𝗔𝘂𝘁𝗼𝗺𝗮𝘁𝗶𝗻𝗴 𝗖𝗼𝗺𝗽𝗹𝗶𝗮𝗻𝘁 𝗥𝗲𝘁𝗮𝗶𝗹 𝗟𝗮𝗯𝗲𝗹𝘀 𝗳𝗼𝗿 𝗣𝗹𝗮𝗻𝘁-𝗕𝗮𝘀𝗲𝗱 𝗙𝗼𝗼𝗱𝘀 𝘄𝗶𝘁𝗵 𝗔𝗜
ਪਲਾਂਟ-ਬੇਸਡ ਉੱਦਮੀ ਰੈਸਿਪੀ ਵਿੱਚ ਬਦਲਾਅ, ਬੈਚ ਸਕੇਲਿੰਗ, ਅਤੇ ਰਿਟੇਲ ਲੇਬਲਾਂ ਨੂੰ ਸਹੀ ਰੱਖਣ ਦੇ ਕੰਮ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ। ਇੱਕ ਵੀ ਅਲਰਜੀਨ (allergen) ਦਾ ਨਾ ਦੱਸਣਾ ਜਾਂ ਪੁਰਾਣਾ ਪੋਸ਼ਣ ਤੱਥ (nutrition fact) ਮਹਿੰਗੇ ਰੀਕਾਲ (recall) ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ ਅਤੇ ਖਪਤਕਾਰਾਂ ਦੇ ਭਰੋਸੇ ਨੂੰ ਤੋੜ ਸਕਦਾ ਹੈ।
'ਨਿਊਟ੍ਰੀਸ਼ਨ ਮੈਪਿੰਗ ਪਾਈਪਲਾਈਨ' (Nutrition Mapping Pipeline) ਦਾ ਸਿਧਾਂਤ ਇਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਹਰ ਰੈਸਿਪੀ ਨੂੰ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਵਜੋਂ ਮੰਨਦੇ ਹੋ ਜੋ ਇੱਕ ਦੁਹਰਾਉਣਯੋਗ ਪਾਈਪਲਾਈਨ ਰਾਹੀਂ ਲੰਘਦੀ ਹੈ: ਸਮੱਗਰੀ ਦੀ ਸੂਚੀ, ਪੋਸ਼ਕ ਤੱਤਾਂ ਦੀ ਮੈਪਿੰਗ, ਅਲਰਜੀਨ ਮੈਟ੍ਰਿਕਸ, ਅਤੇ ਲੇਬਲ ਆਊਟਪੁੱਟ। AI-ਅਧਾਰਿਤ ਲੁੱਕਅੱਪਸ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਜਾਂਚ ਨਾਲ ਹਰ ਕਦਮ ਨੂੰ ਆਟੋਮੇਟ ਕਰਕੇ, ਤੁਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋ ਕਿ ਫਾਰਮੂਲੇ ਦੀ ਸਕੇਲਿੰਗ ਕਰਨ ਨਾਲ ਪੋਸ਼ਣ ਤੱਥ ਅਤੇ ਅਲਰਜੀਨ ਘੋਸ਼ਣਾਵਾਂ ਤੁਰੰਤ ਅਪਡੇਟ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਇਸ ਨਾਲ ਮੈਨੂਅਲ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਦੀ ਲੋੜ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ।
ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ:
ਸਮੱਗਰੀ ਦਾ ਇਨਜੈਸਸ਼ਨ (Ingredient ingestion): ਸਿਸਟਮ ਤੁਹਾਡੀ ਰੈਸਿਪੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ ਅਤੇ ਬੇਸਲਾਈਨ ਪੋਸ਼ਕ ਤੱਤ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਹਰੇਕ ਕੱਚੇ ਮਾਲ ਨੂੰ USDA FoodData Central API ਨਾਲ ਮਿਲਾਉਂਦਾ ਹੈ।
ਪੋਸ਼ਕ ਤੱਤਾਂ ਦੀ ਸਕੇਲਿੰਗ (Nutrient scaling): ਪਾਈਪਲਾਈਨ ਉਹਨਾਂ ਮੁੱਲਾਂ ਨੂੰ ਬੈਚ ਵਿੱਚ ਹਰੇਕ ਸਮੱਗਰੀ ਦੇ ਸਹੀ ਭਾਰ ਨਾਲ ਗੁਣਾ ਕਰਦੀ ਹੈ। ਇਹ ਉਹਨਾਂ ਦਾ ਜੋੜ ਕਰਦੀ ਹੈ ਅਤੇ ਨਮੀ ਦੇ ਨੁਕਸਾਨ (moisture loss) ਜਾਂ ਖਾਣਾ ਬਣਾਉਣ ਦੀ ਪੈਦਾਵਾਰ (cooking yield) ਦੇ ਕਾਰਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੀ ਹੈ।
ਅਲਰਜੀਨ ਮੈਟ੍ਰਿਕਸ ਜਨਰੇਸ਼ਨ (Allergen matrix generation): ਇੱਕ AI ਮਾਡਲ ਅਲਰਜੀਨ ਲਾਇਬ੍ਰੇਰੀ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਇਹ ਸੋਇਆ ਜਾਂ ਕਣਕ ਵਰਗੇ ਨਿਰਧਾਰਤ ਅਲਰਜੀਨਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਅਤੇ ਸਪਲਾਇਰ ਡੇਟਾ ਤੋਂ ਕਰਾਸ-ਕੰਟੈਕਟ ਜੋਖਮ ਸਕੋਰ (cross-contact risk scores) ਜੋੜਦਾ ਹੈ।
