هوش مصنوعی و نقش آن در آینده صنعت قهوه

مقدمه

هر از چندگاهی ممکن است در شبکه‌های اجتماعی با تصویری از یک ربات پیشرفته در حال دم‌آوری قهوه یا به وجود آوردن یک طرح پیچیده با استفاده از شیر روی قهوه ببینیم و آینده‌ای را تصور کنیم که در آن نقش انسان در صنعت قهوه کم‌رنگ‌تر شده است و باریستاهای خوش ذوق و خوش‌برخورد جای خود را به ربات‌هایی انسان‌نما داده‌اند. هرچند، واقعیت از این فراتر و امید بخش‌تر است. ورود گسترده‌ی تکنولوژی و قابلیت‌های هوش مصنوعی لزوما به معنی از بین رفتن ارتباط انسانی در قهوه نیست. زمینه‌های متفاوتی از صنعت قهوه و به خصوص قهوه‌ی تخصصی وجود دارد که هوش مصنوعی می‌تواند با نقش‌آفرینی در آن‌ها از جهات زیادی مراحل طی شده تا رسیدن به فنجانی ایده‌آل و بدون نقص را کاهش دهد و بدون نابودی بعد انسانی قهوه، آن را ارتقا دهد. ورود تکنولوژی جدید چگونه می‌تواند موجب ایجاد استمرار و پایداری در صنعت قهوه شود؟ هوش مصنوعی چه تاثیری بر روند کاری ما به عنوان عضوی از زنجیره‌ی قهوه خواهد داشت؟ در این مقاله از ژاو آرتیکل نگاهی به آخرین تحولات هوش مصنوعی و کاربرد آن‌ها از مزرعه تا فنجان می‌پردازیم و نگاهی عمیق‌تر به نقش تکنولوژی در آینده‌ی صنعت قهوه می‌اندازیم.

هوش مصنوعی^۱ به زبان ساده

هوش مصنوعی به شبیه‌سازی توانایی فکری انسان در ماشین‌ها گفته می‌شود. این فناوری به سیستم‌های کامپیوتری امکان یادگیری، استدلال، تصمیم‌گیری و حتی درک زبان گفتاری انسان را می‌دهد. برخی از انواع هوش مصنوعی٬ مانند هوش مصنوعی محدود^۲ برای انجام یک وظیفه‌ی خاص طراحی شده‌اند که از انواع آن‌ها می‌توان به دستیار‌های صوتی گوگل و سیری^۳، ابزار‌های هوشمند ترجمه مانند ابزار ترجمه‌ی گوگل^۴ و ابزار‌های پیشنهاد موسیقی مانند هوش مصنوعی اسپاتیفای^۵ اشاره کرد. هوش مصنوعی عمومی^۶ که در حال حاضر فقط به صورت تئوری وجود دارد می‌تواند مانند انسان فکر کند و مسائل متنوع را حل کند.

دو مفهوم که در هوش مصنوعی خیلی رایج هستند یادگیری ماشین^۷ و یادگیری عمیق^۸ نام دارند. یادگیری ماشین یکی از زیرمجموعه‌های هوش مصنوعی است که به ماشین‌ها این امکان را می‌دهد که الگو‌های رایج را از میان حجم وسیعی از اطلاعات آموزشی کشف کنند و بدون برنامه‌نویسی مستقیم، از داده‌ها یاد بگیرد. برای مثال می‌توانیم با نشان دادن تصویر انواعی از عیوب ظاهری قهوه در کنار تصاویر دانه‌های سالم٬ به کمک فرایند یادگیری ماشین به سیستم هوش مصنوعی راه تشخیص انواعی از عیوب را آموزش دهیم و سیستمی اختصاصی برای دسته‌بندی^۹ دانه‌های سالم و معیوب طراحی کنیم.

