AI ў харчовай вытворчасці: урокі клюквы з Глыбокага

27 чалавек у штаце, 600–800 кг прадукцыі за змену і ўсяго 30 сутак тэрміну прыдатнасці — так выглядае матэматыка адной з самых незвычайных харчовых вытворчасцей Беларусі. У Глыбокім працуе адзіная ў краіне лінія, якая робіць клюкву ў цукровай пудры з свежых ягад. Без кансервантаў, без штучных араматызатараў і без «падстрахоўкі» доўгім складам.

Гэта гісторыя пра сямейны бізнес, але для нашай серыі «Як штучны інтэлект трансфармуе вытворчасць і прамысловасць у Беларусі» яна важнейшая як прыклад: нават там, дзе «рэцэпт з савецкіх часоў», усё трымаецца на тэхналогіі, кантролі якасці і дысцыпліне даных. А значыць — на глебе, дзе AI і аўтаматызацыя даюць вельмі практычны эфект.

Ніжэй — што можна ўзяць з досведу глыбоцкай «Аржаніцы» (брэнд «Пацалункi‑Падарункi») і як перакласці гэта на мову сучасных AI‑праектаў у вытворчасці.

Чаму «клюква ў пудры» — пра інжынерыю, а не пра салодкае

Ключ да стабільнай якасці ў такім прадукце — не «сакрэтны інгрэдыент», а стабільны працэс. У Глыбокім ён трымаецца на трох рэчах: уласным абсталяванні, дакладных патрабаваннях да сыравіны і строгім кантролі бяспекі.

Па словах кіраўніка прадпрыемства Васіля Брыленка, закаточны стол — распрацоўка яго бацькі, тэхналагічная лінія і працэс запатэнтаваныя, а рэцэптура ўзгодненая з рэгулятарамі. І нават цукровую пудру яны не купляюць: меляць цукар самі на мікра‑мельніцы, каб атрымаць «пуховую» фракцыю.

Вось важны момант для кіраўнікоў заводаў і цэхаў: унікальнасць прадукта амаль заўсёды вырастае з унікальнасці працэсу. AI тут не «модны дадатак», а інструмент, які дапамагае працэс зрабіць паўтаральным, прадказальным і маштабаваным.

Дзе ў гэтай схеме хаваецца «AI‑патэнцыял»

Нават без «робатаў у кадры» тут шмат задач для лічбавага кіравання:

• кантроль стабільнасці пудры (вільготнасць, тэмпература, фракцыя);
• кантроль якасці ягад да і пасля сартавання;
• кіраванне сушкай (каб пудра трымалася, але ягадa не «выцягнула» сок);
• планаванне выпуску і лагістыкі пры тэрміне прыдатнасці 30 дзён.

Усё гэта — класічныя кейсы для AI ў вытворчасці, дзе алгарытмы працуюць з датчыкамі, камерамі, партыямі і графікамі.

Даныя як сыравіна: што дае строгі ўводны кантроль ягад

Прадпрыемства закупляе значныя аб’ёмы ягад: у 2025 годзе — 38,5 тоны клюквы, а таксама дзікарослую голубіку, брусніцу і садовую маліну. Але галоўнае не аб’ём, а патрабаванні: патрэбна клюква дастаткова буйная, моцная, з “белым бочкам”.

Далей — дзве сартавальныя машыны ўласнай вытворчасці: на стадыі сартавання прыбіраюць мох, лісце і іншыя ўключэнні. Гэта «простая механіка», але яна закладае тое, што ў AI‑праектах называецца quality data pipeline: калі ўваход нестабільны, ніякая аналітыка не ўратуе.

Радыяцыйны кантроль як прыклад «непрыемнай» праўды пра вытворчасць

Ёсць і частка, пра якую не любяць казаць у маркетынгу, але яна вызначае давер: балоты — канцэнтратары радыяцыі, таму патрэбны кантроль Cs‑137.

• Норма для свежай дзікарослай клюквы па Cs‑137: не вышэй за 185 Бк/кг.
• На прадпрыемстве паведамляюць, што ў іх паказчык трымаецца ў межах 10–20 Бк/кг (узровень натуральнага фону).

Гэта добры ўрок для любой прамысловасці: празрыстасць кантролю бяспекі прадаецца лепш за рэкламныя лозунгі. А AI тут можа дапамагчы рабіць такі кантроль хутчэй (аўтаматычны ўлік партый, трасіроўка, аналітыка адхіленняў), а не «замяняць лабараторыю».

Вытворчы працэс: дзе аўтаматызацыя дае найбольш хуткі ROI

Васіль Брыленок апісвае лінію так: нанясенне пудры адбываецца на закаточным стале, пасля чаго прадукт яшчэ «далікатны» — пудра рассыпаецца. Таму патрэбная фінальная сушка ў шафах, і толькі потым фасоўка. Прадукцыйнасць — 600–800 кг за змену.

Калі перакласці гэта на мову «лічбавага цэха», то ёсць тры зоны, дзе AI і аўтаматызацыя даюць хуткі эфект без «рэканструкцыі завода»:

1) Камп’ютарны зрок для якасці ягад і выхаднога драже

Камеры + мадэль камп’ютарнага зроку могуць:

• адрозніваць ягаду патрэбнага памеру/колеру;
• выяўляць пашкоджанні, мяккасць па ўскосных прыкметах;
• кантраляваць раўнамернасць пакрыцця пудрай (працэнт аголенай паверхні).

Практычны вынік: менш ручных спрэчак «гэта яшчэ нармальна ці ўжо брак», больш стабільны прадукт на паліцы.

