Системная проблема отрасли
Проблема, которую решает продукт, носит системный характер. Состав и питательная ценность кормовой базы постоянно меняются от партии, от поставщика, региона произрастания и пр. При этом стоимость сырья остаётся волатильной. В таких условиях отсутствие информации о питательных характеристиках сырья и/или применение для их определения арбитражных методов контроля становятся неэффективными: технолог вынужден опираться либо на литературные данные, либо ждать результатов лабораторного анализа достаточно продолжительное время.
Учитывая объёмы закупок промышленных комбикормовых заводов, использование арбитражных методов испытаний в потоке становится невозможным. Другой проблемой, которую решает продукт, становится идентификация «сомнительного» сырья, которое может быть фальсифицировано как органическими, так и неорганическими составляющими.
Технологическая архитектура: два уровня ИИ
Решение объединяет технологии, используемые для построения калибровочных моделей с помощью нейросетей, и большую языковую модель GigaChat от Сбера, которая позволяет интерпретировать полученные результаты испытаний.
Процесс работы максимально упрощён для пользователя: на предприятии установлен компактный NIR-анализатор, подключённый к глобальной базе калибровочных уравнений. Оператор (лаборант) инструмента за считанные секунды снимает спектр образца. Файл спектра загружается в личный кабинет клиента «МЕГАМИКС», и через 2 минуты оператор получает протокол с результатами испытаний.
Архитектура решения проектируется как модульный конвейер:
NIR-спектр образца → получение прогнозируемых значений питательности через калибровочные уравнения (ML) → упаковка результатов в JSON → интерпретация через RAG-систему с ядром GigaChat → итоговое заключение.
Встроенная внутренняя проверка технологии NIR позволяет идентифицировать отдельные измеренные параметры питательности на предмет сходимости с библиотекой калибровочной модели. Если калибровочная модель не содержит в своей «библиотеке» схожих спектров, система выдаёт отклонение и информирует оператора о наличии таковых.
Роль GigaChat: интерпретация и проверка
Далее в работу вступает LLM-модель, с помощью которой результаты (включая аминокислотный профиль), полученные в результате сканирования сырья, сопоставляются с известными мировыми источниками данных, что позволяет идентифицировать нетипичные для конкретного сырьевого компонента питательные характеристики. Для выявления нетипичных профилей применяются доверенные базы знаний, такие как CVB, NRC и др., а также индекс «Махаланобиса» от ML-модели.
Ключевое требование к генеративному слою — обязательная ссылка на источник каждого вывода: это делает интерпретацию проверяемой и встраиваемой в процессы качества, где важна прослеживаемость решений. Такой подход особенно ценен в регулируемых отраслях, где недостаточно «уверенного» ответа — нужна доказуемость.
Важно: решение не даёт технологических рекомендаций и не рассчитывает рецептуры — его задача строго в интерпретации результатов NIR и выявлении отклонений. Исключены свободный чат и советы по кормлению: модуль работает только по заранее заданным сценариям. Это снижает риски свободного трактования результатов и делает поведение системы детерминированным, а выводы — проверяемыми.
Результаты: от статусов до рекомендаций
Сочетание отклонений, внутренней и внешней проверок позволит с высокой долей вероятности судить о риске фальсификации сырья, что в условиях нестабильной экономики в стране приобретает особую актуальность.
На выходе система возвращает:
-
заключение о продукте
-
статус (один из пяти: «соответствует», «не соответствует», «подозрение на фальсификацию», «требуется повторная проверка», «недостаточно данных»)
-
таблицу расхождений по отдельным физико-химическим показателям
-
выявленные отклонения
-
сигналы о риске фальсификации
-
источники выводов (документ, раздел, страница, выдержка)
-
техническую информацию об образце
Экономический эффект: до 10% экономии и 50 млн рублей на лаборатории
Внедрение технологии позволит использовать каждый рубль, вложенный в сырьё. Эффект может достигать 10 % экономии на итоговой стоимости комбикорма. Следует отметить, что оптимизация стоимости при этом не является основным преимуществом: решение с использованием ИИ в первую очередь направлено на создание оптимально сбалансированного комбикорма, который поспособствует достижению генетического потенциала животных и птицы.
