Key Takeaways
Allive aizstāja 10 līdz 30 minūtēm ilgo manuālo kaņepju sēklu analīzi ar AI darbinātu kontroli, kas sniedz rezultātus dažu sekunžu laikā.
Zaļo sēnalu šķirošana, kas iepriekš prasīja līdz 2 stundām uz vienu paraugu, tagad tiek paveikta dažās sekundēs. Tās ir būtiskas izmaiņas tajā, ko laboratorija spēj paveikt vienas dienas laikā.
6 mēnešu pilotprojekta rezultātā tika izstrādāts īpaši kaņepēm pielāgots AI modelis ar 30+ piejaukumu klasēm (tostarp melnie graudi, sklerociji, ambrozija, rapsis, zobainā lucerna) un 93.25% kopējo precizitāti uz 100% ražošanas paraugiem.
Attiecībā uz oksidētām kaņepju sēklām sistēmas rezultāti sakrita ar laboratorijas datiem ar 0,03 procentpunktu precizitāti (laboratorijā 1.54% pret sistēmas 1.57%).
Allive produktu atbilstības vadītājs šo pāreju raksturo kā soli no 'skatīšanās' uz 'mērīšanu' — kvalitāte kā fakts, nevis viedoklis.
Reāllaika kvalitātes kontrole tagad atbalsta ražošanas līnijas, kas stundā attīra 500 kg/h kaņepju izejvielu.
Katra pārbaude ģenerē atkārtoti atveramu digitālo ierakstu, kurā katrs objekts ir segmentēts un klasificēts. Rakstā ir pievienota saite uz reālu piemēru no Allive ražošanas līnijas (atklāts 6,251 grains).
JSC Allive ir viens no lielākajiem vertikāli integrētajiem industriālo kaņepju ražotājiem Eiropā, kas piegādā produkciju pārtikas un labsajūtas (wellness) tirgiem ES, ASV, Kanādā un Japānā. Tie ir tirgi, kas necieš kompromisus, un Allive produktu atbilstības vadītājs Tadas Brazdauskas to formulē pavisam vienkārši:
Mēs neesam tikai vēl viens kaņepju uzņēmums. Mēs esam tāds uzņēmums, kur kvalitāte nav tikai mārketings. Tas ir ikdienas lēmums. Mēs strādājam ar tirgiem, kuros nav vietas kompromisiem, tāpēc arī mēs tādus nepieļaujam.
- Tadas Brazdauskas, Produktu atbilstības vadītājs
- gada nogalē Allive un GrainODM uzsāka strukturētu sešu mēnešu pilotprojektu, lai manuālo kaņepju sēklu šķirošanu aizstātu ar AI darbinātu kontroli. Sešus mēnešus un divpadsmit iknedēļas pārskata ciklus vēlāk process, ko viņi apraksta, vairs nav vizuāla aplēse. Tas ir digitāls mērījums. Vai, kā Tadas to formulē vēlāk šajā stāstā: kvalitāte ir kļuvusi par faktu, nevis viedokli.
Šis ir stāsts par šīm pārmaiņām, ko stāsta cilvēki, kuri tās īstenoja: Tadas un Emilija Nugarienė, Allive jaunākā laboratorijas vadītāja.
Brīdis, kad manuālais process vairs nespēja tikt līdzi izaugsmei
Vai nu mēs mainīsim procesu, vai arī process bremzēs mūsu izaugsmi.
- Tadas Brazdauskas, Produktu atbilstības vadītājs
Kaņepju kvalitātes kontrole uzņēmumā Allive iepriekš bija pilnībā manuāla. Katrs piejaukums tika atsevišķi saskaitīts un nosvērts, pēc tam reģistrēts žurnālos un pārrakstīts Excel failā, tādējādi radot pastāvīgu datu ievades kļūdu risku.
«Standarta parauga pārbaude aizņēma aptuveni 10 minūtes,» atceras Emilija. «Taču daži procesi, piemēram, zaļo sēnalu šķirošana un skaitīšana, varēja ilgt pat divas stundas. Tipiskā dienā tika veiktas 20 līdz 30 paraugu analīzes, atkarībā no ražošanas apjoma.»
