Поиск примеров в сочетании со знаниями о пищевых структурах

ИИ-агент с предметными знаниями предсказал твёрдость и работу при жевании растительных заменителей мяса с меньшими ошибками, чем метод, использовавший только похожие обучающие примеры. В небольшом тесте его результаты не удалось статистически отличить от градиентного бустинга, сильнейшей модели машинного обучения в сравнении. Исследование Ичжоу Ма, опубликованное 21 сентября 2026 года в Current Research in Food Science, сопоставило обычное машинное обучение, поиск со взвешиванием по обратному расстоянию и агента на основе языковой модели с предметными знаниями.

Агент использовал Claude Sonnet 4.6, три близких обучающих примера и вручную составленную базу знаний. Для заменителей мяса знания охватывали зависимость белковых сетей от влажности, различия между источниками белка, укрепление волокнами и размягчение под действием жира. Автор определяет агента как модель, обращающуюся к внешним инструментам, а не как автономную систему многошагового планирования.

Тринадцать образцов за пределами обучающего диапазона

Набор данных о текстуре содержал 54 образца с показателями белка, жира, углеводов, волокон, золы, влажности и целевой влажности. Для обучения использовали 41 образец, для теста отложили 13. Тестовые группы включали составы с содержанием белка и волокон за пределами обучающего диапазона. Правила, описывающие механизмы, подготовили до прогнозов; измеренные тестовые результаты не включали в обучение, поиск и запросы к модели.

Средняя абсолютная ошибка агента составила 4,66 Н для твёрдости и 4,45 Дж для работы при жевании. Твёрдость соответствует пику силы при сжатии, а работа при жевании — механической энергии. В парных бутстреп-сравнениях с градиентным бустингом 95%-ные доверительные интервалы обеих разностей ошибок включали ноль, поэтому исследование не позволило статистически различить методы на этом тесте. Автор сообщает о значимо меньших ошибках по сравнению с одним лишь поиском для обеих целевых величин.

Отдельный тест белково-полисахаридных смесей

Второй набор касался реологии смесей растительных белков и полисахаридов. Статья сообщает о 246 обучающих и 65 отложенных образцах. До прогнозов исключили два наблюдения с необычно низким напряжением; все методы оценивали на одинаковых 63 образцах. Целевыми величинами были модуль накопления G′ и максимальное напряжение при деформации 200%. Они характеризуют поведение при малых и больших деформациях соответственно.

База знаний о гелях включала укрепление с ростом концентрации, разбавление сети влагой, различия в гелеобразовании белков, формирование белково-полисахаридных сетей и хрупкость систем с высоким содержанием каррагинана. Автор подчёркивает трудность прогноза больших деформаций только по составу и необходимость более крупных и представительных наборов для оценки неопределённости механически сложных характеристик.

Ограниченные данные и зависимость от экспертных знаний

Исследование обращалось к языковой модели один раз для каждого образца с фиксированным структурированным запросом. В сравнении заменителей мяса в таблице A1 приложения удаление правил приблизило ошибки к простому поиску: для твёрдости они составили 18,76 Н без правил, 18,78 Н при поиске и 4,66 Н у полного агента. Для работы при жевании значения составили 15,43 Дж, 15,62 Дж и 4,45 Дж соответственно.

Автор отмечает, что рассмотрены только два случая с табличными данными и скалярными целевыми величинами. Качество агента зависит от заложенных знаний, а эта реализация не обновляла их автономно. Новые наблюдения требовали ручного добавления. Статья призывает исследовать непрерывное обучение и провести дополнительные тесты для разных пищевых систем, условий обработки и механических характеристик, чтобы установить обобщаемость подхода.

ИСТОЧНИКИ И ПРОЗРАЧНОСТЬ Как мы работаем ↗
искусственный интеллекттекстура продуктоврастительные аналоги мясареологияисследование рецептур