مؤلف:فريق البحث والتطوير ، نكهة Cuiguai

نشرته:Guangdong Freex Flavor Co. ، Ltd.

آخر تحديث: أكتوبر 15، 2025

في المشهد سريع التطور لعلوم الأغذية والمشروبات، لم يعد الذكاء الاصطناعي (AI) حلمًا مستقبليًا - بل أصبح محركًا رئيسيًا لابتكار النكهات. وبينما تسعى الشركات المصنعة إلى تسريع دورات التطوير، وخفض التكاليف، والاستجابة بشكل أكثر دقة لتفضيلات المستهلكين المتغيرة، تظهر الأساليب التي تدعم الذكاء الاصطناعي كأداة عالية النفوذ. يستكشف هذا المقال كيف يقوم الذكاء الاصطناعي بإعادة تشكيل تطوير النكهة: التقنيات الأساسية والتطبيقات والفرص والتحديات والاعتبارات الاستراتيجية.

فيما يلي هيكل مقترح لتوجيه قراءتك:

1. مقدمة وسياق الصناعة
2. الأساسيات: علم النكهة والإدراك الحسي والبيانات
3. أساليب الذكاء الاصطناعي الأساسية والتقنيات التمكينية
4. تطبيقات الذكاء الاصطناعي في تطوير النكهة
5. دراسات الحالة وأمثلة الصناعة
6. التنفيذ العملي: خارطة الطريق وأفضل الممارسات
7. التحديات والقيود وتخفيف المخاطر
8. الاتجاهات المستقبلية والتوقعات
9. الاستنتاج والدعوة إلى العمل

1. مقدمة وسياق الصناعة

1.1 لماذا الذكاء الاصطناعي الآن؟ محركات السوق والضروريات

تواجه صناعة النكهات ضغوطًا متزايدة: المستهلكين المميزين بشكل متزايد، ومتطلبات العلامات النظيفة، وتقلب تكلفة المواد الخام، والحاجة إلى سرعة الوصول إلى السوق، والتخصيص الأعمق. غالبًا ما يكون البحث والتطوير في النكهة التقليدية - الذي يعتمد بشكل كبير على التجربة والخطأ، واللوحات الحسية التجريبية، والتعديلات الإضافية - بطيئًا للغاية ويستهلك الكثير من الموارد لمواكبة ذلك.

يقدم الذكاء الاصطناعي طريقة مقنعة لتعزيز الخبرة البشرية من خلال معالجة مجموعات البيانات الضخمة، والتنبؤ بتفاعلات النكهات، وإنشاء تركيبات مرشحة قد تستغرق وقتًا طويلاً للغاية بحيث لا يمكن استكشافها يدويًا. في الواقع، تصف المراجعات العلمية الحديثة الذكاء الاصطناعي بأنه تحويلي لأبحاث التذوق والشم، مما يتيح رؤية أعمق لكيفية إدراك البشر للذوق والرائحة.

تعكس توقعات السوق هذا التفاؤل: من المتوقع أن ينمو سوق "الذكاء الاصطناعي في الأغذية والمشروبات" من حوالي13.39 مليار دولار في 2025ل67.73 مليار دولار أمريكي بحلول عام 2030بمعدل نمو سنوي مركب (CAGR) يصل إلى 38.3% تقريبًا. وفي علم النكهات، يتم الاعتراف بشكل متزايد بالذكاء الاصطناعي في قيادة الفكر الصناعي باعتباره اتجاهًا رئيسيًا إلى جانب التخمير الدقيق والمحليات الطبيعية والتغذية الشخصية.

علاوة على ذلك، فإن اللاعبين الرئيسيين في مجال النكهات والسلع الاستهلاكية ينشرون بالفعل الذكاء الاصطناعي في خطوط صياغة المنتجات. على سبيل المثال، أعلنت DSM-Firmenich عن أول نكهة تم إنشاؤها بواسطة الذكاء الاصطناعي - طعم لحم البقر المشوي قليلاً لنظائر اللحوم النباتية - تم تطويرها من خلال تحليل استخدام المكونات وأنماط الوصفات.

وبالتالي، فإن الذكاء الاصطناعي ليس تجريبيًا بحتًا؛ يتم دمجها في سير عمل تطوير النكهة في العالم الحقيقي.

1.2 نطاق وهدف هذه المقالة

تم إعداد هذه الوثيقة لقادة البحث والتطوير وأخصائيي النكهات ومهندسي العمليات وصناع القرار الاستراتيجي في مجال صناعة النكهات/الأغذية والمشروبات. هدفها هو تقديم نظرة عامة تقنية موثوقة للذكاء الاصطناعي في تطوير النكهة - تجاوز الضجيج التسويقي إلى البنى العملية ودراسات الحالة والإرشادات للتبني.

وفي النهاية، يجب أن يكون لدى القراء وضوح بشأن:

• كيف يمكن تنظيم علوم النكهة والبيانات الحسية لنماذج الذكاء الاصطناعي
• تقنيات الذكاء الاصطناعي الرئيسية المستخدمة (التعلم الآلي، النماذج التوليدية، النمذجة الجزيئية)
• استخدم الحالات التي يضيف فيها الذكاء الاصطناعي قيمة (الصياغة، والاستبدال، ونمذجة المستهلك)
• تحديات التكامل والضمانات وعوامل النجاح
• الاتجاهات الناشئة وأين يتجه المجال

لنبدأ بأساسيات علم النكهة والبيانات.

2. الأساسيات: علم النكهة والإدراك الحسي والبيانات

قبل التعمق في الذكاء الاصطناعي، من الضروري أن نرتكز على كيفية فهم النكهات علميًا، وكيفية قياسها، وكيف تعمل هذه البيانات كمدخلات للخوارزميات الذكية.