Patiess spiediens radās no nestandarta gadījumiem. Zaļo sēnalu šķirošana un skaitīšana vienā paraugā varēja aizņemt līdz pat divām stundām. Ar AI kontroli šī pati pārbaude tagad aizņem dažas sekundes. Tā ir liela mēroga pārmaiņa tajā, ko laboratorija fiziski spēj paveikt dienas laikā, nevis tikai atsevišķu uzdevumu izpildes laika samazinājums.
Ņemot vērā, ka Allive ražošanas jauda ir aptuveni 500 kg attīrītas kaņepju izejvielas stundā, lēna laboratorija nozīmē lēnu līniju. Katrs papildu kilograms ar neskaidru kvalitāti rada risku premium klases eksporta saistībām.
Būtiskākais šķērslis nebija tikai viens lēni pārbaudīts paraugs. Jautājums bija par to, vai kvalitātes kontrole spēs tikt līdzi uzņēmuma izaugsmei.
Cik vērts būtu šāds laika ietaupījums pie jūsu ražošanas apjomiem?
Allive vidēji pārbaudīja 20 līdz 30 paraugus dienā, no kuriem katrs aizņēma 10 līdz 30 minūtes. Aprēķiniet, cik daudz laboratorijas darba stundu un caurlaidspējas jūs varētu ietaupīt savā ražotnē, aizstājot manuālo šķirošanu.
Izmēģināt ROI kalkulatoru →Kāpēc Allive atteicās no standarta (plug-and-play) AI rīka
Kaņepju sēklas nav kvieši. Piejaukumi, kas Allive ir jāuztver (svešas sēklas, oksidēti kodoli, nenogatavojušās kaņepju sēklas, sēnalas un čaumalu fragmenti, gruži), pēc krāsas, formas un izmēra bieži vien pārklājas ar tīrām sēklām. Standarta datorredzes modeļiem, kas apmācīti darbam ar parastajiem graudiem, ir grūti atšķirt šīs nianses.
Mēs nemeklējām tikai tehnoloģiju, mēs meklējām prātus, kas aiz tās stāv.
- Tadas Brazdauskas, Produktu atbilstības vadītājs
«Ja partneris neizprot jūsu produktu, AI nepalīdzēs,» saka Tadas. «Kaņepju sēklas nav vienkārši kvieši. Piejaukumi var būt ļoti līdzīgi gan krāsas, gan formas, gan izmēra ziņā. Mums bija kritiski svarīgi, lai modelis tiktu apmācīts ar tiem piejaukumiem, kurus mēs esam uzkrājuši ilgākā laika periodā, balstoties uz mūsu pieredzi.»
Šāds uzstādījums noteica projekta apmēru. Tā nebija vienkārša programmatūras uzstādīšana. Tas bija kopīgs izstrādes projekts.
Sešu mēnešu pilotprojekta aizkulisēs
Pilotprojekta struktūra apzināti prasīja aktīvu praktisku iesaisti. Allive laboratorija nodrošināja paraugus, anotēja nestandarta gadījumus un norādīja uz klasifikācijas kļūdām. GrainODM katru nedēļu pārskatīja un pārveidoja modeli, nodrošinot atjauninājumus. Šis ritms turpinājās no 2025. gada oktobra līdz 2026. gada martam, ar oficiālām iknedēļas pārskatīšanām, kas tika fiksētas 96 lappušu garā kopīgā žurnālā, izsekojot katram novērojumam, modeļa izmaiņām un atrisinātajam nestandarta gadījumam.
Modeļa attīstības trajektoriju visvieglāk ir pamanīt, aplūkojot vienu klasi. Pirmajās nedēļās piejaukumi, kas precīzi neatbilda nevienai no apmācītajām klasēm, tika ievietoti vispārīgā «citas sēklas» kategorijā. Kādā otrās nedēļas partijā sistēma kā «citas sēklas» ziņoja par 260 vienībām, savukārt laboratorija tās saskaitīja tikai 6. Līdz pilotprojekta beigām šī vispārīgā kategorija tika aizstāta ar vairāk nekā trīsdesmit specifiskām klasēm — tostarp melnie graudi, sklerociji, ambrozija, rapsis, zobainā lucerna, eļļas rutks, pūkainais vīķis, pērkone, pūkainais diždadzis, skābeņlapu sūrene, vējauza, kvieši, sinepes un madara —, kas apkopotas trīs kategorijās, ko izmanto Allive kvalitātes kontroles ietvars: alergēnie, bīstamie un kaitīgie piejaukumi.
