Key Takeaways
Firma Allive zastąpiła ręczną analizę nasion konopi, trwającą od 10 do 30 minut, inspekcją opartą na sztucznej inteligencji, która zwraca wyniki w zaledwie kilka sekund.
Sortowanie zielonych łusek, które wcześniej zajmowało do 2 godzin na próbkę, teraz kończy się w kilka sekund. To zmiana o rzędy wielkości w tym, co laboratorium może zrealizować w ciągu jednego dnia.
6-miesięczny program pilotażowy pozwolił na opracowanie dedykowanego modelu AI dla nasion konopi, rozpoznającego 30+ klas zanieczyszczeń (w tym sporysz, sklerocjum, ambrozję, rzepak, lucernę kolczastą) z dokładnością całkowitą 93.25% na 100% próbek produkcyjnych.
W przypadku utlenionych nasion konopi, system osiągnął wyniki zgodne z badaniami laboratoryjnymi z dokładnością do 0,03 punktu procentowego (laboratorium 1.54% vs system 1.57%).
Menedżer ds. Zgodności Produktu w Allive opisuje tę zmianę jako przejście od 'patrzenia' do 'mierzenia' - jakość stała się faktem, a nie opinią.
Kontrola jakości w czasie rzeczywistym wspiera teraz linie produkcyjne, które oczyszczają 500 kg/h surowca konopnego.
Każda inspekcja generuje cyfrowy raport, który można ponownie otworzyć, z każdym obiektem wyodrębnionym i sklasyfikowanym. Interaktywny przykład z linii produkcyjnej Allive (wykryto 6,251 ziaren) znajduje się w treści artykułu.
JSC Allive jest jednym z największych pionowo zintegrowanych producentów konopi przemysłowych w Europie, dostarczającym swoje produkty na rynki spożywcze i wellness w UE, USA, Kanadzie i Japonii. To rynki, które nie uznają kompromisów. Tadas Brazdauskas, Menedżer ds. Zgodności Produktu w Allive, ujmuje to wprost:
Nie jesteśmy kolejną zwykłą firmą konopną. Jesteśmy firmą, w której jakość to nie tylko marketing. To codzienna decyzja. Pracujemy z rynkami, na których nie ma miejsca na kompromisy, więc my również ich nie uznajemy.
- Tadas Brazdauskas, Product Compliance Manager
Pod koniec 2025 roku, Allive i GrainODM rozpoczęły zorganizowany, sześciomiesięczny program pilotażowy, mający na celu zastąpienie ręcznej klasyfikacji nasion konopi inspekcją opartą na sztucznej inteligencji (AI). Sześć miesięcy i dwanaście cotygodniowych cykli przeglądów później, proces ten nie jest już wizualnym szacowaniem. Jest to pomiar cyfrowy. Lub, jak Tadas ujmuje to w dalszej części tej historii: jakość stała się faktem, a nie opinią.
Oto historia tej transformacji, opowiedziana słowami osób, które ją przeprowadziły: Tadasa oraz Emiliji Nugarienė, Młodszej Kierowniczki Laboratorium w Allive.
Moment, w którym ręczny proces przestał się skalować
Albo zmienimy proces, albo proces zahamuje nasz rozwój.
- Tadas Brazdauskas, Product Compliance Manager
Kontrola nasion konopi w Allive była kiedyś całkowicie ręczna. Każde zanieczyszczenie było liczone i ważone indywidualnie, następnie zapisywane w dziennikach i wprowadzane do programu Excel, czemu stale towarzyszyło ryzyko błędu przy przepisywaniu.
“Standardowa próbka zajmowała około 10 minut” - wspomina Emilija. “Ale niektóre procedury, jak sortowanie i liczenie zielonych łusek, mogły trwać nawet do dwóch godzin. Typowy dzień obejmował 20 do 30 prób, w zależności od wielkości produkcji.”
Prawdziwa presja pojawiała się w przypadkach nietypowych. Sortowanie i liczenie zielonych łusek na pojedynczej próbce mogło zająć nawet do dwóch godzin. Dzięki inspekcji AI ta sama czynność zwraca teraz wynik w kilka sekund. To ten rodzaj zmiany o rzędy wielkości, który całkowicie przeobraża to, co laboratorium może fizycznie zrealizować w ciągu dnia, a nie tylko przyspiesza pojedyncze zadania.
