Bitkisel bazlı et analoglarında doku ve duyusal optimizasyon için yapay zeka ve makine öğrenimi: Bir inceleme
Özet
Bitkisel bazlı et analoglarının üretiminde, gerçek etin karakteristik dokusunu (sertlik, esneklik, lifli yapı) ve duyusal özelliklerini taklit etmek, gıda biliminde kritik bir teknolojik zorluktur. Geleneksel formülasyon geliştirme ve ekstrüzyon süreçleri genellikle zaman alıcı, kaynak yoğun ve maliyetli deneme-yanılma yöntemlerine dayanmaktadır. Bu incelemenin amacı, bitkisel bazlı et tasarımında yapay zeka ve makine öğrenmesi algoritmalarının optimizasyon potansiyelini değerlendirmek ve geleneksel yöntemlere (örneğin, Yanıt Yüzey Metodolojisi) kıyasla sundukları avantajları vurgulamaktır. Mevcut literatürün incelenmesi, makine öğrenmesi modellerinin girdi bileşenleri ile nihai ürünün dokusal kalitesi arasındaki karmaşık ve doğrusal olmayan ilişkileri başarıyla modellediğini göstermektedir. Karar ağacı tabanlı algoritmalar (Random Forest, XGBoost) ve Çok Katmanlı Algılayıcılar gibi sinir ağlarının, doku ve reoloji tahmininde çok yüksek doğruluk sağladığı bulunmuştur. Özellikle, Çok Amaçlı Bayes Optimizasyonu, geleneksel yöntemlere kıyasla hedef doku profilini elde etmek için gereken deneysel deneme sayısını önemli ölçüde azaltarak süreç verimliliğini en üst düzeye çıkarmıştır. Dahası, bu algoritmaların hiperspektral görüntüleme ve elektronik burun (e-burun) gibi tahribatsız "Yeşil Analiz" araçlarıyla entegrasyonunun, numune atığını ve kimyasal atığı %90'a kadar azaltarak çevresel sürdürülebilirliği desteklediği gösterilmiştir. Sonuç olarak, yapay zeka ve makine öğreniminin entegrasyonu, bitki bazlı et üretiminde geleneksel girdi-çıktı yaklaşımlarının ötesine geçerek, hedef dokunun algoritmalar kullanılarak doğrudan rasyonel bir şekilde oluşturulduğu "Ters Tasarım" vizyonunu mümkün kılmaktadır. Bu, kaynak verimliliğini artıran ve tüketici beklentilerini karşılayan yenilikçi gıda formülasyonlarının çok daha hızlı geliştirilmesine olanak tanımaktadır.