Līdz 2026. gada februārim modelis sasniedza 93.25% kopējo precizitāti uz 100% ražošanas paraugiem pilnā klašu kopā. Attiecībā uz vienu piejaukumu veidu, kam Allive strikti seko eksporta kritiskajiem sliekšņiem — oksidētām kaņepju sēklām —, sistēma atbilda laboratorijas rezultātiem ar 0,03 procentpunktu precizitāti (laboratorijā 1.54% pret sistēmas 1.57%, vidēji no deviņiem paraugiem).
Tas pats kaņepju sēklu paraugs uzņēmumā Allive, pirms un pēc GrainODM AI pārbaudes: neapstrādāta plate salīdzinājumā ar segmentētiem un klasificētiem atklājumiem.
Emilija novēroja progresu no laboratorijas puses. «Pilotprojekta laikā sistēma pastāvīgi uzlabojās. Ar katru atjauninājumu tā aizvien precīzāk atpazina mūsu sēklu veidus un piejaukumus. Bija acīmredzams, ka komanda aktīvi strādāja ar mūsu datiem un ka modeļa precizitāte stabili auga.»
«Mēs bijām prasīgi. Un ir labi, ka viņi to izturēja,» saka Tadas. «Modelis tika apmācīts ar mūsu datiem, un mēs bijām dziļi iesaistīti procesā. Dažas lietas prasīja vairāk laika nekā cerēts, taču arī mūsu pašu ekspektācijas laika gaitā auga. Tas nebija stāsts par ‘nopērc un lieto’. Tas bija ‘būvēsim to kopā’.»
No laboratorijas ikdienas: ātrums un pierādījumi
Emilija strādā ar kaņepju paraugiem katru dienu. Viņas rutīna ietver piejaukumu skaitīšanu, nenogatavojušos un lobīto sēklu šķirošanu, dokumentāciju un ražošanas līnijas auditu. Viņai ir visskaidrākais priekšstats par to, kā darbs izskatījās pirms un pēc AI ieviešanas laboratorijā.
Viņai pirmās pamanāmās pārmaiņas bija fiziskas. «Visvairāk mani pārsteidza ātrums. Rezultāti pāris sekunžu laikā. Tās bija acīmredzamas izmaiņas salīdzinājumā ar manuālo darbu, ko darījām līdz tam.»
Papildus ietaupītajam laikam, divas lietas ikdienā izrādījās daudz svarīgākas, nekā jebkura no pusēm sākotnēji spēja paredzēt.
Strukturētas kategorijas ziņojumā. «Ir ļoti ērti, ka rezultāti tiek atspoguļoti strukturētā tabulā,» stāsta Emilija, «kur kategorijas — alergēnie, bīstamie, kaitīgie piejaukumi — un to kopsummas ir skaidri redzamas.» Starp analīzi un auditora jautājumiem vairs nav interpretācijas posma.
Ieraksts, ko varat nosūtīt. Katrs analizētais paraugs saglabā pilnu interaktīvo pārskatu. Kad pircējs vai auditors apstrīd kādu partiju, Allive vienkārši nosūta viņiem šo failu. Viņi to atver, pietuvina un redz tieši to pašu, ko redzēja laboratorija. Vairs nav vietas strīdiem.
Atvērt interaktīvo pārskatu →
Viena no noderīgākajām funkcijām ir iespēja saglabāt parauga fotoattēlu un vēlāk to analizēt atkārtoti, kad rodas jautājumi vai strīdi par kvalitāti.
- Emilija Nugarienė, Jaunākā laboratorijas vadītāja
Ikviens, kurš ir strādājis kvalitātes kontrolē, zina šīs funkcijas vērtību. Fotogrāfijā balstīts ieraksts garu sapulci pārvērš piecu minūšu atbildē.
No vadības skatpunkta: kvalitāte kā fakts
Tadas šo transformāciju vērtē no cita skatpunkta.
Kvalitāte ir kļuvusi par faktu, nevis viedokli.
