Key Takeaways
Az Allive a 10-30 perces kézi kendermag-elemzést AI-alapú vizsgálattal váltotta fel, amely másodpercek alatt ad eredményt.
A zöld héj válogatása, amely korábban mintánként akár 2 órát is igénybe vett, most másodpercek alatt befejeződik. Ez nagyságrendi változás a laboratórium napi teljesítőképességében.
A 6 hónapos pilot eredményeként egy kenderspecifikus AI modellt hoztak létre több mint 30 szennyeződésosztállyal (köztük: Anyarozs, Szklerócium, Parlagfű, Repce, Fogas lucerna), amely 93.25%-os átfogó pontosságot ért el 100%-ban termelési mintákon.
Az oxidálódott kendermagok esetében a rendszer 0.03 százalékpontos eltéréssel egyezett meg a laboratóriumi eredményekkel (labor: 1.54%, rendszer: 1.57%).
Az Allive termékmegfelelőségi menedzsere szerint ez a váltás a 'nézéstől' a 'mérésig' vezetett – a minőség immár tény, nem pedig vélemény.
A valós idejű minőségellenőrzés ma már óránként 500 kg kender alapanyagot tisztító gyártósorokat támogat.
Minden vizsgálat egy bármikor újra megnyitható digitális jegyzőkönyvet készít, ahol minden egyes mag szegmentált és osztályozott. A bejegyzésben található egy link az Allive gyártósoráról származó élő példára (6,251 detektált mag).
A JSC Allive Európa egyik legnagyobb vertikálisan integrált ipari kendertermelője, amely az EU, az Egyesült Államok, Kanada és Japán élelmiszer- és wellness piacait látja el. Ezek a piacok nem tűrik a megalkuvást, és az Allive termékmegfelelőségi menedzsere, Tadas Brazdauskas, ezt nyíltan meg is fogalmazza:
Nem csupán egy újabb kenderfeldolgozó cég vagyunk. Nálunk a minőség nem marketingfogás, hanem mindennapi döntés. Olyan piacokon vagyunk jelen, ahol nincsenek kompromisszumok, így mi sem kötünk egyet sem.
- Tadas Brazdauskas, termékmegfelelőségi menedzser
2025 végén az Allive és a GrainODM egy strukturált, hat hónapos pilot projektbe kezdett, hogy a kézi kendermag-osztályozást AI-alapú vizsgálattal váltsák fel. Hat hónappal és tizenkét heti felülvizsgálati ciklussal később az általuk leírt folyamat már nem vizuális becslésen alapul. Ez immár digitális mérés. Vagy ahogy Tadas később megfogalmazza ebben a történetben: a minőség immár tény, nem pedig vélemény.
Ez a történet erről az átállásról szól, azoknak a szavaival elmesélve, akik végigcsinálták: Tadas és Emilija Nugarienė, az Allive junior laborvezetője.
A pillanat, amikor a manuális folyamat gátjává vált a növekedésnek
Vagy mi változtatjuk meg a folyamatot, vagy a folyamat fogja visszafogni a növekedésünket.
- Tadas Brazdauskas, termékmegfelelőségi menedzser
Az Allive-nál a kender minőségellenőrzése korábban teljesen manuálisan történt. Minden egyes szennyeződést egyenként számoltak meg és mértek le, majd naplókban rögzítették és Excelbe másolták azokat, miközben folyamatos volt az elírások kockázata.
“Egy szabványos minta körülbelül 10 percet vett igénybe” – emlékszik vissza Emilija. “De bizonyos folyamatok, mint például a zöld héj szétválogatása és számolása, akár két órát is igénybe vehettek. Egy átlagos napon 20-30 elemzést végeztünk a termelés volumenétől függően.”
