𝗔𝘂𝘁𝗼𝗺𝗮𝘁𝗶𝗻𝗴 𝗖𝗼𝗺𝗽𝗹𝗶𝗮𝗻𝘁 𝗥𝗲𝘁𝗮𝗶𝗹 𝗟𝗮𝗯𝗲𝗹𝘀 𝗳𝗼𝗿 𝗣𝗹𝗮𝗻𝘁-𝗕𝗮𝘀𝗲𝗱 𝗙𝗼𝗼𝗱𝘀 𝘄𝗶𝘁𝗵 𝗔𝗜
സസ്യഭക്ഷണങ്ങൾക്കായുള്ള (Plant-based foods) നിയമപരമായ റീട്ടെയിൽ ലേബലുകൾ AI ഉപയോഗിച്ച് ഓട്ടോമേറ്റ് ചെയ്യുക.
സസ്യഭക്ഷണ മേഖലയിലെ സംരംഭകർ റെസിപ്പിയിലെ മാറ്റങ്ങൾ, ബാച്ച് സ്കെയിലിംഗ് (batch scaling), റീട്ടെയിൽ ലേബലുകൾ കൃത്യമായി സൂക്ഷിക്കുക തുടങ്ങിയ കാര്യങ്ങൾ ഒരേസമയം കൈകാര്യം ചെയ്യേണ്ടി വരുന്നു. ഒരു അലർജൻ പോലും വിട്ടുപോയാലോ അല്ലെങ്കിൽ പോഷകാഹാര വിവരങ്ങൾ (nutrition facts) കാലഹരണപ്പെട്ടതായാലോ അത് വലിയ ചിലവുള്ള ഉൽപ്പന്ന തിരിച്ചുവിളിക്കലുകൾക്കും (recalls) ഉപഭോക്താക്കളുടെ വിശ്വാസം നഷ്ടപ്പെടുന്നതിനും കാരണമാകും.
'Nutrition Mapping Pipeline' എന്ന തത്വം ഇതിന് പരിഹാരം കാണുന്നു. ഓരോ റെസിപ്പിയെയും ഒരു ഡാറ്റാ സെറ്റായി കണ്ട്, അത് ഒരു ആവർത്തന പ്രക്രിയയിലൂടെ (repeatable pipeline) കടത്തിവിടുന്നു: ചേരുവകളുടെ പട്ടിക (ingredient list), പോഷക മാപ്പിംഗ് (nutrient mapping), അലർജൻ മാട്രിക്സ് (allergen matrix), ലേബൽ ഔട്ട്പുട്ട് എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. AI അധിഷ്ഠിത ലുക്കപ്പുകളും (lookups) നിയമപരിശോധനകളും (rule checks) ഉപയോഗിച്ച് ഓരോ ഘട്ടവും ഓട്ടോമേറ്റ് ചെയ്യുന്നതിലൂടെ, ഒരു ഫോർമുല സ്കെയിൽ ചെയ്യുമ്പോൾ തന്നെ പോഷകാഹാര വിവരങ്ങളും അലർജൻ പ്രഖ്യാപനങ്ങളും തൽക്ഷണം പുതുക്കപ്പെടുന്നുവെന്ന് നിങ്ങൾക്ക് ഉറപ്പാക്കാം. ഇത് മാനുവൽ സ്പ്രെഡ്ഷീറ്റുകളുടെ ആവശ്യം ഇല്ലാതാക്കുന്നു.
ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു:
Ingredient ingestion: സിസ്റ്റം നിങ്ങളുടെ റെസിപ്പി വിശകലനം ചെയ്യുകയും ഓരോ അസംസ്കൃത വസ്തുവിനെയും USDA FoodData Central API-യുമായി ഒത്തുനോക്കി അടിസ്ഥാന പോഷകങ്ങൾ ശേഖരിക്കുകയും ചെയ്യുന്നു.
Nutrient scaling: ഓരോ ബാച്ചിലുമുള്ള ഓരോ ചേരുവയുടെയും കൃത്യമായ ഭാരവുമായി ഈ മൂല്യങ്ങളെ പൈപ്പ്ലൈൻ ഗുണനത്തിലൂടെ ബന്ധിപ്പിക്കുന്നു. ഇത് അവയുടെ തുക കണക്കാക്കുകയും ഈർപ്പം നഷ്ടപ്പെടുന്നത് (moisture loss) അല്ലെങ്കിൽ പാചകത്തിലെ വിളവ് (cooking yield) എന്നിവ കണക്കിലെടുക്കുകയും ചെയ്യുന്നു.
Allergen matrix generation: ഒരു AI മോഡൽ ഓരോ ചേരുവയെയും അലർജൻ ലൈബ്രറിയുമായി താരതമ്യം ചെയ്യുന്നു. സോയ അല്ലെങ്കിൽ ഗോതമ്പ് പോലുള്ള അലർജൻ സാധ്യതയുള്ളവയെ ഇത് അടയാളപ്പെടുത്തുകയും സപ്ലയർ ഡാറ്റയിൽ നിന്നുള്ള ക്രോസ്-കോൺടാക്റ്റ് റിസ്ക് സ്കോറുകൾ (cross-contact risk scores) ചേർക്കുകയും ചെയ്യുന്നു.
