В последние годы искусственный интеллект (ИИ) стал настоящим трендом в производственной сфере, однако для средних производителей продуктов питания его внедрение может обернуться серьезными трудностями. Многие из них рассматривают ИИ как способ избежать сложной модернизации систем, но на практике это часто приводит к провалам. Основная проблема заключается не в алгоритмах, а в разрозненности данных, когда различные системы (ERP, MES, Excel) не могут "говорить" на одном языке.
Средние производители находятся в постоянном напряжении, сталкиваясь с изменениями в цепочках поставок и требованиями клиентов, но при этом располагая значительно меньшими ресурсами. В условиях приближающегося срока соблюдения новых регуляторных норм, таких как Правило отслеживания продуктов FDA (FSMA 204), многие компании надеются, что ИИ станет "волшебной палочкой" для достижения полной прослеживаемости и повышения эффективности. Однако реальность оказывается более сложной.
Исследования показывают, что большинство пилотных проектов с генеративным ИИ не приносят ощутимых финансовых результатов. Проблема заключается в том, что для успешного использования ИИ необходимо сначала привести в порядок данные. В типичной среде среднего производителя IT-ландшафт представляет собой гибридную систему, состоящую из различных источников данных, что создает цифровую "Башню Babel". Например, если один завод закупает "Сладкий сывороточный порошок", а другой — "Сухую сыворотку", то без контекста эти данные не могут быть правильно интерпретированы ИИ.
Для того чтобы ИИ действительно приносил пользу, необходимо провести работу по гармонизации данных. Это включает в себя два ключевых этапа: стандартизация данных и их контекстуализация. Стандартизация позволяет понять, какие источники данных существуют, а контекстуализация помогает превратить сырые данные в полезную информацию. Например, если данные о температуре не имеют контекста, ИИ не сможет определить, является ли это нормой или критическим сбоем.
Реальный пример показывает, что после гармонизации данных ИИ может выявить, что компания закупает один и тот же ингредиент у нескольких поставщиков под разными названиями. Это позволяет не только оптимизировать закупки, но и находить альтернативных поставщиков в случае необходимости.
Таким образом, для средних производителей продуктов питания важно понимать, что нет коротких путей к успеху. Чтобы извлечь реальную ценность из ИИ, необходимо сначала провести работу по гармонизации данных. В условиях строгого регулирования и узких маржей последовательность и стандартизация данных становятся ключевыми конкурентными преимуществами.