2.1 التمهيدي للعلوم الحسية والنكهة

"النكهة" في علم الأغذية هي إدراك مركب: مزيج من الذوق (الذوق)، والرائحة (الشم)، والأحاسيس ثلاثية التوائم (الملمس، وإحساس الفم، والمحفزات الكيميائية). تكتشف مستقبلات التذوق (الحلو، والحامض، والمالح، والمر، والأومامي) المركبات القابلة للذوبان عبر الخلايا الذوقية؛ تكتشف المستقبلات الشمية المركبات المتطايرة عبر الطرق الأنفية الخلفية والأنفية. يدمج الدماغ هذه الإشارات، جنبًا إلى جنب مع الإشارات السياقية (درجة الحرارة، والملمس، والذاكرة).

غالبًا ما يميز خبراء النكهات ملف تعريف النكهة من حيث محاور متعددة (على سبيل المثال، فاكهي، أخضر، زهري، محمص، دهني) ويرسمون خريطة للمركبات الجزيئية لتلك الواصفات الحسية. من الناحية العملية، يعد تطوير النكهة بمثابة تحسين عبر المساحة الكيميائية ورسم الخرائط الحسية.

2.2 التقنيات الآلية والتحليلية

لتغذية نماذج الذكاء الاصطناعي، تحتاج إلى بيانات عالية الجودة. تشمل الأساليب التحليلية الرئيسية ما يلي:

• كروماتوغرافيا الغاز – قياس الطيف الكتلي (GC-MS)/ GC-قياس الشم (GC-O): لتحديد وقياس المركبات المتطايرة.
• التحليل اللوني السائل – قياس الطيف الكتلي (LC-MS): للروائح غير المتطايرة، وسلائف النكهة، والأيضات.
• التمثيل الغذائي / التنميط غير المستهدف: لالتقاط "بصمات" كيميائية واسعة النطاق.
• أنوف إلكترونية/ألسنة/مصفوفات استشعار: صفائف من أجهزة الاستشعار الكيميائية التي تحاكي الكشف الكيميائي للمركبات المتطايرة / القابلة للذوبان.
• التحليل الطيفي، الأشعة تحت الحمراء، الرنين المغناطيسي النووي: البصمات الهيكلية.
• اللوحات الحسية واختبار المستهلك: الأحكام البشرية عبر الأوصاف الموحدة، والمقاييس، والتقييمات المتعة.

يؤدي الجمع بين البيانات الكيميائية والحسية إلى إنشاء خريطة من المكونات والبنية إلى الإدراك، وهو الأساس لنمذجة الذكاء الاصطناعي.

2.3 المعالجة المسبقة للبيانات وهندسة الميزات والتمثيل

يجب تنظيف بيانات القياس الأولية وتطبيعها وهندستها إلى ميزات مناسبة قبل إدخالها في الذكاء الاصطناعي. بعض الخطوات الرئيسية:

• تنظيف البيانات والتطبيع- التعامل مع القيم المفقودة والقيم المتطرفة والقياس (مثل تركيزات تحويل السجل).
• بناء الميزة— على سبيل المثال نسب المركبات، شروط التفاعل، عتبات التركيز.
• تخفيض الأبعاد / التضمين— على سبيل المثال PCA، t-SNE، أجهزة التشفير التلقائي لتقليل التكرار.
• الواصفات الجزيئية / بصمات الأصابع— تشفير التركيب الكيميائي، مثل بصمات مورغان، وسلاسل SMILES، والخصائص الفيزيائية والكيميائية (logP، مساحة السطح القطبية).
• تمثيلات الرسم البياني— الجزيئات كرسوم بيانية (عقد الذرات، حواف الروابط) تمكن الشبكات العصبية من الرسم البياني.
• الانصهار متعدد الوسائط- الجمع بين الواصفات الكيميائية وبيانات اللوحة الحسية والبيانات التعريفية للمستهلك والمتغيرات الزمنية.

غالبًا ما يكون تمثيل البيانات المصمم جيدًا أكثر أهمية من اختيار النموذج في تطبيقات الذكاء الاصطناعي ذات النكهة.

2.4 أهداف النمذجة المستهدفة

في Flavor-AI، تتضمن أهداف النمذجة الشائعة ما يلي:

• تصنيف(على سبيل المثال، هل طعم هذا المركب مر / حلو / أومامي؟)
• الانحدار / التنبؤ(على سبيل المثال، درجة المتعة، الشدة، الإعجاب العام)
• التشابه / التجمع(على سبيل المثال، تجميع مركبات النكهة أو أزواج المكونات)
• النمذجة التوليدية(على سبيل المثال اقتراح مركبات أو خلطات نكهة جديدة)
• إمكانية التفسير / إسناد الميزة(ما هي المركبات التي تؤثر على المحاور الحسية)

غالبًا ما تجمع المشاريع بين عدة أهداف (على سبيل المثال التنبؤ بالنتائج الحسية ثم إنشاء خليط مرشح أعلى من العتبة).

في الواقع، في مشروع VIRTUOUS الممول من الاتحاد الأوروبي، تُستخدم نماذج التعلم الآلي للتنبؤ بملفات التذوق (مثل المرارة والحلاوة) من خلال التركيب الكيميائي والخصائص الفيزيائية والكيميائية. وبالمثل، تمت مناقشة أعمال النمذجة الحسية والنكهة في الأدبيات المتعلقة بالتقدم في الذكاء الاصطناعي للتذوق والشم.

