संक्षिप्त उत्तर: फर्मेंटेशन संकेतों पर ML के साथ तीव्र माइक्रो तरीके किसी बैच के खराब होने से पहले Lactobacillus, Pediococcus या जंगली-यीस्ट संदूषण को चिह्नित कर सकते हैं, पर निर्णय की पुष्टि अब भी लैब करती है। जल्दी पकड़ा गया, एक संदूषित बैच एक निर्णय है; देर से पकड़ा गया, यह एक राइट-ऑफ है।
संदूषण डेटा में कैसा दिखता है
खराबी पैदा करने वाले जीव बीयर को बर्बाद करने से पहले प्रक्रिया में अपनी छाप छोड़ जाते हैं। Lactobacillus और Pediococcus अप्रत्याशित अम्लीकरण चलाते हैं, इसलिए रेसिपी के पूर्वानुमान से तेज़ी से या अधिक गिरता pH एक संकेत है। Pediococcus सामान्य यीस्ट चयापचय से स्वतंत्र रूप से डायएसिटाइल भी पैदा करता है, इसलिए एक डायएसिटाइल रीडिंग जो गिरनी चाहिए तब चढ़ती है, वह एक चेतावनी है जिसे रेस्ट ठीक नहीं करेगा। जंगली Saccharomyces और Brettanomyces अपेक्षित अंतबिंदु से आगे एटेन्युएशन के रूप में सामने आते हैं, बीयर स्ट्रेन के संभाल पाने से अधिक सूख जाती है। Acetobacter, Pectinatus और Megasphaera हर एक ऑफ-गैस और रसायन को अपने तरीके से बदलते हैं।
एक मॉडल जो उस रेसिपी और यीस्ट के लिए अपेक्षित प्रक्षेपवक्र के सामने गुरुत्व, pH, डायएसिटाइल और ऑफ-गैस पैटर्न पर नज़र रखता है, लॉग स्कैन करते व्यक्ति की तुलना में विचलनों को जल्दी चिह्नित कर सकता है। बात केवल प्रक्रिया डेटा से जीव की पहचान करना नहीं है, यह एक समय पर यह उठाना है कि यह फर्मेंट ठीक नहीं चल रहा, अभी देखें।
मॉडलों को तीव्र माइक्रो तरीकों के साथ जोड़ना
पहले मेज़र, और यहाँ इसका मतलब माइक्रो लैब है। पारंपरिक पहचान चयनात्मक मीडिया, मेम्ब्रेन फ़िल्ट्रेशन और माइक्रोस्कोपी का उपयोग करती है, जो विश्वसनीय पर धीमे हैं, प्लेट इन्क्यूबेशन के दिन। तीव्र तरीके समय बदल देते हैं: PCR और ATP-बायोल्यूमिनेसेंस प्लेटिंग की तुलना में कहीं तेज़ी से परिणाम लौटाते हैं, जिससे आप बैच खोने के बाद के बजाय एक शिफ्ट के भीतर पुष्टि कर सकते हैं।
मज़बूत डिज़ाइन दोनों को जोड़ता है। प्रक्रिया-संकेत मॉडल एक विचलन पर ट्रिगर होता है और एक लक्षित तीव्र परीक्षण को प्रेरित करता है, बजाय इसके कि एक निश्चित कार्यक्रम पर सब कुछ परीक्षण किया जाए। यह लैब प्रयास को वहाँ केंद्रित करता है जहाँ जोखिम है, और यह कुछ गलत है और यह टैंक चार पर Pediococcus है के बीच के अंतराल को छोटा करता है। एक कोपायलट इसे जोड़ता है: यह प्रक्रिया डेटा के साथ-साथ तीव्र माइक्रो परिणाम पढ़ता है और एक अनुशंसित कार्रवाई के साथ एक अकेला जल्दी-चेतावनी अलर्ट जारी करता है, उदाहरण के लिए टैंक को अलग करें, सैंपलिंग बढ़ाएं, या रुक जाएं क्योंकि विचलन सौम्य था। वह संलयन किसी अकेले संकेत से अधिक उपयोगी है, क्योंकि प्रक्रिया डेटा गति देता है और माइक्रो तरीका निश्चितता देता है।