A valódi nyomást azonban a határesetek jelentették. Egyetlen minta zöld héjainak szétválogatása és megszámolása akár két órát is elvihetett. Az AI vizsgálattal ez a bizonyos ellenőrzés ma már másodpercek alatt megvan. Ez egy olyan nagyságrendi ugrás, ami nemcsak az egyes feladatok idejét csökkenti le, hanem alapjaiban változtatja meg azt, hogy a laboratórium fizikailag mennyit képes teljesíteni egy nap alatt.
Az Allive mintegy 500 kg/h megtisztított kender alapanyagot előállító termelési üteme mellett egy lassú labor egyben lassú gyártósort is jelent. Minden további kilogramm bizonytalan minőségű termék kockázatot jelent a prémium exportkötelezettségekre nézve.
A szűk keresztmetszet nem csupán egy-egy lassan feldolgozott mintáról szólt. Arról volt szó, hogy a minőségellenőrzés képes-e lépést tartani a vállalat növekedésével.
Mennyit érne ez az időmegtakarítás az Ön termelési volumene mellett?
Az Allive naponta átlagosan 20-30 mintát vizsgált, melyek egyenként 10-30 percet vettek igénybe. Számolja ki, mennyi labormunkaórát és kapacitást nyerhetne a kézi osztályozás kiváltásával a saját üzemében.
Próbálja ki a ROI kalkulátort →Miért utasított el az Allive egy “dobozos” AI eszközt?
A kendermag nem búza. Azokat a szennyeződéseket, amelyeket az Allive-nak ki kell szűrnie (idegen magvak, oxidálódott magbél, éretlen magok, héjak és héjtöredékek, törmelék), színükben, alakjukban és méretükben gyakran megegyeznek a tiszta magvakkal. A szabványos gabonákra betanított, polcról levehető számítógépes látásmód (computer vision) modellek nehezen birkóznak meg ezzel az átfedéssel.
Nem is annyira a technológiát kerestük, hanem az amögött álló szellemi tőkét.
- Tadas Brazdauskas, termékmegfelelőségi menedzser
“Ha egy partner nem érti a termékedet, az AI sem fog segíteni” – mondja Tadas. “A kendermag nem egyszerű búza. A szennyeződések színben, formában és méretben nagyon hasonlóak lehetnek. Kritikus volt számunkra, hogy a modellt azokon a szennyeződéseken tanítsák be, amelyeket mi hosszú idő alatt gyűjtöttünk össze, a mi tapasztalatunkra építve.”
Ez a megközelítés meghatározta a kereteket. Ez nem egy egyszerű szoftvertelepítés volt. Ez egy közös fejlesztési projekt lett.
Betekintés a hat hónapos pilot projektbe
A pilot projekt felépítése szándékosan gyakorlatias volt. Az Allive laboratóriuma biztosította a mintákat, felcímkézte a határeseteket, és jelezte a tévesztéseket. A GrainODM minden héten újratanította a modellt, és telepítette a frissítéseket. Ez a ritmus 2025 októberétől 2026 márciusáig tartott, heti hivatalos felülvizsgálatokkal, amelyeket egy 96 oldalas közös naplóban rögzítettek, nyomon követve minden megfigyelést, modellmódosítást és megoldott határesetet.
A modell fejlődési íve egyetlen osztályon keresztül mutatható be a legjobban. Az első hetekben azok a szennyeződések, amelyek nem illettek tisztán egyetlen betanított kategóriába sem, egy gyűjtő “egyéb magvak” kategóriába kerültek. A második hét egyik tesztjénél a rendszer 260 elemet jelölt “egyéb magvak”-ként, ahol a labor csak 6-ot számolt. A pilot végére ezt a gyűjtőkategóriát több mint harminc specifikus osztály váltotta fel – köztük az Anyarozs, Szklerócium, Parlagfű, Repce, Fogas lucerna, Olajretek, Borzas bükköny, Repcsényretek, Pókhálós bojtorján, Lapulevelű keserűfű, Hélazab, Búza, Mustár és Galaj –, az Allive QC rendszere által használt három fő kategóriába sorolva: allergén, veszélyes és káros szennyeződések.