- Tadas Brazdauskas, Produktu atbilstības vadītājs
«Mēs strādājam ar lauksaimniecības izejvielām, kur pat pieredzējis speciālists nespēj pamanīt pilnīgi visu, īpaši pēc daudzām manuālām analīzēm. Acis nogurst. Sistēma identificē to, ko mēs ar neapbruņotu aci nemaz nepamanītu, un par katru atklājumu tā izveido digitālu ierakstu.»
Otras būtiskās izmaiņas ir saistītas ar laiku. Manuālā kvalitātes kontrole tika veikta kā atskaite pēc fakta. AI kontrole darbojas paralēli attīrīšanas līnijai. «Tagad analīzi varam veikt procesa laikā, katru dienu. Ja jūs stundā saražojat 500 kg attīrītu izejvielu, reakcijas laiks ir kritisks. Tas, kas agrāk bija lēns process, tagad ir reāllaika kvalitātes vadība. Mazāk neatbilstību, mazāk atkārtotas pārstrādes, zemākas izmaksas.»
Tadas pirms-un-pēc situāciju apkopo vienā teikumā: «Agrāk mēs strādājām ar acīm. Tagad mēs strādājam ar datiem.»
Ko Allive teiktu citiem, kas apsver automatizāciju
Tadasa atbildē izceļas trīs lietas. Pirmkārt, steidzamība. Otrkārt, automatizācijas uztveršana kā virziens, nevis vienkāršs pirkums. Treškārt, cilvēciskais faktors.
Ja jūs par to vēl tikai domājat, tad jau ir par vēlu. Tā nav izvēle. Tas ir virziens.
- Tadas Brazdauskas, Produktu atbilstības vadītājs
«Automatizācija nozīmē ne tikai laika ietaupījumu. Tā maina paša darba būtību. Mēs likvidējām vienveidību un devām cilvēkiem lielāku atbildību, kā arī vairāk iespēju izaugsmei. Tā ir lielāka vērtība nekā vienkārša efektivitāte — ne tikai produktivitāte, bet arī motivācija. Strādājiet gudrāk, nevis smagāk. Vissvarīgākais ir izvēlēties partneri, kurš vēlas iet šo ceļu kopā ar jums, jo tad rezultāts vairs nav tikai tehnoloģija. Tās ir reālas biznesa pārmaiņas.»
Emilijas redzējums no laboratorijas puses ir nosvērtāks, taču skan līdzīgi:
Šādi rīki kļūs par neatņemamu ikdienas darba sastāvdaļu, papildinot speciālistu kompetenci un paaugstinot darba efektivitāti.
- Emilija Nugarienė, Jaunākā laboratorijas vadītāja
«Šāda tehnoloģija ietaupa ievērojamu laiku, palielina rezultātu uzticamību un tos standartizē,» viņa piebilst.
Šī atšķirība ir būtiska. Uzņēmumā Allive AI kontrole neaizstāja laboratoriju. Tā iedeva laboratorijai otru acu pāri, kas nekad nenogurst un vienmēr spēj pamatot un parādīt savu darbu.
Kaņepju industrijai
Allive pilotprojekts ir viens datu punkts, nevis nozares spriedums. Taču tas noteikti iezīmē jaunu standartu. Uzņēmumam, kas piegādā premium klases kaņepju izejvielas tirgiem, kuros nepieļauj kompromisus, tikai manuāla kvalitātes kontrole vairs nav drošākais standarts. Pircēju gaidas mainās par labu digitāliem pierādījumiem katrai partijai, un kaņepju nozare iet to pašu ceļu, ko graudu nozare sāka iet pirms desmit gadiem.
Šī stāsta atsauču sadaļai (kādām piejaukumu klasēm kaņepju laboratorijas seko līdzi, kādi standarti ir spēkā ES, ASV, Kanādā un Japānā, un kā izvērtēt AI kontroles partneri), skatiet mūsu kaņepju sēklu kvalitātes kontroles rokasgrāmatu. Lai uzzinātu, kā šī partnerība aizsākās 2025. gada septembrī, skatiet mūsu sākotnējo paziņojumu. Lai iegūtu plašāku skatījumu par to, kā darbojas ar AI aprīkoti analizatori, skatiet mūsu graudu analizatoru skaidrojumu un graudu tīrības pārbaudes ceļvedi.
