Sztuczna inteligencja w przedsiębiorstwach przemysłu spożywczego – potencjał i wyzwania

• Autorzy: Kasior Katarzyna

Identyfikatory

DOI

10.15199/65.2024.2.1

Warianty tytułu

EN

Artificial intelligence in food industry enterprises – potential and challenges

• Języki publikacji: PL

Abstrakty

PL

Artykuł zawiera przegląd możliwości wykorzystania sztucznej inteligencji (AI) w przedsiębiorstwach przemysłu spożywczego. Wskazuje równocześnie na główne wyzwania oraz problemy, jakie wiążą się z wdrażaniem tej technologii w przedsiębiorstwach sektora w Polsce. Prowadzone badania oraz studia przypadków potwierdzają, że szersze zastosowanie rozwiązań opartych na AI może poprawiać funkcjonowanie przedsiębiorstw sektora, wzmacniać ich konkurencyjność oraz wspierać realizację celów zrównoważonego rozwoju. Z drugiej strony AI może również pogłębiać istniejące nierówności w sektorze, faworyzując większe, technologicznie zaawansowane przedsiębiorstwa kosztem mniejszych podmiotów. W Polsce z rozwiązań AI w 2023 roku korzystało tylko 2,6% przedsiębiorstw przemysłu spożywczego zatrudniających 10 i więcej osób. Kluczowe staje się więc zwiększanie dostępności i promowanie korzystania z technologii AI z myślą o zapewnianiu równych warunków konkurencji w sektorze. W tym kontekście szczególnie istotne jest wdrożenie systemu zachęt i wsparcia dla małych i średnich przedsiębiorstw, które ze względu na ograniczone zasoby finansowe, kadrowe i technologiczne mają większe trudności w zakresie efektywnego pozyskiwania i wykorzystywania nowych technologii.

EN

The article provides an overview of the possibilities of using artificial intelligence (AI) in the food industry enterprises. It also points out the main challenges and problems associated with implementing this technology in sector companies in Poland. Conducted research and case studies confirm that wider application of AI-based solutions can improve the functioning of sector companies, enhance their competitiveness, and support the achievement of sustainable development goals. On the other hand, AI can also exacerbate existing inequalities in the sector, favoring larger, technologically advanced companies at the expense of smaller entities. In Poland, only 2.6% of food industry companies employing 10 or more people used AI solutions in 2023. Therefore, increasing the availability and promoting the use of AI technology becomes crucial to ensure equal competition conditions in the sector. In this context, it is particularly important to implement a system of incentives and support for small and medium-sized enterprises, which, due to limited financial, human, and technological resources, face greater difficulties in effectively acquiring and implementing new technologies.

Słowa kluczowe

PL

sztuczna inteligencja; przemysł spożywczy; wdrażanie technologii; AI; zrównoważony rozwój; problemy; wyzwania

EN

artificial intelligence; food industry; sustainable development; AI; technology adoption; problems; challenges

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przemysł Spożywczy
• Rocznik: 2024
• Tom: T. 78, nr 2
• Strony: 12--17
• Opis fizyczny: Bibliogr. 28 poz.

Twórcy

autor

Kasior Katarzyna

• Zakład Ekonomiki Agrobiznesu i Biogospodarki, Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej – Państwowy Instytut Badawczy, Warszawa