2) Прадказальная сушка: датчыкі + мадэль, а не «адчуванне майстра»

Сушка — месца, дзе нараджаюцца і брак, і эканомія. Звычайны шлях: паставілі «як заўсёды», а потым ловім праблемы.

Лічбавы шлях: датчыкі тэмпературы/вільготнасці + журнал партый + мадэль, якая раіць рэжым. Мэта простая: пудра трымаецца, ягадa не перасыхае і не “пускае сок”.

3) Планаванне выпуску пад 30 дзён тэрміну прыдатнасці

30 дзён — гэта абмежаванне, якое робіць склад «памылкай па змаўчанні». Таму AI ў лагістыцы і планаванні можа:

• прагназаваць попыт па каналах (розніца паміж рэгіёнамі, сезоннасцю);
• аптымізаваць графік вытворчасці і адгрузак;
• зніжаць спісанні і «пажарныя» змены.

Для снежня гэта асабліва актуальна: перад Новым годам попыт на падарункавыя салодкасці скачком расце, а пасля святаў падае. AI‑прагноз тут працуе як страхоўка ад лішкаў.

Міф: AI патрэбны толькі «вялікім заводам»

Большасць кампаній у Беларусі адкладаюць AI, бо думаюць, што гэта пра мільённыя бюджэты і каманды data science. Рэальнасць прасцейшая: AI пачынаецца з двух рэчаў — даных і вузкага бізнес‑выніку.

Глыбоцкі кейс добра паказвае, што нават невялікі штат (27 чалавек) можа трымаць унікальную вытворчасць дзякуючы тэхналагічнай дысцыпліне. У такіх умовах AI‑праект павінен быць маленькім, але «прыбітым да падлогі»:

1. Адна лінія → адзін паказчык (брак, выхад, стабільнасць пакрыцця).
2. Мінімум датчыкаў → максімум карысці.
3. Пілот 6–10 тыдняў → рашэнне пра маштабаванне.

Калі вы не можаце сфармуляваць, які паказчык палепшыцца ўжо ў гэтым квартале, вы яшчэ не гатовыя да AI.

Што спытаюць кіраўнікі: «А як з кадрамі і ўкараненнем?»

У інтэрв’ю прагучала важная дэталь: спецыялістаў для такога вытворчасці нідзе не рыхтуюць, таму новых супрацоўнікаў вучаць на месцы; ёсць супрацоўніцтва з каледжам хлебапячэння.

Гэта наўпрост пераносіцца і на AI ў прамысловасці: гатовых «AI‑аператараў цэха» мала. Таму працоўная схема такая:

• майстар/тэхнолаг задае крытэры якасці;
• інжынер аўтаматызацыі падключае датчыкі/камеры;
• аналітык будуе простую мадэль і справаздачу;
• каманда замацоўвае новую інструкцыю.

У маёй практыцы лепш за ўсё працуюць праекты, дзе AI не «замяняе людзей», а забірае руціну праверак і дадае прадказальнасць.

Натуральнасць + тэхналогіі: чаму гэта працуе як брэнд

Прадпрыемства падкрэслівае натуральнасць: без танных заменнікаў, фарбавальнікаў, араматызатараў. Прадукцыя мае дэкларацыі адпаведнасці ТР ТС (ЕАЭС). У 2025 годзе флагман — «Клюква ў цукровай пудры» — атрымаў Гран‑пры на PRODEXPO‑2025 як «лепшы сувенірны прадукт».

Для рынку гэта сігнал: «традыцыя» сама па сабе не прадае. Прадукт прадае спалучэнне:

• прадказальнай якасці (працэс, кантроль, дакументы),
• гісторыі паходжання (ягадная сыравіна, рэгіён),
• хуткасці рэакцыі (новыя густы: какао, карыца, імбір, кардамон, апельсін, кава),
• інжынернай культуры (сваё абсталяванне, патэнты, мадэрнізацыя).

AI ў гэтай формуле — не «прыгожы банцік», а спосаб утрымаць якасць, калі асартымент расце, а чалавечая ўвага абмежаваная.

Калі вы думаеце пра AI на сваёй вытворчасці: план на 30 дзён

Каб не загразнуць у прэзентацыях, прапаную просты маршрут, які падыходзіць і харчовай, і машынабудаўнічай, і дрэваапрацоўчай вытворчасці:

1. Абярыце адзін вузкі працэс, дзе ёсць вымяральная страта: брак, прастоі, лішні ручны кантроль.
2. Апішыце «добра/дрэнна» ў лічбах: напрыклад, доля браку, час на праверку, скаргі.
3. Збярыце 2–4 тыдні даных (нават у Excel) і вызначыце мінімальны набор датчыкаў/фатаграфій.
4. Запусціце пілот: камп’ютарны зрок або мадэль прагназавання — у залежнасці ад задачы.
5. Замацуйце вынік у інструкцыі і толькі потым думайце пра маштабаванне.

Калі ў вас, як у Глыбокім, ёсць абмежаванні накшталт 30‑дзённага тэрміну прыдатнасці, гэта нават плюс: яно прымушае сістэму быць дакладнай.

Фінальная думка для нашай серыі пра AI ў прамысловасці Беларусі простая: традыцыйныя прадукты жывуць доўга, але толькі тады, калі за імі стаіць сучасная вытворчая культура. А штучны інтэлект — адзін з самых практычных інструментаў, каб гэтую культуру ўмацаваць.

Калі вы хочаце знайсці «свой» кейс для AI — у кантролі якасці, планаванні або аўтаматызацыі — пачніце з аднаго пытання: дзе ў вашым працэсе сёння ўсё трымаецца на інтуіцыі, а павінна трымацца на даных?