ИИ для агро и пищевого производства: прогноз, качество, сроки годности

В сельском хозяйстве и пищевом производстве деньги теряются на том, что портится. Зерно, овощи, молоко, мясо, готовая продукция живут ограниченное время, и каждая ошибка в прогнозе, плане или логистике превращается в списание. На этой странице: где отрасль теряет деньги, какие ИИ-решения здесь окупаются, что мы делали в смежных отраслях и как начать без больших вложений.

Сразу честно: публичного кейса в агро или пищевом производстве у нас нет. Ниже мы опираемся на задачи отрасли, проверенные внешние данные и наши проекты из других отраслей с той же механикой, и прямо говорим, где чей опыт.

Где агро и пищевка теряют деньги

По данным FAO, в мире более 13% продовольствия теряется после уборки урожая и до попадания в магазин, а еще 19% выбрасывается в рознице, общепите и домохозяйствах. Большая часть этих потерь возникает не из-за плохой техники, а из-за решений: сколько посеять, сколько произвести, куда и когда отгрузить.

• Перепроизводство и списания. План выпуска строят по прошлому месяцу или по заявкам, которые клиенты потом корректируют. Скоропортящаяся продукция с истекающим сроком уходит в уценку или утиль.
• Нехватка в пик. Обратная сторона: сеть просит больше, чем есть на складе, и вы теряете отгрузку и штрафы за недопоставку.
• Качество сырья на приемке. Сырье оценивают выборочно и на глаз. Партия с дефектом проходит в производство и всплывает браком на выходе.
• Брак на линии. Неровная упаковка, недолив, посторонние включения, неправильная этикетка. Каждый пропущенный дефект грозит возвратом партии.
• Переналадки. Порядок выпуска продуктов на одной линии определяет, сколько времени уходит на мойку и перенастройку.
• Логистика. Рейсы планируются вручную, машины ездят полупустыми, продукция стоит на складе дольше, чем нужно.

Какие ИИ-решения окупаются

Основа большинства строк одна: точный прогноз. Если вы знаете, сколько продукции уйдет на следующей неделе, от этой цифры считаются план выпуска, закупки сырья, загрузка линий и рейсы. Подробнее о подходе к производству в целом на странице ИИ для производства.

Какие данные нужны

Хорошая новость для агро и пищевки: большая часть данных уже есть, просто разложена по разным системам.

• Для прогноза спроса: отгрузки по продуктам и клиентам из 1С за 2-3 года, акции и промо сетей, остатки на складах, возвраты.
• Для прогноза урожая: урожайность по полям за несколько сезонов, сорта, даты сева и уборки, внесенные удобрения. Погоду и, где нужно, спутниковые снимки мы подтягиваем сами.
• Для контроля качества: фото или видео с линии приемки или выпуска и примеры дефектов, размеченные технологом. Без примеров брака модель не научится его находить.
• Для плана выпуска и сроков годности: заказы, производительность линий, время переналадок, сроки годности по продуктам, партии на складе.

Если какие-то данные ведутся в тетрадях или в головах мастеров, это не повод отказываться от проекта. На разборе мы определяем, с чего можно начать сейчас, а что начать собирать для следующего шага.

Опыт, на который мы опираемся

Наш проект в смежной отрасли. Прогноз продаж блюд для сети ресторанов: это общепит, не агро и не пищевое производство, но задача та же, скоропорт и списания. Мы собрали историю продаж за 3 года, добавили погоду, отзывы и праздники и вывели прогноз в план заготовок и закупок. Точность прогноза выше 90%, пищевые отходы снизились на 20%, проект занял 6,5 месяца. Для пищевого производства та же модель строится по продуктам и клиентам, а прогноз уходит в план выпуска.

Наша работа на производствах. Сейчас мы делаем алгоритм производственного плана для производства колготок: порядок выпуска с учетом стоимости переналадок и сроков заказов. Результатов в цифрах там пока нет, но механика переносится на пищевые линии, где переналадка означает мойку и смену рецептуры.

Чужие кейсы как ориентир. В альманахе Института ИИ МФТИ собраны 17 кейсов ИИ в российской промышленности. Пищевых среди них нет, но есть близкие по механике: контроль качества машинным зрением (оценка МФТИ для металлургии: брак ниже на 10%, около 24 млн ₽ в год на один участок) и сортировка на конвейере. Это не наши проекты и не результаты пищевых компаний, а ориентир масштаба.

С чего начать

1. Бесплатный разбор на 30-40 минут. Смотрим, где уходят деньги: списания, брак, возвраты, простой линий. Прикидываем, какие данные есть в 1С и учетных системах.
2. Пилот на одном участке. Один продукт или группа продуктов для прогноза, одна линия для контроля качества, один склад для сроков годности.
3. Замер в рублях. Сравниваем прогноз с фактом, считаем списания и брак до и после. Для прогноза урожая честнее всего проверка на уборке, поэтому такой пилот привязан к сезону.
4. Решение по цифрам. Если эффект перекрывает затраты с запасом, подключаем другие линии, продукты и склады. Если нет, вы узнаете это на пилоте.

Прогноз и план связываем с тем, что у вас уже работает: 1С, ERP, MES, весовыми и лабораторными системами, складским учетом. Технолог и мастер смены не должны осваивать новый интерфейс: план, предупреждения о сроках и сигналы о браке приходят таблицей, в учетную систему или сообщением в мессенджере. Работаем под NDA, рецептуры и данные о клиентах при необходимости держим на моделях в вашем контуре.

Сколько стоит

Разбор процесса бесплатный. Пилот стоит от 300 000 ₽. Точную цену называем после разбора: она зависит от числа систем, участков и того, нужны ли камеры на линии. Отдельно оцениваем поддержку после запуска: ассортимент, клиенты и сырье меняются, модели нужно регулярно переобучать.