పెరుగుతున్న ప్రపంచ జనాభాకు ఆహారం అందించడానికి AI అవసరం కావచ్చు మరియు ప్రధాన బ్రాండ్‌లు గమనిస్తున్నాయి

దాదాపు మూడు సంవత్సరాల క్రితం, యునిలివర్ తన నార్ బ్రాండ్ కోసం జీరో-సాల్ట్ బౌలియన్ క్యూబ్‌ను అభివృద్ధి చేసినప్పుడు, అది ఒక కొత్త ఫార్ములేషన్‌ను రూపొందించాల్సిన అవసరం ఉంది, అది రుచికి మరియు ఎండబెట్టిన సూప్‌లకు ముఖ్యమైన నిర్మాణాన్ని అందించడానికి ముఖ్యమైన పదార్థాలను కలిగి ఉండదు.

కొత్త ఉప్పు రహిత స్టాక్ క్యూబ్ కోసం సరైన కలయిక మరియు పదార్థాల ఏకాగ్రతను అంచనా వేయడానికి, యునిలివర్ కృత్రిమ మేధస్సు వైపు మొగ్గు చూపింది.

“వినియోగదారులు అంగీకరించే రుచిని కొనసాగించేటప్పుడు ఉప్పు లేని బౌలియన్ క్యూబ్‌లను రూపొందించేటప్పుడు ప్రిడిక్టివ్ మోడలింగ్ చాలా సహాయకారిగా ఉంటుంది” అని యునిలీవర్ యొక్క పోషకాహార వ్యాపారానికి సంబంధించిన చీఫ్ రీసెర్చ్ అండ్ డెవలప్‌మెంట్ ఆఫీసర్ కార్లా హిల్‌హోర్స్ట్ చెప్పారు. AI ఉప్పు లేని బౌలియన్ క్యూబ్‌ల సూత్రీకరణ మరియు కంపెనీ ఉత్పత్తి శ్రేణిలో వాటిని ఎలా తయారు చేస్తారు.

ప్రపంచంలోని అతిపెద్ద ఆహార కంపెనీలు దశాబ్దాలుగా AIపై ఆధారపడి ఉన్నాయి మరియు ఉత్పాదక AI కోసం కొత్త వినియోగ కేసులతో సహా ఇటీవలి సంవత్సరాలలో సాంకేతికతను స్వీకరించడాన్ని వేగవంతం చేశాయి. “CPG [consumer packaged goods] డెలాయిట్ మరియు గూగుల్ క్లౌడ్ మధ్య ఉమ్మడి చొరవ అయిన కన్వర్జ్ కన్స్యూమర్ యొక్క చీఫ్ కమర్షియల్ ఆఫీసర్ మిచెల్ మెక్‌గ్యూర్ క్రిస్టియన్. “వారు చాలా కాలంగా తమ సరఫరా గొలుసును ఆప్టిమైజ్ చేయడానికి దీనిని ఉపయోగిస్తున్నారు,” ఆమె జోడించింది. ఇది స్టోర్‌లో క్రయవిక్రయాలు మరియు ఉత్పత్తిని ఉంచడం కూడా కలిగి ఉంటుంది.

రుచి, వినియోగదారు ప్రాధాన్యత, మైక్రోబయోలాజికల్ స్టెబిలిటీని అంచనా వేయడానికి మరియు ఫ్యాక్టరీ లైన్‌లో ఉత్పత్తిని అమలు చేయవచ్చో లేదో తెలుసుకోవడానికి యూనిలీవర్ యొక్క AI నమూనాలు ఉపయోగించబడతాయి. AIని ఉపయోగించి, ఉత్పత్తి అభివృద్ధికి అవసరమైన సమయం నెలల నుండి కేవలం రోజులకు తగ్గించబడుతుంది. “డేటా-ఆధారిత నిర్ణయాధికారం మాకు మరింత మధురమైన ప్రదేశాన్ని కనుగొనడానికి అనుమతిస్తుంది” అని హిల్‌హోర్స్ట్ చెప్పారు. “నేను మరింత ఖచ్చితంగా చెప్పగలను.”

