Макаронные изделия — один из ключевых продуктов мировой пищевой индустрии. Традиционное создание рецептур требует многолетнего опыта и часто носит эмпирический характер. Современные вызовы, включая спрос на специализированные продукты (безглютеновые, низкоуглеводные), делают актуальным внедрение технологий ИИ. Данное исследование направлено на оценку потенциала МО в прогнозировании оптимальных соотношений ингредиентов и параметров обработки теста.
Материалы и методы
1. Сбор данных: Использована база из 200 рецептур макаронного теста с указанием типа муки (содержание белка: 10–15%), гидратации (25–35%), доли добавок (0–40%), времени замеса (5–15 мин) и результатов оценки текстуры (твердость, эластичность) методом текстурного анализа.
2. Моделирование:
Нейронная сеть: Архитектура MLP (3 скрытых слоя) для прогнозирования гликемического индекса (ГИ) на основе входных параметров.
Степень аль денте (чуть недоваренные) влияет на гликемический индекс (ГИ) макаронных изделий следующим образом: приготовленные таким способом макаронные изделия имеют более низкий гликемический индекс. 12
ГИ макаронных изделий аль денте (чуть недоваренные) обычно равен около 40, в то время как ГИ долго варившихся изделий из (чуть недоваренные пшеничной муки может составлять 70 и выше. 3. Это означает, что при употреблении макарон, приготовленных до полутвёрдого состояния, не происходит резкого выброса инсулина. 2
ГИ макаронных изделий может изменяться в зависимости от сырья, из которого они изготовлены, технологии производства и времени приготовления. 4. Аль денте (чуть недоваренные) — оптимальная степень готовности для макаронных изделий, чтобы ГИ был низким. 5
Технологический алгоритм: Оптимизация рецептур для минимизации потерь при варке (cooking loss).
3. Валидация: Сравнение ИИ-рецептур с контрольными образцами, изготовленными студентами на практических занятиях. Сенсорная оценка проведена слепым методом с участием 20 экспертов.
Результаты
1. Точность прогнозирования: Нейронная сеть достигла RMSE = 0.12 при предсказании прочности изделий (R² = 0.89).
RMSE (Root Mean Squared Error), показывает, на сколько, в среднем, прогноз отклоняется от реальных значений. Вычисляется по формуле: берут разницу между прогнозом и опытным путем, возводят все эти разницы в квадрат и усредняют по всем тестовым случаям, а затем из полученного среднеквадратичного отклонения извлекают квадратный корень.
Чем меньше значение RMSE, тем лучше. Если RMSE равен нулю, то это означает, что точность прогнозирования очень высокая.
2. Оптимизация: Технологический алгоритм сократил потери при варке на 18% в сравнении с традиционными рецептами.
3. Сенсорная оценка: ИИ-рецептуры получили оценку 4.5/5 по шкале вкуса и текстуры против 4.2 у контрольных образцов.
Выводы
Преимущества ИИ:
- Сокращение времени разработки рецептур с месяцев до часов.
- Персонализация (настройка под диетические ограничения).
Ограничения:
- Зависимость от качества данных (приготовление сырья).
- Сложность моделирования субъективных параметров (вкус).
Будущие исследования:
- Интеграция данных о потребительских предпочтениях и экологическом следе ингредиентов.
Заключение
ИИ демонстрирует значительный потенциал в реформировании подхода к созданию макаронных рецептур. Дальнейшее развитие методов МО, coupled с расширением междисциплинарных исследований, позволит создавать продукты, отвечающие динамичным запросам рынка.
Список литературы
- Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Бином. Лаборатория знаний / Интернет-университет информационных технологий (ИНТУИТ),2017. 336 c.
- Домингос, Педро Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос. - Москва: Гостехиздат, 2015. - 989 c.
- Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком; Издание 2-е, стер., 2002. - 382 c.
- Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая линия - Телеком, 2008. - 392 c.