2026 februárjára a modell 93.25%-os általános pontosságot ért el 100%-ban termelési mintákon, a teljes osztálykészletre vonatkozóan. Az egyik olyan szennyeződés típusnál, ahol az Allive kiemelten figyeli az exportkritikus határértékeket – az oxidálódott kendermagok esetében – a rendszer 0.03 százalékpontos eltéréssel egyezett meg a laboratóriumi eredményekkel (a laborban 1.54%, míg a rendszerben 1.57% volt kilenc minta átlagában).
Ugyanaz a kendermagminta az Allive laborjában a GrainODM AI vizsgálat előtt és után: a nyers vizsgáló tálca szemben a szegmentált és osztályozott találatokkal.
Emilija a laboratórium oldaláról figyelte a fejlődést. “A pilot során a rendszer folyamatosan javult. Minden egyes frissítéssel egyre pontosabban ismerte fel a mi magtípusainkat és szennyeződéseinket. Nyilvánvaló volt, hogy a csapat aktívan dolgozott az adatainkkal, és a modell pontossága folyamatosan egyre jobb lett.”
“Következetesek és igényesek voltunk. És jó, hogy ezt állták” – mondja Tadas. “A modellt a mi adatainkon tanították, és mi is nyakig benne voltunk a folyamatban. Néhány dolog a vártnál tovább tartott, de az elvárásaink is folyamatosan nőttek az út során. Ez nem a ‘vedd meg és használd’ esete volt. Hanem az ‘építsük fel közösen’ koncepciója.”
A labor padlójáról nézve: sebesség és bizonyíték
Emilija minden nap kendermintákkal dolgozik. Rutinja magában foglalja a szennyeződések számolását, az éretlen és hántolt magok szétválogatását, a dokumentációt, valamint a gyártósor auditálását. Neki van a legtisztább képe arról, milyen volt a munka, mielőtt az AI megérkezett a laborba, és milyen lett utána.
Számára az első változás fizikai jellegű volt. “Ami a legjobban meglepett, az a sebesség volt. Eredmények néhány másodperc alatt. Nyilvánvaló volt a különbség az addigi kézi munkánkhoz képest.”
Az időn túl két dolog bizonyult sokkal fontosabbnak a mindennapokban, mint amit a kezdetekkor bármelyik fél is jósolt volna.
Strukturált kategóriák a jelentésben. “Nagyon kényelmes, hogy az eredmények egy strukturált táblázatban jelennek meg” – mondja Emilija –, “ahol a kategóriák – allergén, veszélyes, káros szennyeződések – és azok összesítései tisztán láthatók.” Nincs interpretációs lépés az elemzés és az auditor kérdése között.
Egy továbbítható jegyzőkönyv. Minden elemzett minta megőrzi a saját teljes, interaktív jelentését. Amikor egy vevő vagy auditor vitat egy tételt, az Allive egyszerűen átküldi nekik a fájlt. Megnyitják, ráközelítenek, és pontosan azt látják, amit a labor is látott. Nincs min vitatkozni többé.
Nyissa meg az interaktív jelentést →
Az egyik leghasznosabb funkció, hogy el tudjuk menteni a minta fotóját, és később újra elemezhetjük, ha kérdések vagy viták merülnek fel a minőséggel kapcsolatban.
- Emilija Nugarienė, junior laborvezető
Bárki, aki dolgozott már minőségügyi munkakörben, tudja, mennyit ér ez. Egy fényképes bizonyítékokkal alátámasztott jegyzőkönyv egy hosszú megbeszélést egy ötperces válasszá redukál.
A vezetőség szemszögéből: a minőség mint tény
Tadas egy másik dimenzióból fogalmazza meg az átalakulást.
A minőség immár tény lett, nem pedig vélemény.
- Tadas Brazdauskas, termékmegfelelőségi menedzser
“Mezőgazdasági alapanyagokkal dolgozunk, ahol még egy tapasztalt szakember sem vehet észre mindent, különösen sok kézi elemzés után. A szem elfárad. A rendszer olyan dolgokat is azonosít, amiket szabad szemmel nem vennénk észre, és minden egyes találatról digitális feljegyzést készít.”