ఇతర AI ఆవిష్కరణలలో హెల్మాన్ యొక్క శాకాహారి మయోన్నైస్ ఉన్నాయి. యూనిలీవర్ తన గుడ్డు రహిత ఉత్పత్తుల రుచి, ఆకృతి మరియు స్థిరత్వాన్ని అంచనా వేయడానికి అధునాతన మోడలింగ్‌ను ఉపయోగించింది. ఆహార వ్యర్థాలను తగ్గించడానికి AI యూనిలీవర్‌కు సహాయం చేసింది. హెల్మాన్ స్క్వీజ్ బాటిళ్ల కోసం, AI సూత్రీకరణ అంచనా మోడల్‌కు ముందు సగటున ఐదు సేర్విన్గ్‌లతో పోలిస్తే, ఒకటి లేదా రెండు సేర్విన్గ్స్ మయోన్నైస్ మాత్రమే కంటైనర్‌లో ఉండేలా ప్యాకేజ్ లోపలి భాగంలో ఆయిల్ కోటింగ్ యొక్క పలుచని పొర జోడించబడింది. ఉపయోగించబడింది.

రష్యా ఉక్రెయిన్‌పై దాడి చేసిన తర్వాత AI యూనిలీవర్ పైవట్‌కు కూడా సహాయం చేసింది మరియు సన్‌ఫ్లవర్ ఆయిల్ వంటి హార్డ్-టు-సోర్స్ పదార్థాల కోసం కంపెనీ త్వరగా ప్రత్యామ్నాయ సూత్రీకరణలను రూపొందించాల్సిన అవసరం ఉంది.

పెప్సికో యొక్క ముఖ్య వ్యూహం మరియు పరివర్తన అధికారి అథినా కనియురా మాట్లాడుతూ, స్నాకింగ్ దిగ్గజం మరిన్ని “సాంప్రదాయ” ఫార్మాట్‌లకు దూరంగా ఉందని, ఆవిష్కరణల నుండి సరఫరాదారులతో ప్లాన్ చేయడం వరకు డ్రైవర్లు ఉత్పత్తులను డెలివరీ చేయడానికి అనుసరించాల్సిన ఉత్తమ మార్గాల వరకు ఆయన అన్నారు. సంవత్సరాలు. సాఫ్ట్‌వేర్ డెవలప్‌మెంట్, కాల్ సెంటర్ ఎంక్వైరీ హ్యాండ్లింగ్ మరియు ఫుడ్ ఫార్ములేషన్‌తో సహా పెప్సికో వ్యాపారంలోని అనేక భాగాలలో ఉత్పత్తి చేయబడిన AIని కంపెనీ పరీక్షించడం ప్రారంభించింది.

AIని ఉపయోగించే ప్రతి ఒక్కరూ దానిని సురక్షితంగా ఉపయోగించుకునేలా పెప్సికో అంతర్గత ప్రమాణాలను అభివృద్ధి చేసింది. “మా వాతావరణంలో మౌలిక సదుపాయాలు ఉన్నాయి, అది AI శాండ్‌బాక్స్‌ను యాక్సెస్ చేయడానికి మరియు విభిన్న లక్షణాలను పరీక్షించడానికి అనుమతిస్తుంది” అని కనియోరా చెప్పారు.

మరియు చిరుతిళ్ల ప్రపంచం నిరంతరం అభివృద్ధి చెందుతున్నందున, AI వినియోగదారులకు కావలసిన వాటిని వేగవంతమైన వేగంతో సంశ్లేషణ చేయడంలో సహాయపడుతుంది, అదే సమయంలో సరఫరా గొలుసు అంతటా ఆ ఆహారాలు మరియు పానీయాలను అభివృద్ధి చేయడానికి ఉత్తమమైన మార్గాన్ని పరిష్కరిస్తుంది. PepsiCo చెప్పింది. PepsiCo ఈ రుచి అభివృద్ధి నిర్ణయాల యొక్క గుండెలో మానవ అంతర్దృష్టి ఉందని నొక్కి చెప్పింది. “తదుపరి పెద్ద విషయం సాంకేతికత నుండి రాబోదు, ఇది వినియోగదారు నుండి వస్తుంది” అని కనియోరా చెప్పారు.

పెప్సికో తన AI ప్రయత్నాలు ఖర్చులపై కాకుండా సమర్థత మరియు వృద్ధిపై దృష్టి సారించాయని చెప్పారు. “జెనెటిక్ AIతో ఖర్చులను ఆప్టిమైజ్ చేయడానికి మేము తొందరపడటం లేదు” అని కనియోరా చెప్పారు.

