# Gıda bilimi kuralları, yapay zekâ ajanının et alternatiflerinde doku tahminine katkı sağladı

> 13 örneklik testte bilgiyle yönlendirilen ajan, benzer örneklere dayalı tahminden daha düşük hata verdi. Gradyan artırmaya karşı üstünlüğü ise bu test grubunda istatistiksel olarak ayırt edilemedi.

URL: https://foodradar.org/tr/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology
Dil: tr
Yazar: FoodRadar Editorial
Yayın: 2026-10-15T20:50:05.019775+00:00
Güncelleme: 2026-10-23T01:08:10.958Z
Kaynak yayın tarihi: 2026-09-21
Kategori: Teknoloji
English: https://foodradar.org/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
Русский: https://foodradar.org/ru/knowledge-based-ai-agent-outperforms-pure-retrieval-in-predicting-food-texture-and-rheology

## Benzer örnekler gıda bilimi bilgisiyle birleştirildi

Gıda bilimi bilgisiyle desteklenen bir yapay zekâ ajanı, bitkisel et alternatiflerinin sertliğini ve çiğnenebilirliğini yalnızca benzer eğitim örneklerini kullanan yönteme göre daha düşük hatayla tahmin etti. Küçük test grubunda sonuçlar, en güçlü makine öğrenmesi karşılaştırması olan gradyan artırmayla istatistiksel olarak benzerdi. Yizhou Ma’nın 21 Eylül 2026’da Current Research in Food Science dergisinde yayımlanan çalışması; geleneksel makine öğrenmesini, ters uzaklık ağırlıklandırmalı örnek aramayı ve bilgiyle yönlendirilen bir dil modeli ajanını karşılaştırdı.

Ajan, en yakın üç eğitim örneği ve elle derlenmiş bir bilgi tabanıyla çalışmak için Claude Sonnet 4.6 kullandı. Et alternatiflerine ilişkin bilgiler; neme bağlı protein ağlarını, protein kaynakları arasındaki farkları, liflerin yapıyı güçlendirmesini ve yağın yumuşatıcı etkisini kapsıyordu. Yazar ajanı, kendi başına çok aşamalı plan yapan bir sistemden ziyade dış araçlara başvuran bir model olarak tanımlıyor.

## Eğitim aralığı dışındaki 13 örnekle test

Doku veri kümesindeki 54 örnek; protein, yağ, karbonhidrat, lif, kül, nem ve hedef nem değerleriyle tanımlanıyordu. Çalışmada 41 örnek eğitimde kullanıldı, 13 örnek test için ayrıldı. Test grupları, eğitim aralığı dışında protein ve lif bileşimleri içeriyordu. Mekanizmaya ilişkin kurallar tahminlerden önce hazırlandı; test örneklerinin ölçülmüş sonuçları eğitim, örnek arama ve istemlere dâhil edilmedi.

Ajanın ortalama mutlak hatası sertlikte 4,66 N, çiğnenebilirlikte 4,45 J oldu. Sertlik sıkıştırma sırasında ölçülen tepe kuvvetini, çiğnenebilirlik ise mekanik enerjiyi ifade ediyor. Gradyan artırmayla eşleştirilmiş bootstrap karşılaştırmalarında her iki hata farkının %95 güven aralığı da sıfırı içerdi; dolayısıyla çalışma bu testte iki yöntemi istatistiksel olarak ayırt edemedi. Yazar, yalnızca örnek aramaya göre her iki hedefte de anlamlı derecede düşük hata bildiriyor.

## İkinci karşılaştırmada protein–polisakkarit karışımları incelendi

İkinci veri kümesi bitkisel protein–polisakkarit karışımlarının reolojisine odaklandı. Makale, 246 eğitim örneği ve test için ayrılan 65 örnek bildiriyor. Olağandışı düşük gerilme değerine sahip iki gözlem tahminlerden önce çıkarılarak bütün yöntemler aynı 63 örnekle değerlendirildi. Hedefler depolama modülü G′ ve %200 şekil değiştirmedeki en büyük gerilmeydi. Bunlar sırasıyla küçük ve büyük şekil değiştirme davranışıyla ilgili.

Jellere ilişkin bilgi tabanı; derişime bağlı güçlenmeyi, nemin ağı seyreltmesini, proteinlerin jelleşme farklarını, protein–polisakkarit ağ oluşumunu ve karragenanca zengin sistemlerin kırılganlığını içeriyordu. Yazar, büyük şekil değiştirme davranışının yalnızca bileşim özelliklerinden tahmin edilmesinin güç olduğunu ve mekanik açıdan karmaşık hedeflerin belirsizlik değerlendirmesi için daha büyük, daha temsil edici veri kümeleri gerektiğini vurguluyor.

## Küçük veri kümeleri ve uzmanların derlediği bilgi sınırlayıcı olmaya devam ediyor

Çalışmada sabit, yapılandırılmış bir istem kullanılarak dil modeline her örnek için bir kez sorgu gönderildi. Ek Tablo A1’in et alternatifi karşılaştırmasında, mekanizmaya ilişkin kuralların çıkarılması hataları yalnızca örnek arama düzeyine yaklaştırdı: sertlik hatası kuralsız modelde 18,76 N, örnek aramada 18,78 N, tam ajanda ise 4,66 N oldu. Çiğnenebilirlik hataları aynı sırayla 15,43 J, 15,62 J ve 4,45 J idi.

Yazar yalnızca iki tablo biçimindeki veri kümesinin ve skaler tahmin hedeflerinin incelendiğini belirtiyor. Ajanın kalitesi kodlanan bilgiye bağlı; bu uygulama bilgisini kendi kendine güncellemiyordu. Yeni gözlemlerin elle eklenmesi gerekiyordu. Makale, genellenebilirliği ortaya koymak için sürekli öğrenme üzerine araştırmalar ve farklı gıda sistemleri, işleme koşulları ve mekanik hedeflerde yeni testler yapılmasını öneriyor.

## Kaynaklar ve kullanım hakları

- [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-tr). 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-tr-license).

FoodRadar tarafından uyarlanmış ve çevrilmiştir.

[Yayın ilkeleri](https://foodradar.org/tr/editorial-policy)