A második nagy váltás az időzítés. A kézi minőségellenőrzés egy utólagos jelentésként működött. Az AI vizsgálat viszont a tisztítósorral párhuzamosan fut. “Most már minden nap, folyamat közben is el tudjuk végezni az elemzést. Amikor 500 kg/h megtisztított alapanyagot állítasz elő, a reakcióidő kritikus. Ami régen egy lassú folyamat volt, ma már valós idejű minőségirányítás. Kevesebb nem-megfelelőség, kevesebb újrafeldolgozás, alacsonyabb költségek.”
Tadas egyetlen mondatban foglalja össze a különbséget: “Régen a szemünkkel dolgoztunk. Ma már adatokkal.”
Mit tanácsolna az Allive egy automatizálást fontolgató iparági szereplőnek?
Tadas válaszában három dolog emelkedik ki. Először is a sürgősség. Másodszor az automatizálás átkeretezése: nem puszta beszerzés, hanem stratégiai irányvonal. Harmadszor pedig az emberi oldal.
Ha még mindig csak gondolkodsz rajta, már elkéstél. Ez nem választás kérdése. Ez a haladás iránya.
- Tadas Brazdauskas, termékmegfelelőségi menedzser
“Az automatizálás nem csupán az időmegtakarításról szól. Magát a munka természetét változtatja meg. Megszüntettük a monotóniát, és az embereknek nagyobb felelősséget, több teret adtunk a fejlődésre. Ez sokkal nagyobb érték, mint pusztán a hatékonyság – ez nemcsak a termelékenységről, hanem a motivációról is szól. Dolgozz okosan, ne keményen. A legfontosabb, hogy olyan partnert válasszunk, aki velünk együtt akar végigmenni ezen az úton, mert akkor az eredmény nem csupán egy új technológia lesz. Hanem valódi üzleti átalakulás.”
Emilija olvasata a labor oldaláról csendesebb, de ugyanerre a pontra tapint rá:
Az ehhez hasonló eszközök a mindennapi munka elválaszthatatlan részévé válnak, kiegészítve a szakemberek tudását és növelve a hatékonyságot.
- Emilija Nugarienė, junior laborvezető
“Az ilyen technológiák jelentős időt takarítanak meg, növelik az eredmények megbízhatóságát, és sztenderdizálják azokat” – teszi hozzá.
A különbségtétel nagyon is számít. Az Allive-nál az AI vizsgálat nem váltotta le a labort. Ehelyett egy olyan “második szempárt” adott a dolgozóknak, ami sosem fárad el, és mindig transzparensen mutatja, hogyan dolgozik.
A kenderipar számára
Az Allive pilot projektje csupán egyetlen adatpont, nem pedig iparági ítélet. De kétségtelenül kijelöli az irányt. Egy olyan vállalat számára, amely prémium kender összetevőket szállít a kompromisszumokat nem tűrő piacokra, a kizárólag kézi minőségellenőrzés már nem biztonságos alapértelmezés. A vásárlói elvárások a tételenkénti digitális bizonyítékok felé tolódnak el, és a kenderipar most arra az útra lép, amelyen a gabonaipar már egy évtizeddel ezelőtt elindult.
A történet szakmai hátteréről (milyen szennyeződésosztályokat vizsgálnak a kenderlaboratóriumok, milyen szabványok vonatkoznak az EU, az Egyesült Államok, Kanada és Japán piacaira, és hogyan érdemes AI vizsgálati partnert választani) bővebben a kendermag minőségellenőrzési útmutatónkban olvashat. A partnerség indulásának 2025. szeptemberi előzményeiről az eredeti bejelentésünkben tájékozódhat. Az AI-alapú analizátorok működésének átfogóbb megértéséhez tekintse meg a gabonaanalizátorokat bemutató és a gabona tisztasági vizsgálatokról szóló cikkeinket.