ومن خلال هذا الأساس، ننتقل إلى بنيات وأساليب الذكاء الاصطناعي التي تعزز ابتكار النكهة.

3. أساليب الذكاء الاصطناعي الأساسية والتقنيات التمكينية

يقدم هذا القسم نظرة عامة على أحدث تقنيات الذكاء الاصطناعي/التعلم الآلي ذات الصلة بتطوير النكهة ونقاط قوتها/مقايضاتها.

3.1 تقنيات التعلم الآلي الكلاسيكية

هذه طرق مفهومة جيدًا نسبيًا وتظل مفيدة كعناصر أساسية:

• الانحدار الخطي/المتعدد، ريدج/لاسو: نماذج بسيطة ولكنها قابلة للتفسير لتعيين الميزات للنتائج الحسية.
• دعم آلات المتجهات (SVMs): مهام التصنيف أو الانحدار (على سبيل المثال المر مقابل غير المر).
• غابات عشوائية / آلات تعزيز التدرج (XGBoost، LightGBM): يعالج اللاخطية، والتفاعلات المميزة.
• أقرب الجيران k، التجميع (يعني k، التجميع الهرمي): لتجميع المركبات / الصيغ.
• انحدار المربعات الصغرى الجزئية (PLSR): غالبا ما تستخدم لربط البيانات الطيفية والاستجابات الحسية.

تكون هذه مفيدة عندما تكون مجموعات البيانات متوسطة الحجم وتكون قابلية التفسير مهمة.

3.2 التعلم العميق والشبكات العصبية

توفر الشبكات العصبية العميقة (DNNs) قوة تعبيرية أكبر، خاصة عند توفر بيانات كبيرة.

• شبكات متصلة بالكامل (شبكات التغذية)
• الشبكات العصبية التلافيفية (CNN)— مفيد عندما تكون ميزات الإدخال ذات موقع محلي (مثل البيانات الطيفية)
• الشبكات العصبية المتكررة (RNNs) / LSTMs / المحولات- عندما تكون التسلسلات أو التسلسلات الزمنية (على سبيل المثال، التطور الزمني، وتسلسل إضافة المكونات) مهمة
• مبرمجو السيارات / مبرمجو السيارات المتنوعون— لتقليل الأبعاد، أو التضمين الكامن، أو النمذجة التوليدية
• شبكات الخصومة التوليدية (GANs)- اقتراح مركبات أو خلطات اصطناعية جديدة
• رسم الشبكات العصبية (GNNs)- التعامل مع الجزيئات كرسوم بيانية، مما يتيح النمذجة المدركة للبنية

3.3 النماذج الهجينة والمركبة

غالبًا ما تستفيد Flavor AI من الأساليب الهجينة:

• التعلم متعدد المهام- يتنبأ أحد النماذج بمحاور حسية متعددة في وقت واحد
• نقل التعلم / التدريب المسبق- الاستفادة من النماذج التي تم تدريبها مسبقًا على قواعد البيانات الكيميائية، ثم تحسين مجموعات بيانات النكهة
• أساليب الفرقة- الجمع بين التنبؤات من أنواع نماذج متعددة من أجل المتانة
• الذكاء الاصطناعي القابل للتفسير (XAI)- دمج آليات SHAP أو LIME أو الانتباه لتفسير كيفية تأثير المركبات على المخرجات الحسية

3.4 الأساليب التوليدية والتحسينية

وبعيدًا عن التنبؤ، يستطيع الذكاء الاصطناعي القيام بذلكيولدالجزيئات أو المخاليط المرشحة الجديدة:

• أجهزة التشفير التلقائي المتغيرة (VAEs) / VAEs المشروطة- عينة من النواقل الكامنة الجديدة المشروطة بصفات النكهة المستهدفة
• شبكات الخصومة التوليدية- اقتراح مركبات أو خلطات جديدة
• التعلم المعزز (RL)- تعامل مع كل تعديل إضافي كإجراء مع المكافأة = الإعجاب المتوقع / التكلفة / القيود
• التحسين بايزي / العمليات الغوسية— اقتراح صياغة المرشح التالي في حلقة التعلم النشط
• الخوارزميات التطورية / الخوارزميات الجينية- تحور أو تطوير نسب المكونات في ظل قيود موضوعية

لاحظ أن العديد من الأوراق العلمية تنشر الآن أنظمة الذكاء الاصطناعي لتصميم الببتيد ذي الذوق الجديد؛ على سبيل المثالتاستيبيباهو إطار عمل يعتمد على الذكاء الاصطناعي لتصميم ببتيدات التذوق (الحلو، والأومامي، والملح) مع التصفية الآمنة.

3.5 التكامل مع الروبوتات والأتمتة وحلقات التغذية الراجعة

لإغلاق الحلقة بين النماذج الافتراضية والواقع المادي، تقوم العديد من المختبرات بدمج الروبوتات والاستشعار والتجارب الآلية. على سبيل المثال، قد يقوم النظام بما يلي:

• اقتراح صيغ مرشحة عبر الذكاء الاصطناعي
• قم بتنفيذ تلك الموجودة في خلاط آلي / مفاعل صغير
• تحليل المخرجات عبر أجهزة الاستشعار / المواصفات الجماعية / الأنف الإلكتروني / اللسان الإلكتروني
• تغذية النتائج مرة أخرى لتحسين النموذج (التعلم النشط)

أحد الأمثلة على ذلك هو النظام الآلي الذي يعمل على تحسين المشروبات المجففة باستخدام رؤية الكمبيوتر والتحسين بايزي.arXiv

تتيح هذه البنية التحتية إمكانية التكرار السريع وتقليل الجهد اليدوي، مما يؤدي إلى إنشاء "مختبر بحث وتطوير ذاتي القيادة".

