식품 분야 특히, 식품 가공학적 측면에서 AI 기술이 활용될 수 있는 몇 가지 예시를 기술하였습니다.
- 식품 가공 적성 예측
타깃 가공 적성(y) 예측을 위해 하나의 요인(x)에 대한 상관관계 (y = ax + b) 또는 여러 요인(x1, x2, x3,…)에 대한 선형적 상관관계
(y = ax1+bx2+cx3+…)에서 벗어나, 다양한 요인에 대한 비선형적 관계를 조합하여 좀 더 정확한 식품 가공 적성 예측 가능
예) 빵의 부피를 예측하기 위해 밀가루의 [단백질 함량]과의 1:1 상관관계에서 벗어나, [단백질함량, 회분함량, 반죽시간, ….] 등 다양한 요인을 고려하여 실제 베이킹없이 빵의 부피 예측 가능
- Yes/No 판별
기존 식품 품질 데이터를 2 가지(정상/불량, 포함/불포함 등)로 학습시켜 이를 판별할 수 있는 모델을 구축하고, 새로운 데이터가 입력되면 확립된 모델을 토대로 해당여부를 판별함. 식품 가공 적성 예측과 마찬가지로 식품 품질에 미치는 다수의 요인을 고려할 수 있어 판별 모델의 정확도를 높일 수 있음.
예) 품질 정상/불량 제품 구분, 인증 기준 만족/불만족
- 식품 소재의 활용 용도 분류
식품 용도별 특성을 학습시켜 구분할 수 있는 분류 모델을 구축하고, 새로운 식품 소재를 적용 시 분류 모델을 토대로 가장 가까운 활용 용도를 제시함.
예) 제빵용/제과용/제면용 밀가루의 특성을 학습시켜, 새로운 소재를 적용하였을 때 밀가루의 어떤 특성을 좀 더 개선시킬 수 있는 지 판별하여 활용 용도 제시
- Trial and error 간소화
새로운 식품 개발 시 다양한 소재(종류, 함량 등), 여러 가공 조건(온도, 시간, pH 등) 등의 수많은 조합에 대하여 시행착오를 통한 테스트를 거치고 있음. 기존의 테스트 결과를 학습시킴으로써, 다양한 조합에 대한 예측이 가능하여 추후 식품 개발 시 시행착오를 줄일 수 있음.
예) 고단백질 면을 개발 시 면의 품질(신장성 등) 저하를 최소화할 수 있는 후보 소재군 선정, 기능성 물질의 추출 최적화를 위한 처리 조건 확립