Przy tempie produkcji Allive, wynoszącym około 500 kg/h oczyszczonego surowca konopnego, wolne laboratorium oznacza wolną linię. Każdy dodatkowy kilogram towaru o niepewnej jakości stanowi ryzyko dla prestiżowych zobowiązań eksportowych.
Wąskim gardłem nie była więc jedna powolna próbka. Chodziło o to, czy dział kontroli jakości zdoła dotrzymać kroku rosnącej skali przedsiębiorstwa.
Ile warta byłaby taka oszczędność czasu przy Twojej przepustowości?
Allive przeprowadzało średnio 20 do 30 próbek dziennie, z których każda zajmowała 10 do 30 minut. Oszacuj, ile godzin pracy laboratorium i zwiększonej przepustowości możesz odzyskać, zastępując ręczną klasyfikację w swoim zakładzie.
Wypróbuj kalkulator ROI →Dlaczego Allive odrzuciło gotowe narzędzia AI
Nasiona konopi to nie pszenica. Zanieczyszczenia, które Allive musi wyłapywać (obce nasiona, utlenione ziarna, niedojrzałe nasiona konopi, łuski konopi i fragmenty otoczek, drobne szczątki) pokrywają się z czystymi nasionami pod względem koloru, kształtu i rozmiaru. Gotowe “pudełkowe” modele widzenia komputerowego, szkolone na standardowych zbożach, nie radzą sobie z tym problemem.
Nie szukaliśmy technologii, ale ludzi, którzy za nią stoją.
- Tadas Brazdauskas, Product Compliance Manager
“Jeśli partner nie rozumie twojego produktu, AI nie pomoże” - tłumaczy Tadas. “Nasiona konopi to nie jest zwykła pszenica. Zanieczyszczenia mogą być bardzo podobne w kolorze, formie i rozmiarze. Kluczowe dla nas było to, aby model został wytrenowany na zanieczyszczeniach, które zbieraliśmy przez długi czas, przy wykorzystaniu naszego doświadczenia.”
Takie ujęcie sprawy wyznaczyło zakres działań. To nie miała być prosta instalacja oprogramowania. To musiał być wspólny projekt rozwojowy.
Kulisy sześciomiesięcznego pilotażu
Struktura programu pilotażowego opierała się na celowym, praktycznym zaangażowaniu. Laboratorium Allive dostarczało próbki, dokonywało adnotacji na nietypowych przypadkach i zgłaszało błędne klasyfikacje. GrainODM co tydzień trenowało model od nowa i wdrażało aktualizacje. Rytm ten utrzymywał się od października 2025 r. do marca 2026 r., z formalnymi, cotygodniowymi przeglądami utrwalonymi w 96-stronicowym wspólnym dzienniku projektu. Śledzono tam każdą obserwację, zmianę modelu i rozwiązany problem brzegowy.
Trajektorię rozwoju modelu najlepiej widać na przykładzie jednej klasy. W pierwszych tygodniach zanieczyszczenia, które nie pasowały idealnie do żadnej wytrenowanej klasy, wpadały do zbiorczego “worka” o nazwie “inne nasiona”. Podczas analizy w drugim tygodniu system zgłosił w tej kategorii 260 elementów, podczas gdy laboratorium doliczyło się 6. Pod koniec pilotażu ten jeden “worek” został zastąpiony ponad trzydziestoma specyficznymi klasami - obejmującymi m.in. Sporysz (Claviceps purpurea), Sklerocjum (Sclerotinia), Ambrozję (Ambrosia artemisiifolia), Rzepak (Brassica), Lucernę kolczastą (Medicago polymorpha), Rzodkiew oleistą (Raphanus sativus), Wykę brudną (Vicia hirsuta), Rzodkiew świrzepę (Raphanus raphanistrum), Łopian pajęczynowaty (Arctium tomentosum), Rdest szczawiolistny (Persicaria lapathifolia), Owies głuchy (Avena fatua), Pszenicę (Triticum aestivum), Gorczycę (Sinapis alba) i Przytulię (Galium aparine) - zgrupowanymi w trzy kluczowe kategorie stosowane przez dział kontroli jakości Allive: alergenne, niebezpieczne i szkodliwe.