بعد تغطية مجموعة أدوات الطريقة، فإننا ننظر الآن إلى التطبيقات الملموسة للذكاء الاصطناعي في تطوير النكهة.

4. تطبيقات الذكاء الاصطناعي في تطوير النكهة

فيما يلي حالات الاستخدام الرئيسية التي يضيف فيها الذكاء الاصطناعي قيمة إلى البحث والتطوير في مجال النكهة.

4.1 توقع أزواج النكهة وتآزر المكونات

إحدى حالات الاستخدام الأقدم والأكثر بديهية: استخدم نماذج الذكاء الاصطناعي (مثل تضمينات الرسوم البيانية ونمذجة التواجد المشترك) لاقتراح مكون جديد أو أزواج مركبة.

ومن الأمثلة البارزةFlavourGraph، الذي طورته شركة Sony AI وجامعة كوريا، والذي يربط المكونات الغذائية والمركبات الجزيئية عبر شبكة رسومية واسعة النطاق. يمكنه اقتراح أزواج أو بدائل جديدة بناءً على العلاقات الكيميائية والتكرارات الوصفية.

من خلال التدريب على الرسوم البيانية الجزيئية والبيانات الوصفية للوصفات، يستطيع FlavorGraph اقتراح عمليات الاقتران التي قد لا يتوقعها البشر، مما يؤدي إلى تسريع التفكير في مجموعات النكهات الجديدة.

4.2 التنبؤ الحسي وتسجيل النكهة الافتراضية

باستخدام نماذج الذكاء الاصطناعي، يمكنك التنبؤ بكيفية تسجيل مركب أو مزيج معين على طول المحاور الحسية (الحلاوة والمرارة وما إلى ذلك)، أو إعجاب المتعة (تفضيل المستهلك). وهذا يسمح بالتصفية المبكرة للمرشحين ذوي الكفاءات المنخفضة قبل اختبار مقاعد البدلاء.

في مشروع VIRTUOUS التابع للاتحاد الأوروبي، تتنبأ النماذج بإدراك المذاق (الحلو، المر، الأومامي) من خلال السمات الجزيئية لتقدير إمكانات النكهة. بالتوازي، تظهر المراجعات الأوسع كيف يعمل الذكاء الاصطناعي على تحسين التنبؤ الحسي من خلال دمج بيانات الاستشعار وعمليات التمثيل الغذائي.

4.3 تحسين الصياغة ونمذجة الخليط

بمجرد تحديد المركبات المرشحة الأساسية، يمكن للذكاء الاصطناعي تحسين نسب المزج، مع مراعاة القيود (التكلفة، والتنظيم، والمواد المسببة للحساسية، والاستقرار). النهج المشتركة:

• التحسين بايزي / نماذج العملية الغوسية
• الخوارزميات الجينية على مساحة الخليط
• تعزيز التعلم
• محاكاة التلدين أو التحسين القائم على التدرج (إذا كان النموذج قابلاً للتمييز)

يمكن لهذه الطرق العثور على النسب المثالية غير الواضحة بشكل أسرع بكثير من عمليات البحث اليدوية على الشبكة.

4.4 استبدال المكونات وإعادة صياغة الملصقات النظيفة

في التصنيع في العالم الحقيقي، تتغير المكونات - بسبب التكلفة أو سلسلة التوريد أو الطلب التنظيمي أو الاستهلاكي (مثل إزالة المكونات الاصطناعية). يمكن للذكاء الاصطناعي أن يقترح بدائل أو تعديلات تحافظ على المظهر الحسي المستهدف ضمن القيود.

على سبيل المثال، يمكن لنماذج الذكاء الاصطناعي البحث في مساحة المكونات عن بدائل طبيعية تتطابق مع نفس الملامح الجزيئية أو التضمينات الحسية. ويمكن بعد ذلك التحقق من صحة هذه الاقتراحات تجريبيا. تسلط العديد من مدونات الصناعة الضوء على الذكاء الاصطناعي كأداة لإعادة صياغة العلامة النظيفة.

4.5 نمذجة وتخصيص تفضيلات المستهلك

يمكن للذكاء الاصطناعي استيعاب مجموعات كبيرة من مراجعات المستهلكين، والبيانات الديموغرافية، والاتجاهات الإقليمية، وإشارات وسائل التواصل الاجتماعي، وبيانات اللوحة الحسية للتنبؤ بالنكهات التي سيكون لها صدى لدى شرائح معينة. بعض المهام الممكنة:

• توقع تفضيلات النكهة الإقليمية
• ضبط النكهة التكيفية لكل مجموعة مستهلكين
• تركيبات النكهات الشخصية (على سبيل المثال للعروض الموجهة مباشرة إلى المستهلك أو العروض الغذائية)

على سبيل المثال، استخدمت إحدى الشركات المصنعة للمشروباتمخطط المعدة AIلنمذجة تفضيلات النكهة لدى جيل الألفية الإناث في اليابان، ورسم خرائط "المساحة البيضاء" في مساحة النكهة واقتراح اتجاهات نكهة جديدة (على سبيل المثال، مشروب قائم على الصنوبر) لم تكن موجودة في الموجز الأصلي.

4.6 التعزيز الحسي عبر أجهزة الاستشعار والذكاء الاصطناعي

يمكن لنماذج الذكاء الاصطناعي أن تعمل مع "مصفوفات الأنف/اللسان/أجهزة الاستشعار الإلكترونية" لاكتشاف التوقيعات الكيميائية وتعيينها إلى ملفات تعريف حسية. في الواقع، تحاكي هذه الأنظمة التذوق البشري في الحلقة.

