# Знания о пищевых структурах помогли ИИ-агенту предсказать текстуру растительных заменителей мяса

> В тесте на 13 образцах агент с предметными знаниями показал меньшие ошибки, чем поиск по сходству. Его преимущество перед градиентным бустингом статистически различить на этой выборке не удалось.

URL: https://foodradar.org/ru/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Язык: ru
Автор: FoodRadar Editorial
Опубликовано: 2026-10-15T20:50:05.019775+00:00
Обновлено: 2026-10-23T01:08:10.958Z
Дата публикации источника: 2026-09-21
Категория: Технологии
English: https://foodradar.org/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Türkçe: https://foodradar.org/tr/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Español: https://foodradar.org/es/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Deutsch: https://foodradar.org/de/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Italiano: https://foodradar.org/it/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology

## 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 права на использование

- [Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures](https://doi.org/10.1016/j.crfs.2026.101578?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology-ru). Current Research in Food Science. Yizhou Ma (2026). Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures. Current Research in Food Science 13, 101578. Published 21 September 2026. DOI:10.1016/j.crfs.2026.101578. Copyright The Author 2026. CC BY 4.0. Editorial adaptation and translation: FoodRadar. [CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/?utm_source=foodradar.org&utm_medium=referral&utm_campaign=editorial&utm_content=knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology-ru-license).

Переведено и адаптировано FoodRadar.

[Редакционные принципы](https://foodradar.org/ru/editorial-policy)