Perfetti Van Melle — графовое машинное обучение для ускорения разработки рецептур
Совместная работа с PVM Lainate Labs (Италия): графовое машинное обучение на архиве формуляционных испытаний — предсказание потребительски значимых свойств и объяснимость для R&D. Материал — статья в материалах тематического семинара MLG Europe 2024; заявленные бизнес-эффекты в тексте сформулированы как ожидаемые (expected), а не как пост-аудит.
- Сценарий Графовые модели машинного обучения на истории формуляций: предсказание свойств смесей, локальные и глобальные объяснения (важность признаков и подграфов)
- Отрасль Пищевая промышленность, кондитерские изделия (Perfetti Van Melle)
- Регион Италия — Lainate Labs (по тексту статьи)
- Охват Исследование с PVM Lainate Labs; публикация на тематическом семинаре MLG Europe 2024
- Доказательность Средняя для факта сотрудничества; для численных эффектов — осторожно: в abstract указано, что компания ожидается сократить объёмы испытаний и отходы — это прогноз авторов, не обязательно зафиксированный KPI в отчётности PVM
- Оценка обзора Специфичность 3, независимость 2, качество метрик 2, свежесть 3 (сумма 10 из 12). Дата источников: 2026-05-01.
Производственный контекст
Формуляционные испытания исторически ведутся в табличном виде; связи между ингредиентами и свойствами продукта слабо явны. Для доверия R&D и регуляторики нужны модели, которые не только предсказывают свойства, но и дают интерпретируемость.
Задача
Ускорить подбор новых формуляций: предсказывать свойства новых смесей по архиву испытаний и сопровождать решения объяснениями (в том числе по важности признаков и подграфов; в статье приводятся локальные объяснения для выбранных целевых показателей свойств смеси).
Подход на базе ИИ и машинного обучения
Графовое машинное обучение с выявлением структуры связей (латентный граф между элементами формуляций) и последующим прогнозом свойств; отдельный контур объяснимости модели — чтобы интерпретировать прогнозы по подструктурам и по вкладу отдельных признаков.
Данные
Два реальных датасета, собранных в сотрудничестве с Perfetti Van Melle; наименования и смысл отдельных свойств анонимизированы (коммерческая тайна).
Результат и метрики
Ниже — пересказ формулировок из аннотации статьи, представленной на тематическом семинаре MLG Europe 2024: авторы описывают ожидаемый для компании эффект внедрения (the company is expected to…), а не обязательно измеренный постфактум результат в отчётности заказчика. Перекрёстная проверка: это материал уровня тематического семинара, не полевые испытания в журнале верхнего яруса; независимый аудит в публикации не указан. Цифры 150→30 тестов и 7→2 месяцев TTM использовать только с пометкой expected из первоисточника.
Ожидаемые эффекты (по abstract MLG Europe 2024)
- Объём испытаний до утверждения Ожидаемое сокращение с 150 до 30 трудоёмких экспериментов (формулировка abstract про компанию).
- Отходы сырья Указано снижение отходов материалов до 30 %; в другом месте статьи — связь объяснимости с возможностью сократить отходы «до 30 %».
- Время вывода на рынок (TTM) В abstract: переход с семи до двух месяцев — в той же логике ожидаемого эффекта.
- Оговорка обзора Без методики валидации на реальной производственной выборке переносить проценты и сроки на другую номенклатуру или лабораторию нельзя; для промышленного внедрения потребуются данные из MES/лаборатории и governance качества.
Источники
- MLG Europe 2024 — статья семинара (PDF), идентификатор подачи sub_1216 тематический семинар именованный партнёр PVM
Релевантность для производства
Кейс усиливает линию R&D и рецептур с явным нарративом GNN / graph learning на реальных формуляционных данных FMCG. Для смежных отраслей (химия, смазки и др.) в обзоре уже разобраны другие подходы к рецептурам (кейсы 01–03); кейс 34 добавляет акцент на графах и объяснимости. При переносе идеи в цех критичны интеграция с лабораторными и производственными данными и прозрачность модели для качества и регуляторики.