تصف مراجعة حديثة كيف يتم دمج الذكاء الاصطناعي بشكل متزايد مع بيانات المستشعر لمحاكاة ملفات تعريف النكهة وزيادة اللوحات الحسية البشرية.

4.7 تصميم النكهة الذي يحركه العاطفة والسرد

وبعيدًا عن المقاييس الكيميائية أو الحسية البحتة، تتضمن حالات الاستخدام الناشئة ربط تطوير النكهة بالعواطف أو الروايات أو الإشارات الثقافية. على سبيل المثال، تم استخدام نظام الذكاء الاصطناعي للمشاركة في إنشاء "الخبز الرومانسي"، وهو عبارة عن سلسلة خبز بنكهة تعتمد على الإشارات العاطفية لبرنامج تلفزيوني، وتحويل النص (كلمات الأغاني والحوارات) إلى اقتراحات المكونات.

هناك نهج آخر للذكاء الاصطناعي يتعامل مع المستهلك في اليابان ويستخدم نظام التسجيل العاطفي (مثل الحب وانكسار القلب) لرسم خريطة لتجارب النكهات وإنشاء منتجات مخبوزات مستوحاة من الذكاء الاصطناعي.

تشير هذه الأساليب إلى مستقبل تحمل فيه النكهات روايات عاطفية، وليس مجرد أوصاف حسية.

4.8 مراقبة الجودة واكتشاف الشذوذ

وبعيدًا عن الابتكار، يلعب الذكاء الاصطناعي دورًا في مراقبة اتساق النكهة. باستخدام مدخلات المستشعر/قياس الطيف، يمكن للنماذج اكتشاف الانجراف أو الانحرافات أو التلوث من دفعة إلى أخرى من خلال مقارنة التوقيعات المقاسة بالملفات التعريفية المتوقعة.

يساعد اكتشاف الحالات الشاذة المستندة إلى الذكاء الاصطناعي على تقليل الهدر وفشل الجودة بشكل استباقي.

5. دراسات الحالة وأمثلة الصناعة

فيما يلي عمليات نشر واقعية توضح كيفية استخدام الذكاء الاصطناعي في البحث والتطوير في مجال النكهات/الأطعمة والمشروبات.

5.1 DSM-Firmenich: أول نكهة تم إنشاؤها بواسطة الذكاء الاصطناعي في العالم

كما ذكرنا سابقًا، أعلنت DSM-Firmenich عن أول نكهة تمت صياغتها بواسطة عملية مدعومة بالذكاء الاصطناعي: نكهة لحم بقري طبيعية مشوية قليلاً لنظائر اللحوم النباتية. قام نظام الذكاء الاصطناعي بتحليل استخدام صيغة النكهة الحالية، وتواجد المكونات، وأنماط المركبات لاقتراح خلطات مرشحة، والتي تم تنقيحها بعد ذلك.

يوضح هذا الإنجاز أن النكهات التي يولدها الذكاء الاصطناعي يمكن أن تنتقل من مرحلة التفكير إلى المرشحين التجاريين القابلين للتطبيق.

5.2 FlavorGraph (Sony AI + جامعة كوريا)

يستخدم FlavorGraph أسلوب تضمين الرسم البياني واسع النطاق لرسم خريطة للمركبات الجزيئية والمكونات الغذائية وعلاقات التعلم والتقارب الكامن. ومن الناحية العملية، فإنه يقترح عمليات الاقتران الجديدة التي تتفوق على الأساليب الأساسية لمطابقة المكونات.

يعد هذا النهج ذا قيمة في التفكير واستكشاف المناظر الطبيعية ذات النكهة الجديدة.

5.3 الشركة المصنعة للمشروبات + مخطط المعدة AI

استخدمت إحدى شركات المشروبات جهاز Gastrograph AI لتحليل مساحة النكهة التنافسية في اليابان واكتشاف فرص النكهة الجديدة التي تستهدف نساء جيل الألفية. استكشف نموذج الذكاء الاصطناعي التركيبات والتوزيعات المفضلة للسوق المتوقعة، مما يتيح اختيار مفهوم النكهة بشكل أسرع وأكثر ثقة.

5.4 تحسين وصفة موندليز والذكاء الاصطناعي

تستخدم شركة Mondelez International، صانعة Oreo والوجبات الخفيفة الأخرى، الذكاء الاصطناعي (بالتعاون مع Fourkind / Thoughtworks) لتسريع عملية تطوير الوصفات. تساعد أداة الذكاء الاصطناعي على تحسين الوجبات الخفيفة من حيث النكهة والتكلفة والمظهر الغذائي والتأثير البيئي. ولهذا السبب، يمكن لمتغيرات وتعديلات المنتج الجديدة أن تصل إلى الاختبار التجريبي بمعدل 4-5 مرات أسرع من الطرق التقليدية.

5.5 نمذجة البيرة البلجيكية ورائحة الذكاء الاصطناعي

قام الباحثون في جامعة KU Leuven بتحليل 250 نوعًا من البيرة البلجيكية، وجمعوا بين التركيب الكيميائي (مئات من جزيئات الرائحة) وبيانات مراجعة المستهلك لبناء نماذج التعلم الآلي التي تتنبأ بالذوق والتفضيل. وقد حددوا المركبات الرئيسية (مثل حمض اللاكتيك والجلسرين) التي تؤثر على إدراك النكهة.

هذا النوع من النمذجة العكسية - رسم خرائط الكيمياء للانطباع الحسي - يمكن أن يُبلغ عن تعديلات النكهة المستهدفة.