• https://orcid.org/0000-0003-4825-730X

Bibliografia

• [1] Addanki M., P. Patra, P. Kandra. 2022. ,,Recent advances and applications of artificial intelligence and related technologies in the food industry”. Applied Food Research, Vol. 2 (2) : 100126. https://doi.org/10.1016/j.afres.2022.100126.
• [2] ,,Artificial Intelligence designs soda for Swiss market: We were gripped by AI fever”. Food Navigator, 9.06.2023. https://www.foodnavigator.com/Article/2023/06/09/Vivi-Nova-AI-designsbeverage-in-Switzerland
• [3] ,,Artificial Intelligence in Food and Beverage Market to Reach USD 311.6 Billion by 2033, Driven by a Steady 43.7% CAGR”. MarketUS, GlobalNewsWire, 14 December 2023.
• [4] Chui M., E. Hazan E., R. Roberts at al. 2023. ,,The economic potential of generative AI: The next productivity frontier”. McKinsey Digital, 14.06.2023. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier/
• [5] Di S. 2022. ,,Prediction of red wine quality using one-dimensional convolutional neural networks”. arXiv. 2208.14008. https://doi.org/10.48550/arXiv.2208.14008.
• [6] „Fabryka Danone wdrożyła Big Data i sztuczną inteligencję”. Portal Spożywczy. 13.10.2022. https://www.portalspozywczy.pl/mleko/wiadomosci/fabryka-danone-wdrozyla-big-data-i-sztucznainteligencje,214861.html
• [7] Gorji, H.T., S.M. Shahabi, A. Sharma et. al. 2022. ,,Combining deep learning and fluorescence imaging to automatically identify fecal contamination on meat carcasses”. Scientific Reports, 12 (1): 2392, https://doi.org/10.1038/s41598-022-06379-1.
• [8] Goyal, S., G.K. Goyal. 2013. ,,Intelligent artificial neural network computing models for predicting shelf life of processed cheese”. Intelligent Decision Technologies, 7 (2): 107-111. https://doi.org/10.3233/IDT-130154.
• [9] Hans J.P. Marvin, Yamine Bouzembrak, H.J. van der Fels-Klerx et. al. 2022. ,,Digitalisation and Artificial Intelligence for sustainable food systems”. Trends in Food Science & Technology, Vol.120. 344-348. https://doi.org/10.1016/j.tifs.2022.01.020.
• [10] Horputra, P., R. Phrajonthong, P. Kaewprapha. 2021. ,,Deep learning-based bottle caps inspection in beverage manufacturing and packaging process”. In 2021 9th International Electrical Engineering Congress (iEECON). Pattaya, Thailand : 499-502. https://doi.org/10.1109/iEECON51072.2021.9440326.
• [11] Huang W., L. Guo, W. Kou et.al. 2022. ,,Identification of adulterated milk powder based on convolutional neural network and laser-induced breakdown spectroscopy”. Microchemical Journal. 176: 107190. https://doi.org/10.1016/j.microc.2022.107190.
• [12] Madan R., T. Choudhury, T. Sarkar, N. Bansal, T.T. Toe. 2023. ,,Chicken Quality Evaluation Using Deep Learning”. In Rathore, V.S., Piuri, V., Babo, R., Ferreira, M.C. (eds). Emerging Trends in Expert Applications and Security. ICETEAS 2023. Lecture Notes in Networks and Systems, vol 682. Springer, Singapore. https://doi.org/10.1007/978-981-99-1946-8_34.
• [13] Mason A., D. Romanov, L.E. Cordova-Lopez, O. Korostynska. 2022. ,,Smart knife: Integrated intelligence for robotic meat cutting”. IEEE Sensors Journal, 22 (21) : 20475-20483, https://doi.org/10.1109/JSEN.2022.3208667.
• [14] M ehraban Sangatash M., M. Mohebbi, F. Shahidi, A. Vahidian Kamyad, & M. Qhods Rohani, M. 2012. ,,Application of fuzzy logic to classify raw milk based on qualitative properties”. International Journal of AgriScience. 2 (12): 1168–1178.
• [15] M ingione E., C. Leone, D. Almonti, E. Menna, G. Baiocco, N. Ucciardello. 2022. ,,Artificial neural networks application for analysis and control of grapes fermentation process”. Procedia CIRP. Vol. 112: 22-27. https://doi.org/10.1016/j.procir.2022.09.018.
• [16] Przybył K., K. Koszela. 2023. ,,Applications MLP and Other Methods in Artificial Intelligence of Fruit and Vegetable in Convective and Spray Drying”. Applied Sciences. 13 (5): 2965. https://doi.org/10.3390/app13052965.
• [17] „Robotyzacja w Polsce w 2023 – raport i przegląd rynku”. 2023. Corobotics.pl, 14.06.2023. https://corobotics.pl/robotyzacja-w-polsce-raport-i-przeglad-rynku/
• [18] Shi Y., X. Wang, M.S. Borhan, J. Young, D. Newman, E. Berg, & X. Sun. 2021. ,,A review on meat quality evaluation methods based on non-destructive computer vision and artificial intelligence technologies”. Food Science of Animal Resources. 41 (4) : 563. https://doi.org/10.5851/kosfa.2021.e25.
• [19] Takacs K., B. Takacs, S. Tarsoly, T. et al. 2022. ,,Analysis of Intelligent Force Control Methods for Red-Meat Gripping Applications”. 2022 IEEE 10th Jubilee International Conference on Computational Cybernetics and Cyber-Medical Systems (ICCC). https://doi.org/10.1109/ICCC202255925.2022.9922732.
• [20] Tan J., J. Xu. 2020. ,,Applications of electronic nose (e-nose) and electronic tongue (e-tongue) in food quality-related properties determination: A review”. Artificial Intelligence in Agriculture. Vol. 4: 104-115. https://doi.org/10.1016/j.aiia.2020.06.003.
• [21] Taneja A., G. Nair, S.D. Sharma, A.R. Jambrak, E. Rosello-Soto, E., et. al. 2023. ,,Artificial Intelligence: Implications for the Agri-Food Sector”. Agronomy. 13 (5) : 1397. https://doi.org/10.3390/agronomy13051397.
• [22] Tapia-Mendez, E., I.A. Cruz-Albarran, S. Tovar-Arriaga, & L.A. Morales-Hernandez 2023. ,,Deep learning-based method for classification and ripeness assessment of fruits and vegetables”. Applied Sciences. 13 (22): 12504. https://doi.org/10.3390/app132212504.
• [23] Vinuesa R., H. Azizpour, I. Leite, I. et al. 2020. ,,The role of artificial intelligence in achieving the Sustainable Development Goals”. Nature Communication. 11 (233). https://doi.org/10.1038/s41467-019-14108-y.
• [24] Walker J. 2019. ,,AI in Food Processing – Use Cases and Applications that Matter” https://emerj.com/ai-sector-overviews/ai-in-food-processing/
• [25] „Wykorzystanie technologii informacyjno-komunikacyjnych w jednostkach administracji publicznej, przedsiębiorstwach i gospodarstwach domowych w 2021 roku”. Główny Urząd Statystyczny. Warszawa. 24.01.2022. https://stat.gov.pl
• [26] „Wykorzystanie technologii informacyjno-komunikacyjnych w jednostkach administracji publicznej, przedsiębiorstwach i gospodarstwach domowych w 2023 roku”. Główny Urząd Statystyczny. Warszawa. 07.12.2023. https://stat.gov.pl
• [27] Xiao B., M. Nguyen, & W.Q. Yan. 2023. ,,Fruit ripeness identification using transformers”. Applied Intelligence. 53: 22488–22499. https://doi.org/10.1007/s10489-023-04799-8.
• [28] Zhu H., L. Yang, Y. Wang, Y. Wang, W. Hou, Y. Rao, L. Liu. 2024. ,,Enhanced detection algorithm for apple bruises using structured light imaging”. Artificial Intelligence in Agriculture. Vol. 11: 50-60. https://doi.org/10.1016/j.aiia.2023.12.001.