Do lutego 2026 roku model osiągał 93.25% całkowitej dokładności na 100% próbek produkcyjnych w pełnym zestawie klas. W przypadku jednego rodzaju zanieczyszczeń, gdzie Allive monitoruje krytyczne progi eksportowe - utlenione nasiona konopi - system uzyskał wynik zgodny z badaniami laboratoryjnymi z dokładnością do 0,03 punktu procentowego (laboratorium 1.54% vs system 1.57% uśrednione na podstawie dziewięciu próbek).
Ta sama próbka nasion konopi w Allive, przed i po inspekcji AI GrainODM: surowy obraz kontra posegmentowane i sklasyfikowane obiekty.
Emilija obserwowała te postępy z perspektywy laboratorium. “Przez cały okres pilotażu system ciągle się udoskonalał. Z każdą aktualizacją rozpoznawał nasze rodzaje nasion i zanieczyszczenia coraz dokładniej. Było widać, że zespół aktywnie pracuje z naszymi danymi, a dokładność modelu systematycznie rośnie.”
“Byliśmy wymagający. I to dobrze, że sprostali temu zadaniu” - mówi Tadas. “Model był trenowany na naszych danych, a my byliśmy po łokcie zaangażowani w ten proces. Niektóre rzeczy trwały dłużej niż się spodziewaliśmy, ale też nasze własne oczekiwania stale rosły w miarę postępów. To nie było na zasadzie ‘kup i używaj’. To było podejście ‘zbudujmy to razem’.”
Perspektywa laboratorium: szybkość i dowody
Emilija pracuje z próbkami konopi każdego dnia. Jej rutyna to połączenie liczenia zanieczyszczeń, sortowania niedojrzałych i łuskanych nasion, dokumentacji i audytowania linii produkcyjnej. To ona ma najdokładniejszy obraz tego, jak wyglądała praca przed i po wdrożeniu sztucznej inteligencji.
Dla niej pierwszą zmianą była ta fizyczna. “Co mnie najbardziej zaskoczyło, to szybkość. Wyniki w zaledwie kilka sekund. To była kolosalna różnica w porównaniu z ręczną pracą, którą wykonywaliśmy do tej pory.”
Poza czasem, dwie rzeczy okazały się mieć na co dzień większe znaczenie, niż którakolwiek ze stron przewidywała na początku projektu.
Ustrukturyzowane kategorie w raporcie. “To bardzo wygodne, że wyniki przychodzą w ustrukturyzowanej tabeli” - wskazuje Emilija - “gdzie kategorie - alergenne, niebezpieczne, szkodliwe zanieczyszczenia - i ich sumy są wyraźnie widoczne.” Między analizą a pytaniem od audytora nie ma już miejsca na swobodną interpretację.
Raport, który można udostępnić. Każda zbadana próbka zachowuje swój pełny, interaktywny raport. Kiedy kupiec lub audytor kwestionuje partię, Allive wysyła im plik. Mogą go otworzyć, powiększyć i zobaczyć dokładnie to, co widziało laboratorium. Nie pozostaje nic, o co można by się spierać.
Otwórz interaktywny raport →
Jedną z najbardziej przydatnych funkcji jest możliwość zapisania zdjęcia próbki i ponownej jej analizy w późniejszym czasie, gdy pojawią się pytania lub spory dotyczące jakości.
- Emilija Nugarienė, Junior Laboratory Manager
Każdy, kto zajmuje się kontrolą jakości, wie, ile to jest warte. Dokumentacja poparta zapisem wizualnym zamienia długie negocjacje w pięciominutową odpowiedź.
Z perspektywy zarządu: jakość jako fakt
Tadas opisuje tę transformację patrząc z nieco innej perspektywy.
Jakość stała się faktem, a nie opinią.