Помимо предотвращения потерь из-за нерационального использования питательных характеристик сырья, а также выявления подозрительных (потенциально фальсифицированных) партий, предприятие экономит на инфраструктуре и персонале: отпадает необходимость в организации деятельности лаборатории, создание которой, по самым скромным оценкам, потребует вложения около 50 млн рублей.
Первый пилот: Чувашия как цифровой агрорегион
Важным этапом развития проекта станет пилотирование решения с использованием искусственного интеллекта на территории Чувашской Республики в сотрудничестве с агрохолдингом «CHUVA» и Правительством Чувашской Республики. Это позволит повысить рентабельность АПК, увеличить производительность животноводства и укрепить продовольственную безопасность страны в целом.
Наталья Сахарова, управляющий Чувашским отделением Сбербанка, заявила: «Чувашская Республика занимает лидерские позиции во многих направлениях, в том числе и в цифровой повестке: регион первым в стране внедряет решения, которые дают измеримый экономический эффект. В этом партнерстве компания "МегаМикс" выступает носителем глубокой отраслевой экспертизы, а Сбер помогает проекту через надежную инфраструктуру и ИИ-компетенции. Технологическое решение поможет чувашским аграриям решить главную боль отрасли и убрать фактор неопределенности при закупке кормового сырья. Это позволит предприятиям экономить десятки миллионов рублей на создании собственных лабораторий и направлять ресурсы на развитие».
Проект способствует реализации национального проекта «Технологическое обеспечение продовольственной безопасности» и позиционирует Чувашию как первый цифровой агрорегион России.
Стратегическое значение и мнения экспертов
Елена Виноградова, финансовый директор компании ООО «МегаМикс», отметила: «Обычно цифровизация активно развивается в секторе финансовых технологий, мобильной связи, цифровых услуг и маркетинга. Мы хотим стать лидерами рынка и предложить аграриям инструмент, который снизит риски и повысит прозрачность всей цепочки поставок сырья. Отдельно отмечу, что, ориентируясь на самоокупаемость, мы считаем такие проекты стратегически важными для развития экономики всей страны и достойными внимания со стороны государства».
Максим Голосов, заместитель директора по управлению качеством компании ООО «МегаМикс», подчеркнул: «Цель нашего проекта — прозрачность сырья на входе, то есть идентификация партий, содержащих помимо заявленного в спецификации продукта ещё и примеси, которые попали в анализируемый объект с участием человека либо в результате пересечения технологических потоков производителя, перерабатывающего более чем одну кормовую культуру. Это позволяет минимизировать риски, связанные с недобросовестными и/или технологически несовершенными производителями/поставщиками. В конечном итоге каждая единица питательности будет использована по назначению, а сомнительные партии дорогих белковых продуктов могут быть отклонены по результатам входного контроля».
Резюме
«МЕГАМИКС» и Сбер запускают совместное ИИ-решение для экспресс-анализа качества кормового сырья. Продукт объединяет ML-валидацию (NIR-анализ) и интерпретацию с помощью GigaChat с обязательной ссылкой на источники. Система выдаёт один из пяти статусов («соответствует», «не соответствует», «подозрение на фальсификацию» и др.) и структурированный отчёт. Экономический эффект — до 10% снижения затрат на комбикорма и экономия 50 млн рублей на создании лаборатории. Пилотный проект стартует в Чувашии в сотрудничестве с агрохолдингом «CHUVA» и Правительством республики при поддержке национального проекта «Технологическое обеспечение продовольственной безопасности».
Научный центр питания животных и экспертизы кормов МегаМикс / ©VK Видео