5.6 تحسين المشروبات الروبوتية

في البحث الأكاديمي، قام نظام آلي بتحسين معلمات المشروبات المسحوقة (مثل نسبة الخلط ودرجة الحرارة) باستخدام ردود فعل رؤية الكمبيوتر والتحسين الافتراضي. أدى نهج الحلقة المغلقة هذا إلى تسريع عملية البحث عن المعلمات بشكل كبير وأظهر تآزر الروبوتات والذكاء الاصطناعي في تطوير النكهة.

6. التنفيذ العملي: خارطة الطريق وأفضل الممارسات

كيف يمكن لشركة النكهات أن تتبنى الذكاء الاصطناعي بشكل عملي في خط أنابيب البحث والتطوير الخاص بها؟ فيما يلي خريطة طريق مرحلية وأفضل الممارسات والاعتبارات الإستراتيجية.

6.1 المرحلة الأولى – الإعداد والأساسات

1. محاذاة أصحاب المصلحة والاستراتيجية

• تحديد أهداف العمل: ابتكار أسرع، ومزيد من التمايز، وتقليل النفايات، والنكهات الشخصية، وما إلى ذلك.
• احصل على الدعم التنفيذي وحدد مؤشرات الأداء الرئيسية (مثل عدد الصيغ المرشحة شهريًا، وتقليل التجارب المعملية، ومعدل النجاح).
• تشكيل فرق متعددة التخصصات: خبراء النكهات والكيميائيون وعلماء البيانات والمهندسون وخبراء التنظيم/السلامة.

1. تدقيق البيانات والبنية التحتية

• كتالوج مجموعات البيانات الكيميائية والحسية والتركيبية وبيانات المستهلك الموجودة.
• تقييم جودة البيانات ونقصها ومعايير القياس والمواءمة.
• إنشاء خط أنابيب للبيانات (الابتلاع والتخزين والإصدار والتحديثات المستمرة).
• تحديد معايير البيانات الوصفية (مثل معرف الدفعة والتاريخ وإعدادات الأداة وبيانات تعريف اللوحة).
• ضع في اعتبارك البنية التحتية الحسابية الضرورية: خوادم GPU، والأنظمة الأساسية السحابية، وأدوات MLOps، وأنظمة قواعد البيانات.

1. اختيار المشروع التجريبي

• اختر حالة استخدام مقيدة وعالية التأثير (على سبيل المثال، الاستبدال في خط الإنتاج، أو تعديل النكهة في منتج موجود).
• تحديد معايير النجاح، والتبعيات متعددة الوظائف، والجداول الزمنية.

6.2 المرحلة الثانية – تطوير النموذج وتكراره

1. النماذج الأولية

• تطوير نماذج أساسية (مثل الانحدار والغابة العشوائية) لتعيين ميزات الإدخال لاستهداف المقاييس الحسية.
• التحقق من الصحة من خلال التحقق المتبادل، ومجموعات الاستبعاد، ومراجعة خبراء المجال.

1. ميزة الهندسة والتضمين

• استكشاف الواصفات الكيميائية، والبصمات الجزيئية، ومصطلحات التفاعل، والتضمين.
• استخدم تقليل الأبعاد أو التضمين للتعامل مع لعنة الأبعاد.

1. اقتراح المرشح التوليدي

• بناء أو اعتماد أساليب توليدية (VAE، RL، وراثية) لاقتراح مزيج أو جزيئات مرشحة جديدة.
• تطبيق التصفية بناءً على قيود المجال (مثل قواعد مسببات الحساسية وحدود الأمان وحدود التكلفة).

1. حلقة التعلم النشط

• حدد المرشح التالي من خلال وظائف الاستحواذ (مثل عدم اليقين والتحسين المتوقع).
• قم بتجميع النتائج واختبارها وإعادتها لإعادة تدريب النموذج.

1. إمكانية الشرح والخبرة داخل الحلقة

• نشر تقنيات التفسير (SHAP، الانتباه، الإسناد) للسماح لأخصائيي النكهات بفهم سبب اختيار النموذج لمركبات معينة.
• امنح خبراء النكهات القدرة على التحكم في قبول الاقتراحات أو تحسينها أو رفضها.

6.3 المرحلة 3 – التوسع والتكامل

1. التكامل مع سير عمل الصياغة

• تضمين اقتراحات نماذج الذكاء الاصطناعي في برنامج إدارة الصياغة (LIMS / ELN).
• توفير واجهة مستخدم لأخصائيي النكهات لتصفح وتصفية ومحاكاة الخلطات المرشحة.

1. الأتمتة والروبوتات

• عند الاقتضاء، قم بالتكامل مع الخلاطات الآلية، ومصفوفات أجهزة الاستشعار، وأخذ العينات الآلية، والأدوات المخبرية لتجريب الحلقة المغلقة.

1. التحقق من الصحة والامتثال التنظيمي

• قم بإجراء لوحات حسية وتجارب للمستهلكين للتحقق من صحة النكهات المقترحة بواسطة الذكاء الاصطناعي في سياقات حالة الاستخدام الحقيقية.
• تحقق من السلامة والمواد المسببة للحساسية والامتثال التنظيمي واستقرار الرف وقابلية التوسع.

1. الرصد والكشف عن الانجراف

• مراقبة انحراف النموذج بمرور الوقت (على سبيل المثال تغييرات المواد الخام وتغييرات موردي المكونات).
• إعادة التدريب بشكل دوري باستخدام البيانات الجديدة للحفاظ على الأداء التنبئي.

1. تتبع مؤشرات الأداء الرئيسية وعائد الاستثمار المستمر

• تتبع المقاييس مثل تقليل دورات الصياغة، وتوفير التكاليف، ومعدلات النجاح، والسرعة التجريبية، وما إلى ذلك.
• قم بتحسين العمليات والاستثمار في تحسين النموذج والبنية التحتية للبيانات.