Ja jūs vadāt kaņepju pārstrādes ražotni un vēlaties uzzināt, ko jūsu produktam varētu sniegt sešu mēnešu pielāgota modeļa apmācība, rezervējiet 30 minūšu zvanu, izmēģiniet mūsu ROI kalkulatoru, lai uzzinātu, cik vērtīga pie jūsu ražošanas jaudām būtu manuālās šķirošanas aizstāšana, vai atveriet reālu parauga pārbaudes pārskatu, lai aplūkotu digitālo ierakstu, kādu Allive tagad izveido par katru partiju.
Biežāk Uzdotie Jautājumi
Pilotprojekts ilga sešus mēnešus, no 2025. gada oktobra līdz 2026. gada martam, ar iknedēļas pārskatiem starp Allive kvalitātes komandu un GrainODM modeļu apmācības komandu. Process tika fiksēts 96 lappušu garā kopīgā žurnālā, izsekojot katras nedēļas novērojumiem, modeļa izmaiņām un atrisinātajiem nestandarta gadījumiem.
Līdz 2026. gada februārim modelis sasniedza 93.25% kopējo precizitāti uz 100% ražošanas paraugiem vairāk nekā trīsdesmit piejaukumu klasēs. Attiecībā uz oksidētām kaņepju sēklām sistēma atbilda laboratorijas rezultātiem ar 0,03 procentpunktu precizitāti (laboratorijā 1.54% pret sistēmas 1.57%, vidēji no deviņiem paraugiem).
Standarta manuālā parauga analīze, ieskaitot datu ievadi, aizņēma aptuveni 10 līdz 30 minūtēm atkarībā no parauga. Sarežģītāki gadījumi, piemēram, zaļo sēnalu šķirošana un skaitīšana, varēja aizņemt līdz pat 2 stundām uz vienu paraugu. Ar AI kontroli šīs pašas pārbaudes tagad tiek pabeigtas dažās sekundēs.
Kaņepju sēklu piejaukumi bieži vien pēc krāsas, formas un izmēra ir ļoti līdzīgi pašām sēklām. Standarta graudu modeļi nespēj tos uzticami atšķirt. Allive apmācīja GrainODM modeli, izmantojot savu piejaukumu datubāzi, kas bija uzkrāta gadiem ilgā kaņepju ražošanas pieredzē.
Katra analizētā parauga rezultātā tiek ģenerēts digitāls pārskats ar sākotnējo attēlu, atklātajām piejaukumu kategorijām (alergēnie, bīstamie, kaitīgie), to skaitu un laikspiedolu. Pārskatus var atvērt atkārtoti, lai atrisinātu kvalitātes strīdus vai atbildētu uz audita jautājumiem.
Allive attīrīšanas līnija pārstrādā aptuveni 500 kg/h attīrītas kaņepju izejvielas stundā. AI kontrole tagad atbalsta reāllaika lēmumus par kvalitāti pie šādas caurlaidspējas.
Allive modelis tika apmācīts sešu mēnešu strukturētā pilotprojektā ar iknedēļas pārskata cikliem. Šis termiņš atspoguļo to, cik sarežģīti ir atdalīt kaņepju piejaukumus, kas līdzinās pašām sēklām. Ražotnēs, kur ir vienkāršākas piejaukumu klases, ražošanas līmeņa precizitāti var sasniegt ātrāk, savukārt ļoti mainīgiem produktu maisījumiem var būt nepieciešams ilgāks iterāciju process.
Jā. GrainODM veido digitālus kontroles pārskatus (kas ietver anotētu parauga attēlu, atsevišķu klašu skaitu, kopsummas un laikspiedolu), kurus var eksportēt un integrēt ar esošajām laboratorijas informācijas vai kvalitātes pārvaldības sistēmām. Integrācijas apjoms tiek noteikts pilotprojekta uzstādīšanas posmā.
Kad ir sasniegti mērķa precizitātes rādītāji klienta paraugiem, pilotprojekts pāriet uz pastāvīgu izmantošanu ražošanā. Modelis joprojām ir uzturams, kas nozīmē, ka, izmantojot papildu apmācības ciklus, tam var pievienot jaunas piejaukumu klases vai produktu līnijas, tāpēc nav nepieciešams ieviest jaunu rīku.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.