Большие данные в пищевой промышленности: как предприятия используют ИИ

Следуя этим направлениям, в пищевой отрасли активно внедряются технологии автоматизации и искусственного интеллекта. Современные алгоритмы машинного обучения уже применяются на всех этапах производства, позволяя значительно повысить эффективность работы. Благодаря цифровизации производственные процессы становятся более гибкими и ориентированными на потребности каждого клиента. Подробнее о том, что стало ключевым фактором модернизации и какие технологии используются, расскажем в этой статье.

Почему назрела потребность во внедрении ИИ

ВИВО Маркет — ведущий поставщик питания для школ, детских садов, больниц и ПНИ, федеральный эксперт по организации технологичного производства и автоматизации социального питания. Каждую неделю на ПЛК формируется план закупок сырья у поставщиков и план производства продукции для заказчиков, которых мы обеспечиваем горячим питанием. Школы, детские сады, больницы и другие учреждения высылают нам заявки с фактическим количеством питающихся.

До автоматизации в компания сталкивались с типичными для поставщиков питания трудностями.

Ручная обработка заявок по объему сырья для поставщиков. Раньше заявки от более 500 объектов (т.е детских садов, больниц и школ) поступали через звонки и сообщения. Обработка каждого заказа отнимала не менее 20 минут.

Ошибки в заказах. Частые промахи в объемах заказов сырья — например, из‑за ручного ввода и «ошибки на нолик» вместо нужных 100 кг приходило 1000 кг. В масштабах обслуживания более 500 объектов это приводило к большим убыткам, особенно если сырье было скоропортящимся. Если же сырья не хватало, приходилось делать дополнительные заказы у поставщиков. Те из них, кто уставал от постоянных звонков по типу «срочно доставьте ещё 1000 кг картошки», отказывались от сотрудничества с нами.

Некачественный учет. Из‑за ошибок в учете товаров заказы нередко формировались с избытком или недостатком, и не все поставщики соглашались работать в таких условиях.

Нарушения при хранении. Сложный этап контроля на всей логистической цепочке отнимал много времени, а если условия хранения не были соблюдены, это приводило к браку продукции.

Логистические проблемы. Сотрудники допускали ошибки при маркировке продукции и формировании накладных.

Для решения этих проблем компания приняла решение о внедрении ИИ и автоматизации процессов.

Как создавалась платформа по обработке больших данных

Чтобы повысить скорость и точность процессов, на платформе 1С:Предприятие мы создали систему автозаказа, которая использует алгоритмы машинного обучения и искусственного интеллекта. Она анализирует данные о потреблении с различных объектов и на их основе формирует прогнозы потребностей в сырье и готовой продукции. Разрабатывая алгоритмы, мы взяли за основу открытые математические модели и адаптировали их под нужды компании, добавив в систему исторические сведения:

• график поставок;
• категории объектов;
• категории питающихся;
• нормы потребления;
• цикличность меню;
• сезонность;
• праздники.

Так появилась наша собственная платформа по работе с большими данными. Со временем команда разработчиков расширилась, а в 2023 году в систему добавились передовые ИИ‑алгоритмы. Основой для их обучения стали исторические данные — без этой базы было бы сложно внедрять в работу производства такие решения. Сегодня инфраструктура комбината на 80% состоит из собственных разработок. Их стоимость составляет 50 миллионов рублей. Технологии позволили нам улучшить некоторые процессы.

Оптимизация закупок и производства. Еженедельно система автоматически анализирует заявки и рассчитывает, сколько сырья и готовой продукции потребуется для каждого объекта. Она учитывает все ключевые факторы: прошлый опыт потребления, сезонные колебания, праздники, особенности рациона для разных групп питающихся и расписание поставок. Сотруднику, который ответственен за объект, остается только скорректировать количество людей, которых нужно обеспечить питанием.

Дальше искусственный интеллект собирает данные со всех объектов и передает их на ПЛК. Затем система автоматически распределяет задачи между отделами:

• производство получает задание на выпуск нужного объема продукции;
• отдел закупок — список сырья, которое необходимо закупить;
• распределительный центр — инструкции по комплектации заказов для каждого объекта;
• логистика — готовый маршрут для доставки, чтобы машины прибыли точно в срок.

Система использует метод обратного расчета — она умеет декомпозировать конечный продукт на ингредиенты и определяет их точное количество. Например, для 5 тыс. котлет она с точностью до граммов рассчитает, сколько нужно соли, фарша и муки. А если речь идет о больничном питании, где каждому пациенту требуется свой диетический набор, ИИ разберет меню до отдельных компонентов, учтет особенности приготовления, например, потерю веса продуктов при тепловой обработке, и предложит точный заказ сырья на неделю вперед. На основании объемов потребления руководитель производства формирует производственный план и потребность в заказе скоропортящегося сырья по дням недели.

Все процессы — от заказа сырья до планирования производства — идут синхронно. Сотрудник проверяет расчеты, после чего система автоматически отправляет заказы поставщикам через электронный документооборот ЭДО и email. В день отгрузки ИИ уже подготовил задания на комплектацию продукции и сформировал маршруты, чтобы доставка прошла без задержек.

Планирование объема потребления формируется ежемесячно и актуализируется еженедельно, позволяя нам формировать более точный прогноз производства, закупки и отгрузки.

Внедрив систему автозаказа, мы сократили время обработки с 20 минут на одну заявку до двух часов для всех объектов сразу. Нам удалось минимизировать ошибки, связанные с человеческим фактором. Благодаря автоматизации затраты на сырье снизились на 50%. Это стало возможным за счет более точного прогнозирования и устранения избыточных поставок. Дополнительно улучшилась логистика — уменьшилась необходимость в дополнительных заказах и корректировках. Планирование и повышение сервиса работы с поставщиками позволило нам оптимизировать ФОТ и затраты на коммунальные услуги. Общая производительность труда и эффективность рабочих процессов повысились более чем на 70%.

Персонализация заказов через работу с большими данными. ИИ учитывает не только стандартные требования к рациону, но и индивидуальные потребности питающихся. До появления платформы мы испытывали трудности в оценке необходимого объема сырья. В каждом учреждении есть свои категории питающихся с собственным меню. Например, для каждой возрастной группы учеников в школе (с 1 по 11 класс) предусмотрен индивидуальный набор блюд с фиксированной нормой потребления питательных веществ (белков, жиров и углеводов) и свои порции. А в медицинских учреждениях категорий питающихся ещё больше, поскольку у каждого пациента — свое заболевание, для которого необходима определенная диета. Сотрудникам рассчитать всё это вручную с точностью до грамма было сложно.

Теперь же каждый наш клиент получает сбалансированные блюда, так как алгоритмы адаптированы под разные социальные категории потребителей. Для каждой из них мы формируем персонализированные заказы и предлагаем наиболее подходящую продукцию.

Результаты работы с большими данными

1. Время обработки заявок сократилось с 20 минут до нескольких секунд.
2. Расходы на логистику снижены на 50%.
3. Сохранность сырья увеличилась на 70%, а уровень списаний значительно сократился.
4. Улучшена прозрачность процессов, что позволило оперативно реагировать на изменения спроса.
5. Ошибки на всех этапах производства сведены к минимуму.
6. Производственные процессы компании оптимизированы на 70%, что позволило увеличить общую эффективность на 40%.

Использование больших данных и технологий искусственного интеллекта позволяет предприятиям пищевой промышленности не только снижать издержки, но и улучшать качество питания, делая его доступным и безопасным.