Ha Ön is kenderfeldolgozással foglalkozik, és szeretné látni, mit hozhat egy hat hónapos egyedi modelltanítási folyamat az Ön termékeinél, foglaljon egy 30 perces konzultációt, próbálja ki ROI kalkulátorunkat, hogy lássa, mennyi időt és pénzt takaríthat meg a kézi osztályozás kiváltásával a saját termelési volumene mellett, vagy nyisson meg egy élő mintavizsgálati jelentést, hogy lássa, milyen digitális jegyzőkönyvet készít most az Allive minden egyes tételről.
Gyakran Ismételt Kérdések
A pilot hat hónapig futott, 2025 októberétől 2026 márciusáig, heti felülvizsgálatokkal az Allive minőségügyi csapata és a GrainODM modelltanító csapata között. Az iterációt egy 96 oldalas közös naplóban dokumentálták, amely minden heti megfigyelést, modellváltozást és megoldott határesetet rögzített.
2026 februárjára a modell 93.25%-os általános pontosságot ért el a 100%-os termelési mintákon, több mint harminc szennyeződésosztályra vonatkozóan. Kifejezetten az oxidálódott kendermagok esetében a rendszer 0.03 százalékpontos eltéréssel hozta a laboratóriumi eredményeket (a laborban 1.54%, míg a rendszerben 1.57% volt a kilenc minta átlaga).
Egy szabványos kézi mintaelemzés körülbelül 10-30 percig tartott az elejétől a végéig, a mintától függően, beleértve az adatrögzítést is. A határesetek, mint például a zöld héj válogatása és számolása, mintánként akár két órát is igénybe vehettek. Az AI vizsgálattal ezek az ellenőrzések ma már másodpercek alatt lefutnak.
A kendermag szennyeződései színükben, alakjukban és méretükben gyakran hasonlítanak magukra a magvakra. A polcról levehető (dobozos) gabonamodellek nem képesek ezeket megbízhatóan szétválasztani. Az Allive a GrainODM modellt a saját szennyeződés-könyvtárán tanította be, amelyet a kendertermelés során szerzett több éves tapasztalata alapján állított össze.
Minden elemzett minta generál egy digitális jelentést az eredeti képpel, az észlelt szennyeződés kategóriákkal (allergén, veszélyes, káros), a darabszámokkal és az időbélyeggel. A jelentések később bármikor újranyithatók a minőségi viták rendezése vagy az auditorok kérdéseinek megválaszolása céljából.
Az Allive tisztítósora óránként körülbelül 500 kg tisztított kender alapanyagot dolgoz fel. Az AI vizsgálat mostantól ennél a kapacitásnál is támogatja a valós idejű minőségügyi döntéseket.
Az Allive modelljét egy hat hónapos, strukturált pilot projekt keretében tanították be, heti felülvizsgálati ciklusokkal. Ez az időtartam jól tükrözi, hogy mennyire bonyolult a kendermagokhoz hasonlító szennyeződések szétválasztása. Az egyszerűbb osztályozást igénylő üzemek gyorsabban elérhetik a termelési szintű pontosságot, míg a rendkívül változatos termékmixek esetében hosszabb iterációra lehet szükség.
Igen. A GrainODM olyan digitális vizsgálati jelentéseket készít (beleértve a feliratozott mintaképet, az osztályonkénti darabszámokat, az összesítéseket és az időbélyeget), amelyek exportálhatók és integrálhatók a meglévő laboratóriumi információs vagy minőségirányítási rendszerekkel. Az integráció terjedelmét a pilot beállítása során határozzuk meg.
A pilot projekt akkor megy át folyamatos termelési használatba, amint elérik a pontossági célokat az ügyfél mintáin. A modell továbbra is karbantartható marad, ami azt jelenti, hogy új szennyeződésosztályok vagy termékvonalak adhatók hozzá további tanítási ciklusok révén, ahelyett, hogy egy teljesen új eszközre lenne szükség.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.