Over het bedrijf
Deze klant is een gevestigde naam in de consumentenvoedselproductie. Gespecialiseerd in bakmixen voor zowel de retail- als de professionele markt, combineert het bedrijf een rijk producterfgoed met een voortdurende gedrevenheid om de operationele processen te moderniseren. Kwaliteit en consistentie staan centraal in de merkbelofte, waardoor elke bron van variabiliteit in de productie een direct zakelijk risico vormt.
De uitdaging: kleur is complexer dan het lijkt
Het nauwkeurig reproduceren van kleur in bakproducten is verrassend lastig. De uiteindelijke kleur van een product na het bakken hangt af van een breed scala aan variabelen: het basisrecept, de specifieke gebruikte kleurstoffen en hun concentraties. Decennia lang vertrouwde men op de intuïtie en ervaring van een klein aantal geschoolde medewerkers om dit goed te krijgen, waarbij het probleem via trial-and-error werd aangepakt.
Deze aanpak was traag, kostbaar wat betreft materialen en moeilijk op te schalen. Wanneer ervaren personeel niet beschikbaar was, leed de consistentie daaronder. Het bedrijf had behoefte aan een meer systematische oplossing: een manier om die expertise te verankeren in een reproduceerbaar, datagestuurd proces.
De centrale vraag die aan DataNorth werd gesteld: kan een AI-model, getraind op historische recepten en kleurdata, voorspellen welke kleurstoffen en hoeveelheden nodig zijn om een doelkleur te bereiken?
De oplossing: drie complementaire AI-modellen
Na een initiële analyse fase ontwikkelde DataNorth een systeem bestaande uit drie modellen, die elk een ander deel van het formuleringsprobleem aanpakken.
-
Forward model (ingrediënten naar kleur): Op basis van een basisrecept en een set toegevoegde kleurstoffen voorspelt dit model de resulterende kleur, uitgedrukt in Lab-waarden. Dit creëert een digitale simulatie van het bakproces, zonder dat er een fysieke batch geproduceerd hoeft te worden.
-
Inverse model (doelkleur naar selectie kleurstoffen): Dit draait de vraag om: welke kleurstoffen moeten worden gebruikt bij een gewenste kleur? Dit is inherent lastiger op te lossen, omdat de zoekruimte groter is. Verschillende kleurstoffen kunnen in diverse samenstellingen en hoeveelheden worden gecombineerd, en meerdere combinaties kunnen tot hetzelfde visuele resultaat leiden. DataNorth bouwde een optimalisatie model dat meerdere kandidaat-oplossingen genereert en rangschikt op basis van nauwkeurigheid. De optimalisatie-loop gebruikt het forward model om elke kandidaat te evalueren en de zoektocht in de juiste richting te sturen.
-
Quantity model (selectie kleurstoffen naar optimale hoeveelheden): Dit model neemt het basisrecept, de geselecteerde kleurstoffen en de doelkleur als input, en geeft enkel de benodigde hoeveelheden terug. Door de zoekruimte te beperken tot hoeveelheden (in plaats van zowel selectie als hoeveelheid tegelijkertijd), behaalt dit model een hogere precisie voor de uiteindelijke output.
Data-analyse
De training dataset bestond uit vele historische recepten, elk met basisingrediënten, specificaties van kleurstoffen en gemeten kleurcodes. Voorafgaand aan de ontwikkeling van de modellen voerde DataNorth een gestructureerde data-analyse uit om de dataset in kaart te brengen: welke kleuren komen voor in de data, hoe vaak wordt elke kleurstof gebruikt, in welke concentraties en welke combinaties van kleurstoffen treden vaak samen op? Deze analyse vormde de basis voor zowel de modelarchitectuur als de trainingsstrategie.
Het resultaat
Het systeem transformeert een proces dat voorheen afhankelijk was van individuele expertise en fysieke trial-and-error naar een gestructureerde, herhaalbare workflow. De formuleringstijd is verkort, materiaalverspilling is afgenomen en het bedrijf is niet langer afhankelijk van een handvol ervaren medewerkers om kleurconsistentie in het gehele assortiment te waarborgen. De modellen verankeren institutionele kennis in een vorm die kan worden gebruikt, gevalideerd en continu kan worden verbeterd.