یادگیری عمیق نسبت به یادگیری ماشین پیشرفته‌تر است که از شبکه‌های عصبی برای تحلیل داده‌های پیچیده استفاده می‌کند. این سیستم اغلب برای مفاهیم پیچیده‌تر با چندین متغیر مختلف٬ مانند سیستم‌های هوشمند بازی شطرنج استفاده می‌شود. برای مثال با استفاده از یادگیری عمیق می‌توانیم سیستمی طراحی کنیم که با استفاده از داده‌ی مواد تشکیل‌دهنده‌ی دانه‌ی سبز قهوه بتواند ویژگی‌های طعمی و حتی نمره‌ی نهایی قهوه را قبل از قهوه‌آزمایی و برشته‌کاری قهوه پیش‌بینی کند.

با استفاده از این تکنولوژی کاربرد‌های مختلفی به وجود آمده است که می‌توانیم به موارد زیر اشاره کنیم:

پردازش زبان طبیعی^۱۰: مانند چت بات‌ها^۱۱ و ابزارهای خلاصه‌سازی متن.‌

پردازش تصویر^۱۲ یا بینایی کامپیوتری^۱۳: مانند سیستم‌های تشخیص چهره، تحلیل تصاویر پزشکی، سیستم‌های دسته‌بندی دانه‌های قهوه‌، و رانندگی خودکار.

رباتیک و خودکارسازی فرآیندها^۱۴: استفاده از ربات‌های هوشمند در تولید، حمل و نقل و خدمات.

مدیریت داده‌های حجیم، تحلیل و پیش‌بینی: مانند پیش‌بینی آب و هوا، تشخیص بیماری‌ها و تحلیل داده‌های ژنتیکی نژادهای قهوه برای پیدا کردن رقم‌های مقاوم به بیماری‌های خاص یا رقم‌های مستعد کشت برای ارتفاعات پایین‌تر.

به دنبال پیشرفت چشم‌گیر این فناوری در سال‌های اخیر چالش‌ها و نگرانی‌هایی مانند مسائل اخلاقی (آیا هوش مصنوعی می‌تواند جایگزین انسان شود؟)، مسائل حریم خصوصی و امنیت اطلاعات شخصی نیز به وجود آمده‌اند و انتظار می‌رود تا گذر زمان و گسترش فناوری، روش برخورد صحیح با این چالش‌ها را مشخص کند.

به صورت‌ کلی استفاده از کاربردهای هوش مصنوعی در تمامی صنایع با هدف افزایش بهره‌وری، کاهش‌ هزینه‌ها با خودکارسازی فرآیند‌ها و ایجاد فرصت‌های جدید همراه است. می‌توان گفت که رویکرد ایده‌آل در مواجهه با سرعت بالای این فناوری‌ها، به روز ماندن و پیدا کردن فرصت‌های جدید و بکر است؛ رویکردی که در هیچ صنعتی استثنا ندارد و افراد فعال در صنعت قهوه نیز باید از آن پیروی کنند. حال که با نحوه‌ی کارکرد این فناوری به صورت کلی آشنایی داریم و مفاهیم رایج آن را می‌شناسیم، در ادامه برخی از موارد کاربرد آن در صنعت قهوه را بررسی می‌کنیم.

دستگاه‌های برشته‌کاری هوشمند؛ اولویت استمرار در کیفیت

دستگاه‌های برشته‌کاری با مخزن استوانه‌ای در کارخانه برشته‌کاری قهوه‌ی ارتش آمریکا در فرانسه٬ سال ۱۹۱۸

برشته‌کاری یکی از مهم‌ترین مراحل زنجیره‌ی تأمین قهوه محسوب می‌شود که تاثیر شگرفی بر کیفیت نهایی فنجان دارد. به صورت کلی طراحی دستگاه‌های برشته‌کاری در سده‌ی گذشته تغییر بزرگی نداشته و ساختار برپایه مخزن استوانه‌ای^۱۵ رایج‌ترین طراحی برای دستگاه‌های برشته‌کاری محسوب می‌شود. این دسته از برشته‌کن‌ها از یک استوانه‌ی چرخان فلزی تشکیل شده اند که دو سر آن بسته است و بر روی منبع حرارتی مانند شعله قرار می‌گیرد.