Label readiness: പോഷക വിവരങ്ങളും അലർജൻ പട്ടികയും ഒരു ലേബൽ ജനറേഷൻ സർവീസിലേക്ക് നൽകുന്നു. ഈ സർവീസ് FDA അല്ലെങ്കിൽ EU നിയമങ്ങൾക്കനുസൃതമായി Nutrition Facts പാനൽ ഫോർമാറ്റ് ചെയ്യുന്നു.
ഒരു സ്റ്റാർട്ടപ്പ് പുതിയൊരു പീ-പ്രോട്ടീൻ ബർഗർ (pea-protein burger) വിപണിയിലിറക്കുന്നു. അവർ 2 കിലോയുടെ ടെസ്റ്റ് ബാച്ചിനെ ഒരു റീജിയണൽ ഡിസ്ട്രിബ്യൂട്ടർക്കായി 20 കിലോയായി സ്കെയിൽ ചെയ്യുന്നു. Nutrition Mapping Pipeline ഉപയോഗിക്കുന്നതിലൂടെ, സിസ്റ്റം പ്രോട്ടീൻ, സോഡിയം അളവുകൾ വീണ്ടും കണക്കാക്കുന്നു. കൂടാതെ, പുതിയ ബൺ സപ്ലയറിൽ നിന്നുള്ള ഗ്ലൂറ്റൻ ക്രോസ്-കോൺടാക്റ്റ് റിസ്ക് (gluten cross-contact risk) സിസ്റ്റം തിരിച്ചറിയുകയും, പ്രിന്റ് ചെയ്യുന്നതിന് മുമ്പ് അലർജൻ പ്രസ്താവന പുതുക്കാൻ നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു.
നടപ്പിലാക്കേണ്ട ഘട്ടങ്ങൾ:
ഡാറ്റാ ഇൻജഷൻ ലെയർ നിർമ്മിക്കുക. നിങ്ങളുടെ റെസിപ്പി ടൂളിനെ USDA API-യുമായി ബന്ധിപ്പിക്കുകയും പോഷക വിവരങ്ങൾ ഒരു ഡാറ്റാബേസിൽ സൂക്ഷിക്കുകയും ചെയ്യുക.
AI അലർജൻ ലോജിക് നടപ്പിലാക്കുക. ചേരുവകളെ അലർജൻ പരിധികളുമായി (allergen thresholds) താരതമ്യം ചെയ്ത് ഒരു ഡാറ്റാ പേലോഡ് (data payload) തയ്യാറാക്കുന്നതിനായി ഒരു റൂൾ-ബേസ്ഡ് മോഡൽ പ്രവർത്തിപ്പിക്കുക.
ലേബലുകൾ നിർമ്മിക്കുകയും വിതരണം ചെയ്യുകയും ചെയ്യുക. പോഷക, അലർജൻ വിവരങ്ങൾ ഉപയോഗിച്ച് FoodLabelMaker API ഉപയോഗിക്കുക. ഈ സർവീസ് പ്രിന്റ് ചെയ്യാൻ പാകത്തിലുള്ള PDF-കൾ നൽകുകയും വെബ്ഹുക്ക് (webhook) വഴി നിങ്ങളുടെ പ്രിന്ററിനെ അറിയിക്കുകയും ചെയ്യുന്നു.
ഒരു ന്യൂട്രീഷൻ മാപ്പിംഗ് പൈപ്പ്ലൈനിലൂടെ ലേബൽ നിർമ്മാണം ഓട്ടോമേറ്റ് ചെയ്യുന്നത് കണക്കുകൂട്ടലുകൾ നേരിട്ട് ചെയ്യേണ്ടി വരുന്ന ബുദ്ധിമുട്ട് ഒഴിവാക്കുന്നു. സപ്ലയർ റിസ്ക് ഡാറ്റയ്ക്ക് അനുസൃതമായി അലർജൻ പ്രഖ്യാപനങ്ങൾ കൃത്യമായിരിക്കുമെന്ന് ഇത് ഉറപ്പാക്കുന്നു. റീട്ടെയിൽ നിയന്ത്രണങ്ങൾ പൂർണ്ണമായും പാലിച്ചുകൊണ്ട് തന്നെ, പ്ലാന്റ് ബേസ്ഡ് ബ്രാൻഡുകൾക്ക് അവരുടെ റെസിപ്പികൾ ആത്മവിശ്വാസത്തോടെ വിപുലീകരിക്കാൻ ഇത് സഹായിക്കുന്നു.
ഉറവിടം: https://dev.to/ken_deng_ai/automating-compliant-retail-labels-for-plant-based-foods-with-ai-2b97
ഐച്ഛിക പഠന കമ്മ്യൂണിറ്റി: https://t.me/GyaanSetuAi