जहाँ यह टूटता है
परिभाषित करने वाली सीमा दुर्लभ-घटना डेटा है। एक साफ ब्रुअरी में, संदूषण विरल होता है, इसलिए आपके पास सीखने के लिए बहुत कम सकारात्मक उदाहरण होते हैं। असंतुलित डेटा पर प्रशिक्षित मॉडल अधिक-ट्रिगर करते हैं, और झूठे अलार्म भरोसे को तेज़ी से नष्ट करते हैं। दो शमन मदद करते हैं: मॉडल को कुछ झूठे पॉज़िटिव की कीमत पर भी असली घटनाओं को पकड़ने की ओर झुकाएं, क्योंकि एक छूटा हुआ संदूषण एक अतिरिक्त परीक्षण से कहीं अधिक महँगा है, और अंतराल भरने के लिए सिंथेटिक डेटा का उपयोग करें। ज्ञात जीव व्यवहार पर आधारित यथार्थवादी सिंथेटिक संदूषण हस्ताक्षर उत्पन्न करना, मॉडल को आपकी मुट्ठी भर वास्तविक घटनाओं की तुलना में सीखने के लिए अधिक विविध सकारात्मक उदाहरण देता है। फिर भी, मॉडल केवल चिह्नित करता है; किसी बैच पर कार्रवाई करने से पहले तीव्र माइक्रो तरीके अब भी पुष्टि करते हैं।
निचोड़
जल्दी संदूषण पहचान एक संलयन समस्या है: गति के लिए प्रक्रिया-संकेत ML, निश्चितता के लिए तीव्र माइक्रो तरीके। एटेन्युएशन, pH और डायएसिटाइल को अपेक्षा के सामने देखें, विचलन पर लक्षित PCR या ATP परीक्षण ट्रिगर करें, और एक कोपायलट को दोनों को एक स्पष्ट अलर्ट में बदलने दें। दुर्लभ-घटना सीमा का सम्मान करें, असली घटनाओं को पकड़ने की ओर झुकें, और लैब पुष्टि कभी न छोड़ें।
Brewing Science & AI ट्रैक का हिस्सा। संबंधित: सूक्ष्मजैविक और स्वच्छता जोखिम का पूर्वानुमान
अक्सर पूछे जाने वाले सवाल
कौन-से जीव बीयर को सबसे अधिक बार खराब करते हैं? आम दोषी हैं Lactobacillus, Pediococcus, Acetobacter, Pectinatus और Megasphaera, साथ ही जंगली Saccharomyces और Brettanomyces। Pediococcus विशेष रूप से डायएसिटाइल बढ़ाता है।
क्या ML बिना किसी लैब परीक्षण के संदूषण का पता लगा सकता है? यह अप्रत्याशित एटेन्युएशन और pH या डायएसिटाइल ड्रिफ्ट जैसे प्रक्रिया संकेतों से एक जल्दी चेतावनी दे सकता है, पर जीव क्या है इसकी पुष्टि अब भी PCR या ATP-बायोल्यूमिनेसेंस जैसे तीव्र माइक्रो तरीके, या चयनात्मक मीडिया करते हैं।
दुर्लभ संदूषण घटनाओं को मॉडल करना कठिन क्यों है? एक सुप्रबंधित ब्रुअरी में खराबी विरल होती है, इसलिए आपके पास बहुत कम सकारात्मक उदाहरण होते हैं। विरल डेटा मॉडलों को झूठे अलार्म के प्रति प्रवृत्त बनाता है, यही कारण है कि किसी माइक्रो तरीके से पुष्टि मायने रखती है।