در نگاه اول شاید ظاهر دستگاه برشته‌کاری در ۱۰۰ سال اخیر تغییری نکرده باشد اما در واقعیت قابلیت‌های بسیار زیادی هستند که در دستگاه‌های امروزی وجود دارند که در فنجان نهایی تفاوت زیادی ایجاد می‌کنند. استفاده از سنسور‌های دمایی، صوتی و تصویری توانایی‌های گسترده‌ای را برای دستگاه‌های برشته‌کاری مدرن ایجاد می‌کنند.

رسیدن به درجه مطلوب برشتگی و پروردگی دانه و در عین حال حفظ استمرار در کیفیت محصول از فرآیند‌هایی است که تا امروز وابستگی زیادی به تجربه‌ی برشته‌کار داشته و استفاده از هوش مصنوعی می‌تواند با کاهش این وابستگی، رسیدن به میزان برشتگی ایده‌آل و یکدستی محصول را برای همه‌ی برشته‌کار‌ان ممکن سازد.

پژوهش‌های جدید از مدلی از هوش مصنوعی رونمایی کرده‌اند که درجه برشتگی و میزان پروردگی دانه را به صورت دقیق و در لحظه نشان می‌دهد. این سیستم از بینایی کامپیوتری، پردازش تصویر و یک شبکه‌ی عصبی آموزش یافته با استفاده از یادگیری عمیق استفاده می‌کند و پس از پردازش ویژگی‌های مختلف دانه‌٬ درجه برشتگی را به چهار دسته‌ی سبز، روشن، متوسط و تیره طبقه‌بندی می‌کند که این اطلاعات در لحظه در دسترس برشته‌کار قرار می‌گیرند. این مدل همچنین تسلط کاملی بر نمودار‌های برشته‌کاری دارد و با تقسیم بندی نواحی مختلف نمودار، اطلاعات کاربردی زیادی را در لحظه برای برشته‌کار فراهم می‌کند. در فرآیند آموزش این مدل از ۱۲۰۰ تصویر مختلف برای آموزش و تعریف درجات مختلف برشته‌کاری استفاده شده است. دقت این مدل در روند آموزشی ۹۴.۷٪ و در شرایط واقعی ۸۵.۸٪ اعلام شده است که با گذر زمان قابل اصلاح و پیشرفت است. هم‌چنین همه‌ی این اطلاعات در اپلیکیشن اختصاصی موبایل به صورت آنلاین برای برشته‌کار فراهم می‌شود که کار با سیستم را ساده‌تر می‌کند. از نقاط قوت این سیستم می‌توان به عملکرد سریع و دقت بالای آن اشاره کرد؛ البته یکی از نقاط ضعف آن نیازمندی به نور ایده‌آل (۱۲۷۵ لومن) برای عملکرد بهتر است که برخی از آزمون‌ها را با خطا همراه می‌کند.

علاوه بر تشخیص درجه برشتگی، دستگاه‌های برشته‌کاری هوشمند مجهز به هوش مصنوعی می‌توانند فرآیند برشته‌کاری را بهینه‌سازی و خودکار کنند. این سیستم‌ها به حسگرها، کنترل‌کننده‌ها و الگوریتم‌های یادگیری ماشین مجهز هستند که امکان کنترل فرایند برشته‌کاری با دقت بالا و جلوگیری از نوسانات کیفی را برای برشته‌کار فراهم می‌کنند.

سیستم ثبت ترق اول در دستگاه برشته‌کاری روست (Roest)

از سازوکار‌های پیشرفته‌ی مورد استفاده در دستگاه‌های هوشمند برشته‌کاری می‌توان به حس‌گر‌های تشخیص دما به صورت غیر تماسی و با استفاده از اشعه‌ی مادون قرمز، حس‌گر‌های صوتی برای تشخیص و ثبت ترق اول^۱۶ و حس‌گر‌های گازی برای شناسایی گاز‌های آزاد شده حین برشته‌کاری اشاره کرد.

