ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОПТИМИЗАЦИИ РЕЦЕПТУРЫ МАКАРОННОГО ТЕСТА: ИННОВАЦИИ НА СТЫКЕ ПИЩЕВЫХ ТЕХНОЛОГИЙ И МАШИННОГО ОБУЧЕНИЯ

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.