6.4 أفضل الممارسات والتوصيات

• ابدأ صغيرًا وتدريجيًا– استخدام الذكاء الاصطناعي كوسيلة لتعزيز، وليس كبديل، لكسب الثقة.
• إبقاء خبراء المجال في الحلقة- يجب على خبراء النكهات أن يوجهوا اقتراحات الذكاء الاصطناعي ويعترضوا عليها وينقحوها.
• إعطاء الأولوية للتفسير- من الصعب الوثوق بنماذج الصندوق الأسود، خاصة في المجالات الحيوية المتعلقة بالسلامة.
• فرض تصفية القيد في وقت مبكر- القيود التنظيمية، والتكلفة، والحساسية، والاستقرار يجب أن تقلل من مساحة المرشح في وقت مبكر.
• استخدام الفرقة والإجماع- الجمع بين وجهات نظر النمذجة المتعددة لتحقيق المتانة.
• التحكم في الإصدار وتتبع النسب- تتبع مجموعات البيانات والنماذج والأجيال المرشحة لقابلية التدقيق.
• زيادة البيانات ونقل التعلم— الاستفادة من قواعد البيانات الكيميائية الخارجية للتدريب المسبق على النماذج.
• الحواجز الأخلاقية والسلامة— تضمين مرشحات التنبؤ بالسمية/السلامة في خطوط الأنابيب التوليدية.
• التعاون والشراكة- إشراك موفري أدوات الذكاء الاصطناعي، أو المعامل الأكاديمية، أو شركات الذكاء الاصطناعي الناشئة للحصول على خبرة سريعة.

من خلال العناية والانضباط، يمكن لشركات النكهات تحويل مسار البحث والتطوير الخاص بها من بطيء ومنعزل إلى رشيق ومعتمد على البيانات.

7. التحديات والقيود وتخفيف المخاطر

على الرغم من أن الذكاء الاصطناعي يحمل الكثير من الأمل، إلا أنه ليس حلاً سحريًا. وفيما يلي التحديات الرئيسية وطرق التخفيف منها.

7.1 جودة البيانات وكميتها وتحيزها

• بيانات متفرقة/صاخبة: قد تكون مجموعات بيانات النكهة صغيرة بالنسبة للمساحة التوافقية الكيميائية.
• عدم تناسق القياس: الأدوات أو المختبرات أو البروتوكولات المختلفة يمكن أن تؤدي إلى التحيز.
• تحيز أخذ العينات: البيانات التاريخية قد تعكس فقط الصيغ الناجحة، مما يحد من التنوع.
• ضجيج التسمية / التقلب البشري: درجات اللوحة الحسية لها ضوضاء متأصلة وتباين بين اللوحات.

التخفيف: التنظيف الدقيق للبيانات، والمعايرة عبر المختبرات، والتكرار، والتعزيز، ونمذجة عدم اليقين.

7.2 التعميم والاستقراء

قد تؤدي النماذج أداءً جيدًا في الاستيفاء ولكنها تواجه صعوبات عند المغامرة خارج المجال (على سبيل المثال، الفضاء الكيميائي الجديد). الإفراط في التجهيز هو خطر حقيقي.

التخفيف: التنظيم، والتحقق من صحة المركبات "الجديدة" المحتجزة، وقوة الخصومة، وتقنيات التكيف مع المجال.

7.3 القابلية للتفسير والثقة

قد يقترح الذكاء الاصطناعي للصندوق الأسود مزيجًا مرشحًا يتحدى الحكمة التقليدية أو المعقولية الظاهرة. وبدون الشفافية، قد يرفضها خبراء النكهة.

التخفيف: تضمين المكونات القابلة للتفسير، والإسناد، والمراجعة البشرية داخل الحلقة، وحواجز حماية المجال، ومرشحات الأمان.

7.4 التكامل ومقاومة التبني

قد تقاوم فرق البحث والتطوير التبني بسبب الجمود الثقافي، أو الخوف من التقادم، أو نقص المعرفة بالذكاء الاصطناعي.

التخفيف: تقديم التدريب، وقصص النجاح التجريبية، وإشراك موظفي المجال في وقت مبكر، والتأكيد على الزيادة، وليس الاستبدال.

7.5 التنظيم والسلامة والملكية الفكرية

• لا تزال المركبات المرشحة المولدة بواسطة الذكاء الاصطناعي بحاجة إلى تقييم صارم للسلامة (السمية، والحساسية، والامتثال التنظيمي).
• الملكية الفكرية: من يملك النكهات التي يقترحها الذكاء الاصطناعي؟
• إمكانية التتبع وقابلية التدقيق: يجب الحفاظ على إمكانية التفسير وسجلات التتبع.

التخفيف: تضمين مرشحات السمية، ومراجعة السلامة، والتسجيل وإصدار الإصدارات، واتفاقيات الملكية الفكرية الواضحة، والرقابة التنظيمية.

7.6 التكلفة والبنية التحتية

إن نشر الذكاء الاصطناعي (الأجهزة، والبنية التحتية للبيانات، وتطوير البرمجيات) ينطوي على تكلفة.

التخفيف: البدء على نطاق صغير، واستخدام الخدمات السحابية، والشراكة مع موفري منصات الذكاء الاصطناعي، والتوسع بشكل تدريجي.

7.7 نموذج الانجراف والصيانة

تتغير مساحة النكهة مع تطور المواد الخام والموردين واللوائح واتجاهات المستهلك. تتدهور نماذج الذكاء الاصطناعي بمرور الوقت.

