AI மூலம் தாவர அடிப்படையிலான உணவுகளுக்கான இணக்கமான சில்லறை விற்பனை லேபிள்களைத் தானியக்கமாக்குதல்
தாவர அடிப்படையிலான உணவுத் தொழில்முனைவோர், செய்முறை மாற்றங்கள், தொகுப்பு அளவை அதிகரித்தல் (batch scaling) மற்றும் சில்லறை விற்பனை லேபிள்களைத் துல்லியமாக வைத்திருத்தல் போன்ற பல பணிகளைச் சமாளிக்க வேண்டியுள்ளது. ஒரு ஒவ்வாமை காரணியைத் (allergen) தவறவிடுவது அல்லது காலாவதியான ஊட்டச்சத்துத் தகவல்களைக் குறிப்பிடுவது, அதிக செலவுமிக்க தயாரிப்பு திரும்பப் பெறுதல்களுக்கு (recalls) வழிவகுப்பதோடு, நுகர்வோர் நம்பிக்கையையும் சிதைக்கும்.
'Nutrition Mapping Pipeline' கொள்கை இதற்குத் தீர்வாக அமைகிறது. நீங்கள் ஒவ்வொரு செய்முறையையும் ஒரு தொடர்ச்சியான செயல்முறைப் பாதையின் (pipeline) வழியாகப் பாயும் ஒரு தரவுத் தொகுப்பாகக் கருதலாம்: மூலப்பொருள் பட்டியல், ஊட்டச்சத்து மேப்பிங், ஒவ்வாமை அணி (allergen matrix) மற்றும் லேபிள் வெளியீடு. AI சார்ந்த தேடல்கள் மற்றும் விதிமுறைச் சரிபார்ப்புகள் மூலம் ஒவ்வொரு படிநிலையையும் தானியக்கமாக்குவதன் மூலம், ஒரு சூத்திரத்தின் அளவை மாற்றும்போது ஊட்டச்சத்துத் தகவல்கள் மற்றும் ஒவ்வாமை அறிவிப்புகள் உடனடியாகப் புதுப்பிக்கப்படுவதை நீங்கள் உறுதி செய்யலாம். இது கைமுறை ஸ்பிரெட்ஷீட்களின் தேவையைக் குறைக்கிறது.
இது எவ்வாறு செயல்படுகிறது:
மூலப்பொருள் உட்கிரகிப்பு (Ingredient ingestion): இந்த அமைப்பு உங்கள் செய்முறையைப் பகுப்பாய்வு செய்து, ஒவ்வொரு மூலப்பொருளையும் USDA FoodData Central API உடன் ஒப்பிட்டு அடிப்படை ஊட்டச்சத்துக்களைப் பெறுகிறது.
ஊட்டச்சத்து அளவிடுதல் (Nutrient scaling): இந்த செயல்முறை அந்த மதிப்புகளைத் தொகுப்பில் உள்ள ஒவ்வொரு மூலப்பொருளின் துல்லியமான எடையால் பெருக்குகிறது. இது அவற்றைக் கூட்டி, ஈரப்பதம் இழப்பு அல்லது சமையல் விளைச்சல் காரணிகளை (cooking yield factors) கணக்கில் எடுத்துக்கொள்கிறது.
ஒவ்வாமை அணி உருவாக்கம் (Allergen matrix generation): ஒரு AI மாதிரி ஒவ்வொரு மூலப்பொருளையும் ஒவ்வாமை நூலகத்துடன் (allergen library) ஒப்பிட்டுச் சரிபார்க்கிறது. சோயா அல்லது கோதுமை போன்ற குறிப்பிட்ட ஒவ்வாமை காரணிகளைக் கண்டறிந்து, விநியோகஸ்தர் தரவுகளிலிருந்து குறுக்குத் தொடர்பு அபாய மதிப்புகளை (cross-contact risk scores) சேர்க்கிறது.
லேபிள் தயார்நிலை (Label readiness): ஊட்டச்சத்து விவரம் மற்றும் ஒவ்வாமைப் பட்டியல் ஒரு லேபிள் உருவாக்கும் சேவைக்கு அனுப்பப்படுகிறது. இந்தச் சேவை FDA அல்லது EU விதிகளின்படி ஊட்டச்சத்து உண்மைகள் (Nutrition Facts) அட்டவணையை வடிவமைக்கிறது.
ஒரு ஸ்டார்ட்அப் நிறுவனம் புதிய பட்டாணி-புரத (pea-protein) பர்கரை அறிமுகப்படுத்துகிறது. அவர்கள் 2 கிலோ சோதனைத் தொகுப்பை ஒரு பிராந்திய விநியோகஸ்தருக்காக 20 கிலோவாக அதிகரிக்கிறார்கள். Nutrition Mapping Pipeline-ஐப் பயன்படுத்துவதன் மூலம், இந்த அமைப்பு புரதம் மற்றும் சோடியம் அளவுகளை மீண்டும் கணக்கிடுகிறது. மேலும், புதிய பன் (bun) விநியோகஸ்தரிடமிருந்து வரும் குளூட்டன் குறுக்குத் தொடர்பு அபாயத்தையும் (gluten cross-contact risk) இது கண்டறிந்து, அச்சிடுவதற்கு முன் புதுப்பிக்கப்பட்ட ஒவ்வாமை அறிக்கையைத் தயார் செய்யத் தூண்டுகிறது.
செயல்படுத்தும் படிகள்:
தரவு உட்கிரகிப்பு அடுக்கை (data ingestion layer) உருவாக்குங்கள். உங்கள் செய்முறை கருவியை USDA API உடன் இணைத்து, ஊட்டச்சத்து விவரங்களை ஒரு தரவுத்தளத்தில் (database) சேமிக்கவும்.
AI ஒவ்வாமை தர்க்கத்தை (AI allergen logic) வரிசைப்படுத்துங்கள். மூலப்பொருட்களை ஒவ்வாமை வரம்புகளுடன் (allergen thresholds) ஒப்பிட்டு ஒரு தரவுப் பேலோடை (data payload) உருவாக்க விதி அடிப்படையிலான மாதிரியை இயக்கவும்.
லேபிள்களை உருவாக்கி விநியோகிக்கவும். ஊட்டச்சத்து மற்றும் ஒவ்வாமைத் தரவுகளுடன் FoodLabelMaker API-ஐ அழைக்கவும். இந்தச் சேவை அச்சிடுவதற்குத் தயாரான PDF-களைத் திருப்பித் தரும் மற்றும் webhook மூலம் உங்கள் அச்சு இயந்திரத்திற்குத் தகவல் தெரிவிக்கும்.
Nutrition Mapping Pipeline மூலம் லேபிள் உருவாக்கத்தை தானியக்கமாக்குவது, கைமுறை கணக்கீடுகளின் தேவையைக் குறைக்கிறது. இது ஒவ்வாமை அறிவிப்புகள் (allergen declarations), விநியோகஸ்தரின் இடர் தரவுகளுடன் (supplier risk data) உடனுக்குடன் புதுப்பித்த நிலையில் இருப்பதை உறுதி செய்கிறது. இது தாவர அடிப்படையிலான பிராண்டுகள், சில்லறை விற்பனை விதிமுறைகளுக்கு முழுமையாக இணங்கியபடி, தங்கள் சமையல் முறைகளை (recipes) நம்பிக்கையுடன் விரிவுபடுத்த அனுமதிக்கிறது.
Source: https://dev.to/ken_deng_ai/automating-compliant-retail-labels-for-plant-based-foods-with-ai-2b97
விருப்பத்தேர்வு கற்றல் சமூகம்: https://t.me/GyaanSetuAi