آینده‌ی دستگاه‌های برشته‌کاری هوشمند به سمت جمع‌آوری حداکثر اطلاعات در حین فرآیند‌ برشته‌کاری می‌رود. کلید رسیدن به میزان برشتگی یکسان و قابل تکرار٬ دسترسی به طیف وسیعی از اطلاعات در حین برشته‌کاری است که با پیشرفت سیستم‌های تحلیل داده و سنسور‌های اندازه‌گیری شرایط فیزیکی و شیمیایی دانه، این قابلیت فراهم می‌شود.

پیدا کردن الگو‌ها و ترکیبات شیمیایی پشت طعم‌های پیچیده‌ی قهوه

یکی از مراحل کلیدی در تولید قهوه تخصصی، ارزیابی حسی و تعیین نمایه‌ طعمی قهوه است. این فرآیند به صورت سنتی توسط ارزیابان کیفی کیو^۱۷ انجام می‌شود که از طریق ارزیابی حسی ویژگی‌هایی مانند اسیدیته، شیرینی، احساس دهانی و رایحه را بررسی می‌کنند. ارزیابان کیو افرادی هستند که تجربه‌ی بالایی در ارزیابی گستره‌ی وسیعی از قهوه‌های مختلف دارند و در غالب یک دوره با استانداردهای انجمن قهوه تخصصی هماهنگ شده‌اند. با این حال دانشمندان هوش مصنوعی و یادگیری ماشین در حال ایجاد روش‌های جدید و دقیق‌تری برای ارزیابی طعم قهوه هستند که بتوان به استانداردسازی و تسریع فرآیند ارزیابی کمک کرد.

مطالعات جدید نشان داده اند که مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانند طعم قهوه را با استفاده از طیف‌سنجی نزدیک به مادون قرمز پیش‌بینی کنند. این روش با تحلیل ترکیبات شیمیایی دانه‌های قهوه، اطلاعات دقیقی درباره خصوصیات طعمی آن ارائه می‌دهد. در روند آموزشی این مدل بیش از ۲۶۶ نمونه‌ی قهوه‌ی عربیکا از ۱۴ خاستگاه مختلف با انواع فرآوری‌های مختلف استفاده شده و در نهایت هوش مصنوعی توانسته دقت و تطابق ۷۰ تا ۸۴ درصدی با نتایج ارزیابان قهوه داشته باشد.

تحلیل دقیق ترکیبات شیمیایی و پیدا کردن الگو‌های مشترک میان داده‌های شیمیایی متعدد یکی از کارهایی است که تنها با پیشرفت‌های اخیر هوش مصنوعی در تحلیل و آنالیز داده امکان پذیر شده است. به این شاخه از تحلیل آماری اطلاعات شیمیایی مواد٬ کمومتریکس^۱۸ گفته می‌شود که در تحقیقات اخیر از آن برای تحلیل مواد شیمیایی چای، شکلات و قهوه استفاده شده است. طی این تحقیقات٬ دانشمندان با تحلیل تعداد زیادی از نمونه‌های قهوه، الگو‌ها و داده‌های هوش مصنوعی را تجزیه‌ و تحلیل کردند و در نتیجه‌ی آن توانستند از این ویژگی نه تنها برای تحلیل کیفی قهوه بلکه ارزیابی کیفی فرآوری، تشخیص خاستگاه، تشخیص تفاوت‌های جزئی طعمی، پایش فعالیت‌های میکروبی طی کشت، فرآوری، خشک‌سازی و نگهداری قهوه استفاده کنند.

یکی از قابلیت‌های پیشرفته هوش مصنوعی، شبیه‌سازی ادراک انسانی از طعم و عطر قهوه است. این فناوری می‌تواند ترکیبات فرّار موجود در قهوه را بررسی کرده و پروفایل طعمی دقیق آن را ارائه دهد. برای این کار از طیف‌سنجی گاز کروماتوگرافی-جرمی^۱۹ برای شناسایی ترکیبات فرّار قهوه پس از برشته‌کاری استفاده می‌شود. شاید برایتان جالب باشد که بدانید یکی دیگر از فناوری‌های مورد استفاده در این فرآیند بینی الکترونیک^۲۰ نام دارد که با استفاده از تحلیل داده‌، الگو‌های بویایی را تشخیص داده و ارزیابی و تحلیل رایحه‌ی قهوه را بر اساس ترکیبات شیمیایی آن انجام می‌دهد.