- Tadas Brazdauskas, Product Compliance Manager
“Pracujemy z surowcem rolniczym, gdzie nawet doświadczony specjalista nie jest w stanie zauważyć wszystkiego, zwłaszcza po wielu ręcznych analizach. Oczy się męczą. System identyfikuje rzeczy, których nie wyłapalibyśmy gołym okiem, i tworzy cyfrowy zapis każdego znaleziska.”
Druga zmiana dotyczy czasu. Ręczna kontrola jakości funkcjonowała jako raport po fakcie. Inspekcja AI działa bezpośrednio obok linii czyszczącej. “Teraz możemy przeprowadzać analizę w trakcie procesu, każdego dnia. Kiedy produkujesz 500 kg/h oczyszczonego surowca, czas reakcji jest krytyczny. To, co kiedyś było powolnym procesem, stało się zarządzaniem jakością w czasie rzeczywistym. Mniej niezgodności, mniej ponownego przetwarzania, niższe koszty.”
Tadas podsumowuje sytuację “przed i po” w jednym zdaniu: “Kiedyś pracowaliśmy oczami. Teraz pracujemy na danych.”
Co Allive poradziłoby firmom rozważającym automatyzację
W odpowiedzi Tadasa wyróżniają się trzy kwestie. Po pierwsze, pilność tematu. Po drugie, postrzeganie automatyzacji jako kierunku działania, a nie samego zakupu. Po trzecie, czynnik ludzki.
Jeśli wciąż o tym myślisz, to już jesteś spóźniony. To nie jest wybór. To wyznaczony kierunek.
- Tadas Brazdauskas, Product Compliance Manager
“Automatyzacja nie polega wyłącznie na oszczędzaniu czasu. Zmienia sam charakter pracy. Wyeliminowaliśmy monotonię i daliśmy ludziom więcej odpowiedzialności oraz przestrzeń do rozwoju. To znacznie większa wartość niż sama efektywność – to nie tylko produktywność, ale i motywacja. Pracuj mądrze, a nie ciężko. Najważniejsze jest jednak to, aby wybrać partnera, który chce iść tą drogą z wami, bo wtedy wynikiem nie jest tylko technologia. To realna zmiana biznesowa.”
Opinia Emiliji z perspektywy laboratorium ma spokojniejszy ton, ale trafia w ten sam punkt:
Narzędzia takie jak to staną się nieodłączną częścią codziennej pracy, uzupełniając wiedzę specjalistów i zwiększając ogólną wydajność.
- Emilija Nugarienė, Junior Laboratory Manager
“Tego rodzaju technologia oszczędza mnóstwo czasu, zwiększa rzetelność wyników i je standaryzuje” - dodaje.
To bardzo ważne rozróżnienie. W Allive inspekcja AI nie zastąpiła laboratorium. Dała mu drugą parę oczu, która nigdy się nie męczy i zawsze potrafi udokumentować swoją pracę.
Dla branży konopnej
Program pilotażowy Allive to tylko jeden punkt odniesienia, a nie werdykt dla całej branży. Stanowi on jednak ważny drogowskaz. Dla firmy dostarczającej najwyższej jakości składniki konopne na rynki, które nie znoszą kompromisów, wyłącznie ręczna kontrola jakości przestała być bezpiecznym standardem. Oczekiwania nabywców przesuwają się w stronę dostarczania dowodów cyfrowych dla każdej partii towaru, a konopie podążają tą samą ścieżką, którą dekadę temu przeszły rynki zbożowe.
Więcej informacji technicznych (jakie klasy zanieczyszczeń badają laboratoria konopne, jakie standardy obowiązują w UE, USA, Kanadzie i Japonii oraz jak wybrać partnera do wdrożenia AI) znajdziesz w naszym przewodniku kontroli jakości nasion konopi. Aby zapoznać się z tłem rozpoczęcia tej współpracy we wrześniu 2025 r., przeczytaj nasze pierwotne ogłoszenie partnerstwa. Szersze spojrzenie na działanie analizatorów opartych o sztuczną inteligencję znajdziesz w naszym objaśnieniu analizatorów zbóż oraz w przewodniku po testowaniu czystości ziarna.