మార్స్ రిగ్లీ ఉత్తర అమెరికా అధ్యక్షుడు అంటోన్ విన్సెంట్ మాట్లాడుతూ “అపూర్వమైన కచ్చితత్వం మరియు వేగాన్ని సాధించడంలో AI మాకు సహాయపడుతుంది. “మేము సంక్లిష్టతను తొలగించడం గురించి ఆలోచించడం ప్రారంభించినప్పుడు, AI మాకు పెద్ద డ్రైవర్‌గా ఉంటుందని మేము ఆశిస్తున్నాము.”

ఆహార పరిశ్రమలో ట్రెండ్‌లను గుర్తించడానికి పరిశ్రమ డేటాను సోర్స్, తయారీ మరియు డైజెస్ట్ చేయడంలో సహాయపడటానికి చాలా సంవత్సరాలుగా AIని ఉపయోగిస్తున్నట్లు మిఠాయి తయారీదారు చెప్పారు. పెద్ద-స్థాయి భాషా నమూనాల గురించి, విన్సెంట్ చెప్పారు: మేము ఇంకా దాని ప్రారంభ దశలోనే ఉన్నాము. ”

ఆ ప్రయాణాన్ని ముందుకు తీసుకెళ్లడానికి, మార్స్ 2024 మొదటి త్రైమాసికంలో దాని నెవార్క్ ప్రధాన కార్యాలయంలో AI ల్యాబ్‌ను తెరుస్తుంది. “AI ల్యాబ్ ప్రతి ఉద్యోగికి ఒక ఆలోచనతో రావడానికి మరియు ఆశాజనక కార్యాచరణ ప్రణాళికతో బయలుదేరడానికి అవకాశాన్ని అందిస్తుంది” అని మార్స్ రిగ్లీ నార్త్ అమెరికా చీఫ్ మార్కెటింగ్ ఆఫీసర్ గాబ్రియేల్ వెస్లీ అన్నారు.

ఫుడ్ ప్రాసెసింగ్ కంపెనీ ADMలో చీఫ్ గ్లోబల్ ఫ్లేవరిస్ట్ మేరీ రైట్, ఫ్యాక్టరీలలో ఉత్పత్తి అయ్యే రుచులకు ఆధారం అయ్యే ఫార్ములాలను “అందమైన” పుస్తకాలలో ఫ్లేవరిస్టులు వ్రాసే రోజులను గుర్తు చేసుకున్నారు. అయినప్పటికీ, కంప్యూటర్‌లకు మరియు ఇటీవల AIకి తరలింపు, పరిశ్రమ సూత్రీకరణలు మరియు డేటాను ప్రాసెస్ చేసే విధానాన్ని మార్చింది.

“గత కొన్ని సంవత్సరాలలో AI ప్లాట్‌ఫారమ్‌లు చాలా ముందుకు వచ్చాయి” అని రైట్ చెప్పారు. “మరియు మీరు దానిని రుచిని సృష్టించడం వంటి సృజనాత్మక నైపుణ్యాలకు ఎలా అన్వయించగలరు?” ఆమె చెప్పింది, “చాలా మంది రుచులను AI అంటే భయపడతారు. మరియు చాలా మంది సృజనాత్మక వ్యక్తులు AIకి భయపడతారు. మీరు దాని గురించి భయపడుతున్నారని నేను భావిస్తున్నాను.”

ADM రుచి అభివృద్ధి పనిని తీసివేయడానికి AIని ఉపయోగించడం లేదని, కానీ ప్రక్రియను మెరుగుపరచడానికి అని చెప్పారు. సాంకేతిక సమూహాలు కేవలం AI సాధనాల వినియోగాన్ని తప్పనిసరి చేయకపోవడం చాలా ముఖ్యం అని రైట్ చెప్పారు. బదులుగా, AI ప్రయాణంలో చేరడానికి రుచులను ప్రోత్సహించాలి.

