အစားအစာလှုပ်ရှားမှု הבאကိုအမြန်နိုင်စေမည် မိုင်းသည့်အီလက်ထရောနစ်ဘုရား (AI) ဟာကမ္ဘာပေါ်သုံးလူထုကြီးများအတွက်ပိုမိုသိတာပါဝင်စေဖို့အောက်မေ့အောင်မြင်နိုင်မလား။ AI ဖြင့်တီထွင်မှုအစွမ်းကိုင်နိုင်စွမ်းအသစ်များအတွက်ပိုမိုစမတ်၊ ပိုသဘာဝကျ၊ မိမိရဲ့အာဟာရကိုအရမ်းပိုမိုအရသာရှိစေဖို့အာမခံချဲ့နိုင်မယ့်ကတိများနေပါသေးတယ်။ နောက်ဆုံးထုတ်ဝေထားတဲ့ npj Science of Food မှအမြင်အာရုံဆောင်းပါးတစ်ပုဒ်အတွင်း Stanford များ၏ မဟာဗျူဟာအကြံပညာရှင် Ellen Kuhl က 2050 ခုနှစ်အထိ ကမ္ဘာလုံးဆိုင်ရာအစားအစာညီအခြေခံလိုအပ်ချက်များကိုပြုလုပ်ဖို့လေးနက်စွာကြိုးပမ်းနေပြီး ထုံးစံအစားအစာစနစ်တီထွင်မှုအနေနဲ့ ရှေးနောက် များသောကြောင့်နောက်ကျနေတဲ့အချက်အလက်များကိုသုံးပြီး AI ၏လားစုအဖြစ်ရပ်တည်လာနိုင်တဲ့အပေါ်အာရုံစိုက်ခဲ့ပါတယ်။ AI ဟာ ဒီခဲယဉ်အကြားများကိုဖြေရှင်းဖို့အတွက်အလားအလာရှိနေကြပေမဲ့ တကယ့်အတွက်အပြည့်အဝအဖြေမဲ့မောင် မဆန်းနိုင်ပါဘူး။ လူ့ကျွမ်းကျင်မှု၊ ခံစားမှုအရည့်အတာများကို AI များမထိုးနိုင်ပါဘူး။ ထို့အပြင် AI ကိုအစားအစာဖန်တီးမှုမှာမူလအဖြေပြခဲ့တဲ့အရာအစားအစာစနစ်အပြည့်အဝကိုဖြေရှင်းတတ်မယ့်အနေနဲ့မမြင်ရသေးပါဘူး။ အစားအစာသမိုင်းကြောင်းမှာရှိတဲ့အကြားနှင့်စိတ်ခံစားမှုများ၊ လူ့ယဉ်ကျေးမှုအကြားကူညီနိုင်စွမ်းအရင်းအမြစ်များကို AI များအသုံးပြုဖို့အခက်အခဲရှိနေဆဲပဲရှိပါတယ်။ ဒါပေမဲ့ dataset မပြည့်စုံမှု၊ ဒေတာပိုင်ရှင်မူများအတွက်အနည်းငည်းမှာဆိုရင် flavor, texture, နှင့်ဆက်စပ်သောဝိုင်းရိုက်များအခက်အခဲများရောက်ရှိနေပါသည်။ **နောက်ခံပုံစံ** ဆေးဘေးကင်းစေရေးအရာများက လူသတ်နိုင်မှုနှုန်းကိုလျှော့ချခဲ့ပြီး လူဦးရေအမြန်တိုးချဲ့မှုကြောင့်အစားအစာဓာတ်စာမဖြစ်နိုင်အောင်အရေးကြီးနေပါပြီ။ 2050 ခန့်အထိ လူတစ်ဦးချင်းစီအတွက်အာဟာရလိုအပ်ချက်များပဲ ၂၀% ပိုများမည်ဟုခန့်မှန်းထားပါတယ်။ ယေးမှိုင်းအစားအစာစနစ်များက ပေမယ့် မတည့်နိုင်ဘဲအပူချိန်တိုးလာစေနိုင်သောမြေပြင်ပျက်စီးမှု၊ ရေသုံးစွဲမှုများနှင့်ကမ္ဘာကိုပူစေတဲ့အင်တာယားကြောင့်လူ့အဖွဲ့အစည်းအတွက်အတိုင်းအတာမကြီးကျယ်တော့ပါဘူး။ ထို့အပြင် လူကြောက်မက်သူများ ၁၀% ခန့်အောင် ဟင်ဂုန်းမီးနေရတာမှာပါပဲ။ ဤစခန်းများအတွက်အစားအစာထွန်းကားမှုရဲ့စနစ်ချအလိုက်ရှုမြင်သည့်အတွက် မျှော်လင့်ချက်များများအနေနဲ့ ဖလှယ်ဖို့လိုအပ်ပါတယ်။ Kuhl ရဲ့အကြံဉာဏ်က ယခုအခါအစားအစာဖန်တီးမှုအတွက်နည်းလမ်းအသစ်များရဲ့တစ်စိတ်หนึ่งမှာမဟုတ်ပဲ AI နည်းပညာများနဲ့အခြားနည်းပညာများကိုပူးပေါင်းအသုံးချခြင်းဖြင့်ချဲ့ကားနိုင်မယ့်အကြောင်းကိုရှင်းပြနေပါတယ်။ AI ၏အဓိကအနေအထားများသုံးပါမယ့်အကြောင်းမှာရှိပါတယ် - ပရိုတင်းဖွဲ့စည်းမှုများကိုခန့်မှန်းခြင်း၊ အသစ်ထွန်းတဲ့အညစ်အကြေးဖော်မြူလာတွေရှာဖွေခြင်း၊ အားလုံးစမ်းသပ်ရာကိုမြန်ဆန်စေခြင်း၊ ဓာတုချက်မှုနည်းများနှင့်အကာအကင်းများကိုအစားထိုးခြင်း၊ Texture နှင့် ဂန္တဝင်များအတွက်ပစ္စည်းထုတ်လုပ်မှုကိုအလိုအလျောက်ဖော်ပြခြင်း၊ အရသာကိုလည်းပိုမိုကောင်းမွန်စေဖို့ Generative Models တွေကိုအသုံးပြုနေပါပြီ။ လူစာလုံးများမစပ်မလိမ့်မီအစားအစာအတွက်ဖော်မြူလာအသစ်များကိုပေးစွမ်းနိုင်တယ့်Natural Language Prompts ကနေ အကြံဉာဏ်များထုတ်နိုင်တဲ့ Foundation Models တွေအကြောင်းပါ။ **ဘာကြောင့် AI ရဲ့လိုအပ်ချက်ရှိလဲ** ယခင်အစားအစာဖန်တီးမှုစနစ်တွေဟာအနှည်အယှက်ကြီးပြီး အစမ်းအမြောက်ကြိုးပမ်းမှုရှိနေပါ။ ဒေတာများသုံးစွဲရဲ့အချိုးကျကျးဇူး (diversity)၊ ထိုအချက်အလက်များကိုအပြည့်အဝအသုံးချနိုင်မှုမရှိခြင်းတို့ကြောင့် အချိန်အကန့်အသတ်မရှိပါ။ Process parameters များလုပ်ရာအနည်းငယ်ပြောင်းလဲတာထဲမှာမည်းအပျက်လေးများကြောင့်ဖွဲ့စည်းပုံများကိုမခန့်မှန်းတတ်ကြပါဘူး။ ငယ်ငယ်ချင်းအကြားအကန့်အသတ်များမပြုပြင်နိုင်ဘဲအိမ်စစ်စမ်းသပ်မှုများကိုအလွန်ခက်ခဲစေဖို့ပါပဲ။ AI ရဲ့အဓိပ္ပါယ်က dataset မပြည့်စုံမှုနှင့်မူပိုင်ခွင့်ရ dataset များကိုဖြည့်စွက်အသုံးချခြင်းဖြစ်ပါတယ်။ Multi-modal Dataset များထည့်သွင်းပွဲမှာအသုံးပြုနိုင်လာမယ့်Foundation Models များကြောင့်မြန်ဆန်လာမယ့်အတွက်လည်းမကြာမီပါ။ **အခက်အခဲများနှင့်အတားအဆီးများ** အစာအရည်အသွေးအချက်အလက်များပေးသည့်မူလအချက်အလက်များပြည့်စုံတယ့်ပေမဲ့ flavor, texture နှင့် rheology များအတွက်Dataset များမှာမရှိနိုင်ပေမဲ့ မူပိုင်ခွင့်ရှင်များ amလွှဲပီး လုပ်ငန်းအဖွဲ့အစည်းများအကြား ပူးပေါင်းဖလှယ်ပါ။ Transformer-based Foundation Models များထဲမှာRecipe-Focused ‘ChefFusion’ တို့ကဲ့သို့ Multi-modal