ਲੇਬਲ ਦੀ ਤਿਆਰੀ (Label readiness): ਪੋਸ਼ਕ ਤੱਤ ਪ੍ਰੋਫਾਈਲ ਅਤੇ ਅਲਰਜੀਨ ਸੂਚੀ ਇੱਕ ਲੇਬਲ ਜਨਰੇਸ਼ਨ ਸਰਵਿਸ ਵਿੱਚ ਭੇਜੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਸਰਵਿਸ FDA ਜਾਂ EU ਨਿਯਮਾਂ ਅਨੁਸਾਰ Nutrition Facts ਪੈਨਲ ਨੂੰ ਫਾਰਮੈਟ ਕਰਦੀ ਹੈ।
ਇੱਕ ਸਟਾਰਟਅਪ ਇੱਕ ਨਵਾਂ ਮਟਰ-ਪ੍ਰੋਟੀਨ (pea-protein) ਬਰਗਰ ਲਾਂਚ ਕਰਦਾ ਹੈ। ਉਹ ਇੱਕ ਖੇਤਰੀ ਡਿਸਟਰੀਬਿਊਟਰ ਲਈ 2 ਕਿਲੋ ਦੇ ਟੈਸਟ ਬੈਚ ਨੂੰ 20 ਕਿਲੋ ਤੱਕ ਵਧਾਉਂਦੇ ਹਨ। Nutrition Mapping Pipeline ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਸਿਸਟਮ ਪ੍ਰੋਟੀਨ ਅਤੇ ਸੋਡੀਅਮ ਦੇ ਪੱਧਰਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਨਵੇਂ ਬਨ (bun) ਸਪਲਾਇਰ ਤੋਂ ਗਲੂਟਨ ਕਰਾਸ-ਕੰਟੈਕਟ ਜੋਖਮ ਨੂੰ ਵੀ ਫਲੈਗ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਪ੍ਰਿੰਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਅਲਰਜੀਨ ਬਿਆਨ ਨੂੰ ਅਪਡੇਟ ਕਰਨ ਦੀ ਸਲਾਹ ਮਿਲਦੀ ਹੈ।
ਲਾਗੂ ਕਰਨ ਦੇ ਕਦਮ:
ਡੇਟਾ ਇਨਜੈਸਸ਼ਨ ਲੇਅਰ ਬਣਾਓ। ਆਪਣੇ ਰੈਸਿਪੀ ਟੂਲ ਨੂੰ USDA API ਨਾਲ ਜੋੜੋ ਅਤੇ ਪੋਸ਼ਕ ਤੱਤ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕਰੋ।
AI ਅਲਰਜੀਨ ਲੌਜਿਕ ਲਾਗੂ ਕਰੋ। ਇੱਕ ਨਿਯਮ-ਅਧਾਰਤ ਮਾਡਲ ਚਲਾਓ ਜੋ ਡੇਟਾ ਪੇਲੋਡ (data payload) ਤਿਆਰ ਕਰਨ ਲਈ ਸਮੱਗਰੀਆਂ ਦੀ ਅਲਰਜੀਨ ਸੀਮਾਵਾਂ (allergen thresholds) ਨਾਲ ਤੁਲਨਾ ਕਰਦਾ ਹੈ।
ਲੇਬਲ ਬਣਾਓ ਅਤੇ ਵੰਡੋ। ਪੋਸ਼ਕ ਤੱਤ ਅਤੇ ਅਲਰਜੀਨ ਪੇਲੋਡ ਦੇ ਨਾਲ FoodLabelMaker API ਨੂੰ ਕਾਲ ਕਰੋ। ਇਹ ਸਰਵਿਸ ਪ੍ਰਿੰਟ-ਰੈਡੀ PDFs ਵਾਪਸ ਕਰਦੀ ਹੈ ਅਤੇ ਵੈੱਬਹੂਕ (webhook) ਰਾਹੀਂ ਤੁਹਾਡੇ ਪ੍ਰਿੰਟਰ ਨੂੰ ਸੂਚਿਤ ਕਰਦੀ ਹੈ।
Nutrition Mapping Pipeline ਰਾਹੀਂ ਲੇਬਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨ ਨਾਲ ਮੈਨੂਅਲ ਗਣਨਾ ਦੀ ਲੋੜ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਐਲਰਜਨ ਘੋਸ਼ਣਾਵਾਂ ਸਪਲਾਇਰ ਰਿਸਕ ਡੇਟਾ ਦੇ ਅਨੁਸਾਰ ਹਮੇਸ਼ਾ ਅਪਡੇਟ ਰਹਿਣ। ਇਸ ਨਾਲ ਪੌ𝗱ਾ-ਅਧਾਰਤ ਬ੍ਰਾਂਡ ਰਿਟੇਲ ਨਿਯਮਾਂ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ, ਭਰੋਸੇ ਨਾਲ ਆਪਣੀਆਂ ਰੈਸਿਪੀਜ਼ ਦਾ ਪੈਮਾਨਾ ਵਧਾ ਸਕਦੇ ਹਨ।
ਸਰੋਤ: https://dev.to/ken_deng_ai/automating-compliant-retail-labels-for-plant-based-foods-with-ai-2b97
ਵਿਕਲਪਿਕ ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ: https://t.me/GyaanSetuAi