面对高通胀和价格上涨,创新型食品和饮料企业已将目光转向人工智能(AI),更具体地说,转向机器学习(ML),以实现降本增效。增加对应用型AI和ML解决方案的投入,有助于食品和饮料企业减少浪费,改进业务流程,并在供应链日趋复杂且不稳定的环境下满足不断增长的市场需求。最重要的是,云端的食品和饮料企业能够以即时服务的形式获取数据、分析技术和机器学习技术,更快地启动机器学习,从而抢占市场先机。随着食品和饮料企业继续深化应用型AI的研究,在云中托管和可视化数据的能力对于发现优化运营、削减成本和减少浪费的机会至关重要。
对于食品和饮料企业来说,AI的优势之一体现在提高产品推荐和销售定价策略的准确性和效率上。在目前原材料和能源价格波动的大环境下,食品和饮料企业必须对产品供应和定价策略进行动态调整,以维持销量。全球烘焙原料企业Zeelandia集团部署了ML模型,根据类似客户的购买情况向面包店推荐产品并进行报价,成功解决了成本高企和烘焙原料缺乏的难题。通过应用型AI的部署,Zeelandia集团将产品推介的准备时间从30分钟缩短到了5分钟,效率提升了83%。产品推介时间缩短后,单笔交易收入和从单个客户处获得的收入都得到提升,同时,Zeelandia的员工也能腾出更多时间来改善客户体验。
应用型AI和ML的部署还有助于推动食品和饮料企业的可持续发展。许多食品和饮料企业已开始利用ML来减少浪费,并发现供应链中的低效环节。例如,全球领先的羊奶酪和有机牛奶酪供应商Amalthea已经开始利用应用型AI来提升奶酪质量的可预测性,并大幅提高产量,建立客户忠诚度,促进可持续发展。从前,Amalthea只能每周手动分析产奶量,使得公司很难调整工艺参数来指导工艺以优化产量。现在借助ML, Amalthea不但可以直接了解导致产量变化的原因,还可以即时查看产量。由于可以快速识别痛点并即时改进流程,Amalthea成功减少了制造过程中的整体浪费。这些变化对公司的盈利能力和净利润产生了直接影响,因为产量每增加1%,就意味着Amalthea可以节省大约50万欧元的成本。
此外,全球劳动力持续短缺,影响了食品饮料行业的产出。人力短缺的部分原因在于,新一代工人更倾向于寻找终身就业机会和价值驱动型就业岗位,而不愿意到工厂或客户服务部门工作。由于市场需求增加,维持供应的压力越来越大,食品和饮料企业正在加大自动化生产和工业4.0技术的投入,以解决员工短缺的问题。例如,企业已开始利用AI和机器人来完成部分劳动密集型任务,如分拣、分级、切割和切片等,而这些工作以往都需要人工监测和决策。此外,企业引入和部署最新的工业4.0技术也可以吸引更多年轻人才,他们渴望学习,渴望利用最新的技术来解决全球食品饮料行业的问题,例如可持续渔业。全球动物营养领导者泰高集团(Nutreco)依托最新的工业4.0技术进行虾的精准养殖。缩短了健康虾的养殖周期,同时减少了30%的饲料用量。具体来说,泰高集团在水产养殖过程中借助音频传感器来倾听虾的声音,了解最佳喂食时间。AI能够自行决定喂食时间和具体的喂食量,在减少饲料浪费的同时,促进虾的最佳生长。
随着前所未有的挑战成为食品饮料行业的新常态,应用型AI的部署对于企业来说已是势在必行,它可以让企业更加智慧高效地运营,而非一味蛮干。显而易见的是,企业可以通过引入ML解决方案来节省成本,提高可持续性,员工也可以由此摆脱重复性劳动的困扰,更加专注于改善客户体验。在经济不确定性时期,食品和饮料企业别无选择,只能去适应。在经济不景气和通货膨胀加剧的当下,为了确保企业的盈利能力,引入应用型AI已是势在必行。

( 作者:Infor大中国区商业咨询高级总监 鹿崇 )
关于作者
鹿崇先生现任Infor大中国区商业咨询高级总监。他在企业应用软件领域有超过15年的实战经验。鹿崇先生自2003年1月加入Infor至今。加入Infor之前,他曾在KPWOOD公司任系统工程师、SSA上海公司任职商业顾问,还曾在迅达电梯担任过项目负责人。鹿崇先生毕业于清华大学管理信息系统专业。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。