanseerauksien määrän ja leikkasi keskimääräisen projektikustannuksen 70 % sen jälkeen, kun se muutti R&D-lähestymistapaansa tekoälyn avulla.

Kun otetaan samanaikaisesti huomioon lopputuotteen tavoitteet yhdessä ravinnon, allergeenien, raaka-aineiden toiminnallisuuden, hankintakysymysten ja sääntelyvaatimusten kanssa, tekoäly voi auttaa tiimejä havaitsemaan mahdolliset esteet ennen kuin ne muuttuvat kalliiksi ja aikaa vieviksi ongelmiksi. Koska nämä suositukset perustuvat yrityksen omiin toimittajasuhteisiin, hyväksyttyihin raaka-aineisiin ja aiempiin formulointeihin, tiedemiehet voivat tutkia uusia ideoita suuremmalla varmuudella.

Tämä ei poista tarvetta pöytäkokeille, aistin arvioinnille tai sääntelytarkastukselle. Nämä vaiheet ovat edelleen olennaisia. Mutta vahvemmilla alkuvaiheilla siirtyminen näihin vaiheisiin voi vähentää tarpeettomia iterointeja ja antaa tiimien keskittyä resurssejaan sinne, missä ne voivat tuottaa suurimman arvon.

Institutionaalisen tiedon säilyttäminen

Kokeneet tiedemiehet keräävät valtavan määrän käytännön asiantuntemusta uransa aikana, ymmärtäen, miksi tietty korvaus epäonnistui, mitkä prosessointiehdot tuottivat parempia tuloksia tai miten aiemmat uudelleenformulointipyrkimykset selvisivät sääntelyhaasteista. Liian usein tämä tieto elää muistiinpanoissa, taulukkolaskentaohjelmissa tai yksilöllisessä kokemuksessa. Kun organisaatiot kasvavat ja kokeneet työntekijät jäävät eläkkeelle tai vaihtavat rooleja, suuri osa tästä oppimisesta muuttuu vaikeasti saavutettavaksi tai katoaa kokonaan.

Tekoälyjärjestelmät, jotka pystyvät tallentamaan lopulliset reseptit ja kehityspäätösten taustalla olevan ajattelun, voivat luoda elävän institutionaalisen muistin. Tulevat projektitiimit voivat rakentaa aikaisemman työn päälle sen sijaan, että toistaisivat tahattomasti epäonnistuneita lähestymistapoja tai aloittaisivat analyysit alusta. Tämä institutionaalinen tieto käy entistä arvokkaammaksi, kun sitä sovelletaan uuteen työhön. Sen sijaan, että turvauduttaisiin pelkästään yleistettyyn tekoälyn tietoon, tiimit voivat hyödyntää järjestelmiä, jotka käyttävät organisaation kontekstia paljon yksittäisen tiedemiehen tai hankintapäällikön kapasiteettia laajemmin. Toimialalla, jossa tuotekehityksen aikataulut vaikuttavat suoraan kilpailukykyyn, organisaation tiedon säilyttäminen ja uudelleenkäyttö voi olla yhtä arvokasta kuin uusien ideoiden luominen.

Innovaatio todellisten rajoitteiden puitteissa

Yksi harhaluulo tekoälystä on, että se rajoittuu pelkästään ideoiden tuottamiseen. Mutta pelkät ideat eivät ole erityisen arvokkaita elintarvikealalla. Menestyvä innovaatio edellyttää luovuuden ja käytännöllisyyden tasapainottamista. Uudella tuotteella on vähän arvoa, jos raaka-aineita ei voida hankkia johdonmukaisesti, kustannukset ylittävät kaupalliset tavoitteet tai sääntelyvaatimukset estävät markkinoille pääsyn.

Todellisuudessa tekoälyn suurin lupaus on auttaa tiedemiehiä tutkimaan enemmän elinkelpoisia mahdollisuuksia, ei pelkästään enemmän mahdollisuuksia. Arvioimalla useita rajoitteita samanaikaisesti tekoäly voi kannustaa laajempaan kokeiluun samalla pysyen kaupallisen todellisuuden pohjalta. Tiedemiehet saattavat löytää raaka-aineyhdistelmiä tai uudelleenformulointistrategioita, joita he eivät muuten olisi harkinneet, mutta silti säilyttää luottamuksen siihen, että nämä vaihtoehdot voivat realistisesti edetä kaupallistamisessa. Tämä luovuuden ja toteutettavuuden tasapaino on yhä tärkeämpää, kun valmistajat pyrkivät terveellisempiin formulointeihin, vaihtoehtoisiin proteiineihin, sokerin vähentämiseen ja kestävämpiin raaka-ainevalintoihin.

Ihmisen asiantuntemus säilyy kilpailuetuna

Huolimatta tekoälyn nopeista edistysaskelista, elintarvike-tuotekehitys jatkaa ihmisen asiantuntemukseen turvautumista. Mikään algoritmi ei voi korvata aistin arviointia, kuluttajaymmärrystä, luovuutta tai käytännön harkintaa, jonka kokeneet elintarvikeasiantuntijat tuovat formulointipäätöksiin. Myöskään tekoäly ei pysty täysin huomioimaan kaupallistamisen ja valmistuksen aikana syntyviä hienovaraisia kompromisseja.

Sen sijaan tekoäly on nopeasti kehittymässä päätöksentekotukityökaluksi, joka auttaa tiedemiehiä arvioimaan vaihtoehtoja nopeammin, tunnistamaan riskit aikaisemmin ja käyttämään vähemmän aikaa tietojen keräämiseen. Brändit, jotka menestyvät tekoälyn saralla, ovat ne, jotka näkevät tekoälyn ei automaattisena korvaajana tieteelliselle asiantuntemukselle, vaan sen laajennuksena.

F&B‑R&D:n tulevaisuutta eivät määrittele koneet, jotka kehittävät tuotteita täysin itsenäisesti. Se määritellään tiedemiesten toimesta, jotka varustettu paremmilla työkaluilla, tiedolla ja ajalla keskittyä siihen, missä he ovat parhaimmillaan: ratkaisemaan monimutkaisia ongelmia, jotka tuovat innovatiivisia tuotteita markkinoille nopeammin.