یکی از بهترین نمونه‌های تجاری این فناوری دستگاه پروفایل پرینت^۲۱ است که از طیف‌سنجی و هوش مصنوعی برای تحلیل سریع و دقیق نمایه طعمی قهوه با استفاده از دانه‌ی سبز استفاده می‌کند.

دستگاه پروفایل پرینت و پنل خروجی آن

از امکانات این دستگاه می‌توان به ارزیابی دقیق ترکیبات شیمیایی قهوه بدون نیاز به تست چشایی، پیش‌بینی ویژگی‌های طعمی، تشخیص منطقه‌ی جغرافیایی قهوه و اطمینان از اصالت آن و ارائه‌ی داده‌های استاندارد و قابل مقایسه برای کشاورزان، برشته‌کاران و خریداران اشاره کرد. یکی دیگر از قابلیت‌های جذاب آن پیشنهاد قهوه‌های مناسب برای ترکیب کردن با قهوه‌ی شما است که تا کنون توسط متخصصان قهوه انجام می‌شده است. نکته‌ی قابل توجه این است که تمام این فرآیند تنها در عرض چند ثانیه توسط این دستگاه انجام می‌شود.

استفاده از فناوری برای خودکارسازی فرآیند‌های هزینه‌بر؛ استمرار در محصولات کشاورزی

مدیریت مزارع قهوه و کنترل کیفیت دانه‌ها از چالش‌های اصلی کشاورزان و تولیدکنندگان قهوه است. عواملی مانند تغییرات اقلیمی، کمبود مواد مغذی خاک، آفات و بیماری‌های گیاهی می‌توانند بر عملکرد محصول تأثیر منفی بگذارند. از سوی دیگر، دسته‌بندی دانه‌های قهوه سبز بر اساس کیفیت و سلامت، فرآیندی زمان‌بر و پرهزینه است. هوش مصنوعی و یادگیری ماشین به روز‌ترین راهکار موجود برای پیش‌بینی عمل‌کرد مزارع، بهینه‌سازی و مدیریت تغذیه گیاهان، و خودکارسازی فرآیند دسته‌بندی دانه‌های قهوه محسوب می‌شوند.

در یکی از پژوهش‌های سال ۲۰۲۴، دانشمندان توانستند با استفاده از هوش مصنوعی و ترکیب داده‌های سنجش از راه دور و تحلیل تغذیه معدنی گیاه، عملکرد تولیدی مزارع قهوه را با دقت بالایی پیش‌بینی کنند. این مطالعات نشان داده‌اند که در تعیین عملکرد محصول٬ سطح مواد مغذی برگ‌ها از داده‌های تصویربرداری ماهواره‌ای اهمیت بیشتری دارند. در این تحقیق از مجموعه‌ای از داده‌های سنجش از راه دور، تصاویر چند طیفی برای بررسی سلامت پوشش گیاهی و توانایی رشد گیاهان، داده‌های زمین‌سنجی و هیدرولوژیکی برای ارزیابی وضعیت خاک، داده‌های تغذیه‌ای خاک و برگ و میزان مواد معدنی مورد نیاز گیاه برای آموزش مدل استفاده شد. این داده‌ها با بررسی مزارع قهوه در برزیل جمع‌آوری شده اند. یکی دیگر از نتیجه‌گیری‌های قابل توجه این پژوهش اهمیت میزان منیزیم برگ به عنوان مهم‌ترین شاخص عملکردی درختان قهوه بوده است. از دیگر نتایج این پژوهش می‌توان به موارد زیر اشاره کرد:

– درختان قهوه با سطح منیزیم بین ۳.۶ تا ۴.۰ گرم به ازای کیلوگرم، بالاترین عملکرد تولیدی را داشته اند.