“మేము మానవులు ఆ డేటాను ప్రాసెస్ చేయలేము, కాబట్టి AI అమలులోకి రావాలి” అని రైట్ చెప్పారు. “AI ఆ డేటాను త్వరగా ప్రాసెస్ చేయడం మరియు నేర్చుకోగలగడం మరియు నా ఫీల్డ్‌లో కొత్త ఫార్ములాలు, కొత్త పని మార్గాలు మరియు బహుశా మరిన్ని అంచనాలను రూపొందించడానికి మెషిన్ లెర్నింగ్ చేయడం ప్రారంభించడం వంటి భారీ ప్రయోజనాన్ని కలిగి ఉంది. మేము ఆశిస్తున్నాము. దీన్ని చేయగలరు, మరియు ఎక్స్‌ట్రాపోలేషన్ ఏమిటంటే మనం సృజనాత్మకతలో మెరుగ్గా ఉండాలి.

బేయర్ మెషీన్ లెర్నింగ్ వంటి AI సాధనాలను చాలా ముందుగానే స్వీకరించినట్లు చెప్పారు. మొక్కజొన్న ఉదాహరణ తీసుకుందాం. మొక్కల పెంపకానికి ముందు, ఒక ఎకరం భూమిలో సుమారు 20 నుండి 30 బస్తాలు పెరిగాయి. ప్రస్తుతం మొక్కజొన్న సగటు దిగుబడి 175 బస్తాలు. ఈ లాభాలలో కొన్ని పొలాలు ఎరువులు మరియు వ్యవసాయ పద్ధతులను అభివృద్ధి చేయడం వల్ల వచ్చాయి, అయితే చాలా వరకు AI చేసిన జన్యుపరమైన మెరుగుదలల కారణంగా ఉన్నాయి.

ఈ రంగంలో అత్యంత విజయవంతమైన మొక్కజొన్న సంతానాన్ని ఉత్పత్తి చేయడానికి పెంపకందారులు దాటగల ఉత్తమ తల్లిదండ్రుల అభ్యర్థులను గుర్తించడానికి బేయర్ డేటాను ప్రాసెస్ చేయడానికి AI సహాయం చేస్తుంది. దిగుబడికి దోహదపడే బిలియన్ల కొద్దీ మొక్కజొన్న జన్యువుల కలయికలు ఉన్నాయి.

“మనం ప్రస్తుతం సేకరిస్తున్న విస్తారమైన మొత్తం డేటాను గ్రహించడం మరియు పూర్తిగా అర్థం చేసుకోవడం మానవ మనస్సుకు లేదని స్పష్టంగా తెలుస్తుంది” అని బేయర్‌లో క్రాప్ సైన్స్ పరిశోధన మరియు అభివృద్ధి యొక్క ప్రపంచ హెడ్ బాబ్ రైటర్ అన్నారు. “నేను చేసాను,” అతను అంటున్నారు. “దీనిని అధిగమించడం మరియు AI సాధనాలు లేకుండా గతంలో సాధ్యం కాని మరింత జన్యు సామర్థ్యాన్ని అన్‌లాక్ చేయడం చాలా పెద్దది.”

ఏ తల్లిదండ్రులు జతకట్టాలి మరియు ఏ జన్యు సమ్మేళనాలను సృష్టించాలి అనే దాని గురించి ప్రిడిక్టివ్ అల్గారిథమ్‌లు చాలా అధునాతనమైనవి, బేయర్ ఇప్పుడు సంవత్సరానికి మూడు నుండి నాలుగు సార్లు మాత్రమే దీన్ని చేయాల్సి ఉంటుంది, ఈ ప్రక్రియ AI రాకముందు ప్రతి కొన్ని సంవత్సరాలకు ఒకసారి జరిగేది. ఇప్పుడు మీరు చేయవచ్చు అది రెండుసార్లు. “భవిష్యత్తులో వారి నాటిన ఎకరాలలో రైతుల ఉత్పాదకతను పెంచడానికి ఇది చాలా పెద్ద డ్రైవర్ అవుతుంది” అని రైటర్ చెప్పారు.

అదనంగా, ప్రపంచ జనాభా 2030లో 8.5 బిలియన్లకు చేరుకుంటుందని మరియు 2050లో 9.7 బిలియన్లకు పెరుగుతుందని అంచనా వేయబడినందున, రైతులు మరింత సమర్ధవంతంగా మారాలి.

“పెరుగుతున్న ప్రపంచ జనాభాను పోషించడానికి ఇది ఆధారం” అని రైటర్ చెప్పారు.