Jeśli zarządzasz produkcją konopi i chcesz zrozumieć, jak sześć miesięcy trenowania dedykowanego modelu wpłynęłoby na Twój produkt, umów się na 30-minutową rozmowę, wypróbuj nasz kalkulator ROI, aby sprawdzić, ile warte może być zastąpienie ręcznej klasyfikacji przy Twojej przepustowości, lub otwórz interaktywny raport z analizy próbki, aby zobaczyć cyfrowy zapis, jaki Allive aktualnie generuje dla każdej partii surowca.
Często Zadawane Pytania
Pilotaż trwał sześć miesięcy, od października 2025 r. do marca 2026 r., i obejmował cotygodniowe spotkania przeglądowe pomiędzy zespołem ds. jakości Allive a zespołem ds. trenowania modeli GrainODM. Proces iteracji został udokumentowany w 96-stronicowym wspólnym dzienniku, w którym śledzono cotygodniowe obserwacje, zmiany w modelu i rozwiązane przypadki nietypowe.
Do lutego 2026 roku model osiągnął 93.25% całkowitej dokładności na 100% próbek produkcyjnych w ponad trzydziestu klasach zanieczyszczeń. W przypadku utlenionych nasion konopi system osiągnął wyniki zgodne z danymi laboratoryjnymi z dokładnością do 0,03 punktu procentowego (laboratorium 1.54% vs system 1.57% uśrednione dla dziewięciu próbek).
Standardowa ręczna analiza próbki trwała od 10 do 30 minut od początku do końca, w zależności od próbki i łącznie z wprowadzaniem danych. Przypadki brzegowe, takie jak sortowanie i liczenie zielonych łusek, mogły zająć nawet do dwóch godzin na próbkę. Dzięki inspekcji AI te same kontrole dają wyniki w kilka sekund.
Zanieczyszczenia w nasionach konopi często przypominają same nasiona pod względem koloru, kształtu i rozmiaru. Gotowe, standardowe modele do analizy zbóż nie są w stanie skutecznie ich rozdzielić. Allive wytrenowało model GrainODM na własnej bibliotece zanieczyszczeń, budowanej na podstawie lat doświadczeń w produkcji konopi.
Każda poddana analizie próbka generuje cyfrowy raport z oryginalnym zdjęciem, wykrytymi kategoriami zanieczyszczeń (alergenne, niebezpieczne, szkodliwe), ich liczbą oraz znacznikiem czasu. Raporty można w dowolnej chwili otworzyć ponownie, aby rozwiązać spory jakościowe lub odpowiedzieć na pytania audytorów.
Linia czyszcząca Allive przetwarza około 500 kg/h oczyszczonego surowca konopnego. Inspekcja AI wspiera teraz decyzje dotyczące jakości w czasie rzeczywistym przy tej właśnie przepustowości.
Model dla Allive był szkolony przez sześć miesięcy w ramach zorganizowanego pilotażu z cotygodniowymi cyklami przeglądów. Ten harmonogram odzwierciedla złożoność oddzielania zanieczyszczeń nasion konopi, które przypominają sam produkt. Zakłady z prostszymi zestawami klas mogą szybciej osiągnąć dokładność produkcyjną, podczas gdy mocno zróżnicowane mieszanki produktów mogą wymagać dłuższych iteracji.
Tak. GrainODM tworzy cyfrowe raporty z inspekcji (zawierające zdjęcie próbki z adnotacjami, liczebność poszczególnych klas, sumy i znacznik czasu), które można wyeksportować i zintegrować z istniejącymi systemami informatycznymi laboratorium lub zarządzania jakością. Zakres integracji określa się podczas przygotowań do programu pilotażowego.
Gdy wyznaczone cele w zakresie dokładności na próbkach klienta zostaną osiągnięte, projekt pilotażowy przechodzi w fazę stałego wykorzystania na produkcji. Model jest na bieżąco utrzymywany, co oznacza, że nowe klasy zanieczyszczeń lub linie produktów mogą zostać dodane w kolejnych cyklach uczenia, bez konieczności kupowania nowego narzędzia.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.