Data များနဲ့မဟုတ်လားအောင် မြင့်မားလာနိုင်ပါတယ်။ AI စွမ်းရည်များကိုပိုမိုမြှင့်တင်စေရန်ပြီးများပြားသောအကြမ်းခံအချက်အလက်များဆိုတာTransparency, ပရော်ဖက်ရှင်နယ်တန်ဖိုးများအတွက်အခက်အခဲများရှိနေပါ၏။ လူ့သိXinမူရင်းစွမ်းအား၊ ယဉ်ကျေးမှုအချက်များနှင့်ကျွမ်းကျင်မှုကိုအစားအစာဖန်တီးမှုအတွက်လိုအပ်ပါသည်။ **အနာဂတ်အမြင်နှင့်နောက်ခံအီးအာ** Kuhl ရဲ့အမြင်က AI စတ္တမထွက်ပေါ်လာနိုင်သည့်လမ်းကြောင်းအချို့ အောက်ပါအနီးကပ်အခြေအနေများပါသော ၈နေရာကိုဖော်ပြထားပါတယ်။ 1. ပရိုတင်းဖွဲ့စည်းမှုများခန့်မှန်းခြင်း၊ ဆင့်ဆက်တင်ဖွဲ့စည်းမှုများကိုအတူတကွတိုးမြှင့်ခြင်းအတွက်ဆောင်ရွက်ခြင်း 2. အသစ်ထွန်းတဲ့အညစ်အကြေးဖော်မြူလာများရှာဖွေခြင်း 3. စမ်းသပ်မှုစဥ်အတွင်း အဖျားအပူပေးဖို့နှင့် လူသုံးသပ်မှုကင်းလွတ်စေ့ကိန်းများကိုမြန်မြန်စွာခန့်မှန်းနိုင်ခြင်း 4. ဓာတုဆေးအညစ်အကြေးများကိုအစားထိုးပြီးပိုကျန်းမာသည့်ရွေးချယ်နိုင်စွမ်းများထုတ်လုပ်ခြင်း 5.

Texture နှင့် ဂန္တဝင်များကိုအလိုအလျောက်တီထွင်ကောက်ယူနိုင်ခြင်း 6. အရသာကိုလည်းပိုမိုကောင်းမွန်စေအောင် Generative Models များအသုံးပြုခြင်း 7. ဘာသာစကားမူလပေးစနစ်များကိုအသုံးပြုပြီးနယူးဖော်မြူလာများဖန်တီးခြင်း 8. ထိချုပ်နိုင်မှုများအပြစ်အနာများကိုလျင်မြန်စွာကြည့်နိုင်စေမယ့် Foundation Models များဖန်တီးခြင်း။ NotCo ရဲ့ AI တည်ဆောက်ထားတဲ့ စိမ်းရောင်နွယ်အေးပြုကြော်သဖြင့် ထုတ်လုပ်ထားတဲ့ Plant-based သောက်စရာ နဲ့ ကြက်သား၊ Brightseed ရဲ့ Gut-health Bioactives များ၊ Knorr ရဲ့အပန်းဖြေနိုင်သောအရသာ pairing များကဲ့သို့သော ဥပမာများပါဝင်ပါတယ်။ AI ၏အပြည့်အဝအကောင်းမြင်နိုင်စွမ်းကိုရရှိဖို့အတွက်အစားအစာပညာရှင်များနှင့် ဒေတာပညာရှင်များအကြား ပူးပေါင်းဆောင်ရွက်မှုအနိမ့်အမြဲအလွန်အရေးကြီးပါတယ်။ Kuhl ကအကြံပြုထားတာက AI သည်စနစ်တကျဖြေရှင်းနိုင်ပြီး ပိုမိုအသုံးဝင်စေမည့်အစွမ်းများဖြင့် အစားအစာစနစ်များပြဿနာကိုဟောင်းနေသောဂေဟာတိုးတက်အောင်လမ်းShowပြီး မျှဝေဖို့လိုတယ်လို့အဟန်အတန်းမဲ့ဖော်ပြပါတယ်။ AI ကိုလည်းအမှန်တကယ်ရည်ရွယ်တာအနေနဲ့ လူ့မျှတမှု၊ အားနာမှုနှင့်ကမ္ဘာ့အခက်အခဲများကို ဖြေရှင်းနိုင်သည့်အနေအထားအဖြစ်အသုံးချစေရန် မျှော်လင့်ပါတယ်။