– کلسیم و آهن در کنار منیزیم از موارد بسیار موثر بر عملکرد تولیدی محصول بوده اند و تعادل این عناصر اهمیت زیادی در افزایش بهره‌وری مزارع دارد.

– استراتژی‌های کوددهی را می‌توان با مدل‌های هوش مصنوعی بهینه کرد تا از کاهش بهره‌وری در سال‌های متوالی جلوگیری شود.

بررسی‌های انجام‌شده نشان داده اند که برداشت بیش‌ازحد در سال‌های پربار باعث کاهش عملکرد بلندمدت مزارع می‌شود. مدل‌های هوش مصنوعی می‌توانند این مشکل را شناسایی کرده و پیشنهاداتی برای کاهش اثرات منفی آن ارائه دهند.

یکی دیگر از کاربرد‌های هوش مصنوعی، ارائه‌ی راهکارهای مناسب برای دسته‌بندی محصول در سطح دانه‌ی سبز، گیلاس و دانه‌ی برشته شده به حساب می‌آید.

این دسته‌بندی اغلب شامل جداسازی مواد معیوب از مواد سالم و با کیفیت است. تا امروز این دسته‌بندی با تمرکز بر چشم انسان و نیروی کار ماهر انجام می‌شد که فرآیندی زمان‌بر، پرهزینه و مستعد خطای انسانی است. سیستم‌های خودکار پردازش تصویر و شبکه‌های عصبی مصنوعی می‌توانند این فرآیند را استانداردسازی کنند. این فناوری با استفاده از پردازش تصویر و دوربین‌های با کیفیت عکس‌برداری و تحلیل محصول انجام می‌شود. برای شروع ابتدا باید مدل‌های هوش مصنوعی با استفاده از حجم بزرگی از داده‌ی تصویری آموزش ببینند و در ادامه‌ روند آموزشی آن‌ها در شرایط واقعی کامل شده و عملکرد آن‌ها بهبود یابد.

نتیجه‌گیری

شاید تا قبل از این روزی را تصور نمی‌کردیم که تکنولوژی‌ بتواند عملکردی هم‌سطح حواس انسان٬ در تحلیل ترکیبات طعمی داشته باشد اما همان‌طور که گفتیم این کار با استفاده از هوش مصنوعی با سرعت بسیار بالاتر امکان پذیر شده و در آینده با کیفیت بالاتری قابل انجام است. یکی از برتری‌های این فناوری نسبت به انسان حذف اطلاعات پیش‌فرض در ارتباط با قهوه است که یکی از چالش‌های مسبب خطا در ارزیابی انسانی است. با این حال٬ مسئله جایگزینی نقش انسان با تکنولوژی در صنعت قهوه مفهومی کلی است که تنها با گذر زمان قابل تعیین است. در این میان برای ما لازم است که فارغ از جایگاهمان در صنعت قهوه، همراه با به روز کردن دانش و گسترش مهارت‌هایمان در مسیر روزمره٬ استفاده هدفمند و مفید از هوش مصنوعی را یاد بگیریم. نظر شما چیست؟ آیا باید نگران سهم هوش مصنوعی از آینده‌ی قهوه باشیم؟

منابع

What is artificial intelligence?

A review of a smart coffee roaster: electronics, design, and artificial intelligence

Industrial food quality and consumer choice: Artificial intelligence-based tools in the chemistry of sensory notes in comfort foods (coffee, cocoa and tea)

Machine learning techniques for coffee classification: a comprehensive review of scientific research

Profile Print technology

Applying Artificial Intelligence to classify the Maturity level of Coffee Beans During Roasting

Accelerated estimation of coffee sensory profiles using an AI-assisted electronic tongue

Prediction of Specialty coffee flavors based on near-unfrared spectra using machine and deep-learning methods

Development and Testing of Green Coffee Bean Quality Sorter Using Image processing and Artificial Neural Network

The role of machine learning on arabica coffee crop yield based in remote sensing and mineral nutrition monitroing

_____________________________________________________________________________________________