Применение LLM в FoodTech – статья на Хабр

2025-02-04 17:05 Habr, научные статьи

Александр Сулейкин, кандидат технических наук, генеральный директор и архитектор Big Data систем компании «ДЮК Технологии» совместно с экспертом по LLM-решениям Романом Бабенко подготовили новую статью по теме применения LLM для задачи сопоставления номенклатур товаров и поставщиков - типовой задачи, с которой часто сталкиваются менеджеры по закупкам.

Статья подготовлена на базе реального Use Case пилотного внедрения в крупном ресторанном холдинге.

1. Проблема и задача

В ресторанном бизнесе эффективное сопоставление номенклатур товаров между ресторанами и поставщиками критически важно для управления запасами и оптимизации закупок. Традиционные методы сопоставления становятся неэффективными из-за роста числа поставщиков и разнообразия продуктов.

Решение
Использование цифровых ассистентов на основе больших языковых моделей (LLM) для автоматизации процесса.

2. Описание Case Study

Разработан пилотный проект для крупного ресторанного холдинга, где задача заключалась в автоматизации сопоставления товаров.
Система классифицирует товары на три категории:
Категория 1: Точные совпадения.
Категория 2: Потенциальные совпадения.
Категория 3: Неподходящие товары.
Пример: для креветок критерии включали размер, наличие хвоста и очистку.
Система обрабатывает Excel-файлы через Telegram-бота, добавляя категории и цветовую маркировку.

3. Традиционные методы и их ограничения

• Ручное сопоставление:
Трудоемко и подвержено ошибкам.
• Алгоритмы на основе правил:
Неэффективны при разнообразии данных.
• Машинное обучение:
Требует больших объемов данных и сложно в обучении.

4. Архитектура решения

Использована платформа DUC SmartSearch на базе Danswer/Flowise.
Система работает через Telegram-бота, принимает Excel-файлы и возвращает ранжированный список с цветовой маркировкой. LLM выполняет двухэтапную проверку соответствия критериям.

5. Вызовы и подводные камни

• Качество данных:
Некорректные данные влияют на результаты.
• Интерпретируемость:
Результаты LLM могут быть сложны для понимания.
• Контекстные ошибки:
Например, модель неправильно интерпретирует слова "Easy Peel" или "Deluxe".

6. Результаты внедрения

Точность классификации (Accuracy) на валидационной и тестовой выборках:
Креветки: 81% / 80%
Угорь: 88% / 85%
Сыр творожный: 99% / 96%
Сыр пармезан: 96% / 77%
Масло сливочное: 90% / 81%

Средняя точность: 90,8% (валидация) и 83,8% (тест).

7. Масштабирование решения

Целевое решение предполагает использование LLM для автоматического составления критериев ранжирования на основе наименования товара и требований клиента. Модель может быть дообучена для повышения точности.

8. Заключение

Внедрение ИИ-ассистентов на основе LLM позволяет автоматизировать рутинные задачи, повысить точность сопоставления и оптимизировать затраты. Это особенно актуально для ресторанного бизнеса, где задача сопоставления номенклатур товаров становится все более востребованной.

Более подробно можно прочитать в нашей статье на Хабр
→ https://habr.com/ru/articles/878762/

Ключевые выводы

• Преимущества LLM
Быстрая автоматизация, высокая точность, масштабируемость.

• Ограничения
Зависимость от качества данных, необходимость дообучения моделей.

• Результаты
Средняя точность классификации — 90,8% на валидационных данных.

• Перспективы
Активное внедрение ИИ-агентов в бизнес-процессы к 2025 году.

Больше наших кейсов по различным направлениям можно найти по ссылке
→ https://duc-technologies.ru/cases