التخفيف: المراقبة المستمرة، وإعادة التدريب، والتقييم المجدول، وتحديث مسار البيانات.

ومن خلال الاعتراف بهذه التحديات ومعالجتها بشكل استباقي، يمكن للشركات تجنب المخاطر والحفاظ على النجاح على المدى الطويل.

8. الاتجاهات المستقبلية والتوقعات

ما الذي ينتظرنا؟ فيما يلي الحدود الناشئة حيث يتقاطع الذكاء الاصطناعي وعلم النكهة.

8.1 أجهزة الاستشعار العصبية والمستوحاة من الحيوية

يصف العمل الأخيرلسان اصطناعييعتمد على أغشية أكسيد الجرافين التي يمكنها استشعار و"تعلم" بصمات الذوق في السائل، لتكون بمثابة واجهة أمامية حسية لأنظمة الذكاء الاصطناعي.العلوم الحيةنظرًا لأن تقنية الاستشعار أصبحت أكثر محاكاة بيولوجية، يمكن للذكاء الاصطناعي أن يتفاعل بشكل أفضل مع الكشف الكيميائي في الوقت الفعلي.

8.2 الذكاء الاصطناعي متعدد الوسائط والنمذجة عبر الحواس

قد تقوم النماذج المستقبلية بدمج العناصر المرئية (مثل اللون والملمس) والصوت (مثل الطحن) والإشارات السياقية (درجة الحرارة والتعبئة) في التنبؤ بالنكهة. وهذا يمكن أن يخلق نمذجة تجربة حسية شاملة.

8.3 النكهات الشخصية والمعتمدة على الجينوم

يمكن للمرء أن يتصور نكهات مصممة خصيصًا لتناسب الوراثة الفردية، أو الميكروبات المعوية، أو أنماط الحياة - مع تخصيص صيغ النكهة لكل مستهلك بواسطة الذكاء الاصطناعي. ومع تقارب التغذية الشخصية مع النكهة، يتم فتح أسواق جديدة.

8.4 مختبرات البحث والتطوير ذاتية القيادة

وقد تصبح مختبرات البحث والتطوير أكثر آلية: إذ يقترح الذكاء الاصطناعي، وتجري الروبوتات التجارب، وتقوم أجهزة الاستشعار بتغذية البيانات، وتقوم النماذج بتحسين نفسها في حلقات مغلقة. تعمل مثل هذه الأنظمة المستقلة على تسريع دورات الابتكار.

8.5 الاستدامة وأنظمة النكهة الدائرية

يمكن استخدام الذكاء الاصطناعي للحصول على مكونات "تحويل النفايات إلى نكهة" (المنتجات الثانوية والمواد المعاد تدويرها) وتحسين إنتاجية النكهة من المواد الخام منخفضة التكلفة أو المستدامة، بما يتماشى مع المعايير الخضراء. سيكون الاستبدال القائم على الذكاء الاصطناعي وتحسين الموارد أمرًا أساسيًا.

8.6 التعلم التعاوني والموحد

يجوز لشركات Flavour مشاركة تضمينات أو نماذج مجهولة المصدر (دون الكشف عن بيانات الملكية) عبر التعلم الموحد، والاستفادة من مجموعات البيانات الكيميائية/الحسية الجماعية مع الحفاظ على الملكية الفكرية.

8.7 النقل عبر المجالات (العطر → النكهة → فارما)

يمكن للنماذج المدربة على العطور أو النكهة أو حتى الروائح الصيدلانية أن تنقل المعرفة، مما يتيح الابتكار عبر المجالات في الطعم والرائحة والمركبات النشطة بيولوجيًا.

تشير هذه الاتجاهات إلى أن تطوير النكهة المعتمدة على الذكاء الاصطناعي لن يؤدي فقط إلى زيادة البحث والتطوير، بل سيغير نماذج الأعمال وتجربة المنتج.

9. الخاتمة والدعوة إلى العمل

يعمل الذكاء الاصطناعي على إعادة تشكيل تطور النكهة من صناعة منزلية تعتمد على التجربة والخطأ إلى مجال ابتكار يعتمد على البيانات ويتسم بالذكاء والفعالية العالية. من خلال دمج البيانات الكيميائية والحسية وبيانات المستهلك، يعمل الذكاء الاصطناعي على تمكين خبراء النكهات من استكشاف مساحات تركيبية واسعة بشكل أكثر كفاءة، واقتراح مجموعات جديدة، وإجراء الاستبدال في ظل القيود، ومواءمة ابتكار النكهات مع رؤى المستهلك الشخصية.

ومع ذلك، يتطلب النجاح أكثر من مجرد نشر نموذج: فهو يتطلب التوافق الاستراتيجي، والبنية التحتية عالية الجودة للبيانات، والإشراف على المجال، وقابلية التفسير، والتحسين المتكرر. ستكتسب الشركات التي تدمج الذكاء الاصطناعي بشكل مدروس في خطوط البحث والتطوير الخاصة بها ميزة تنافسية: تفكير أسرع، ومعدلات نجاح أعلى، وهدر أقل، وصدى أعمق لدى المستهلك.

نحن ندعوك للمشاركة معنا في الحدود التالية لابتكار الذوق.اطلب تبادلًا فنيًا مجانيًا أو نموذجًا لمفهوم النكهةواستكشف كيف يمكن لتطوير النكهة بمساعدة الذكاء الاصطناعي أن يغير خط إنتاج منتجك.

📩[معلومات@Cuiguai.com]
📞[+86 189 2926 7983]

🌐 استكشف المزيد في【www.cuiguai.cn】