18 подписчиков
Наш опыт в накоплении больших данных и машинном обучении интеллектуальной модели, используемой при создании персонализированного рациона питания
В диетологии, как и при решении любых других проблем, связанных со здоровьем и благополучием человека, важными являются учет индивидуальных особенностей конкретного человека и компетентность специалиста, помогающего решить возникшую проблему. При этом только личный контакт диетолога с клиентом позволяет учесть все индивидуальные особенности клиента и сформировать для него оптимальный персонализированный рацион питания. Однако количество клиентов, нуждающихся в диетологической помощи, существенно превышает возможности оказания диетологической помощи работающими компетентными диетологами. Кроме того, для значительной части населения стоимость первичной консультации и последующей длительной работы со специалистом по питанию является слишком высокой.
Вместе с тем цифровизация позволяет «материализовать» опыт лучших диетологов путем сохранения множества созданных ими проверенных решений, подходящих людям с определенным «цифровым портретом», то есть с определенным набором значений ключевых параметров. Накопив достаточное количество решений, можно сформировать специальную «обучающую выборку» примеров, на основе которых с помощью машинного обучения (МО) строится интеллектуальную модель, способная подобрать решение, достаточно хорошо (сравнимо с решением опытного диетолога) подходящее конкретному клиенту.
В нашей программе выявлены процедуры, выполняемые диетологом вручную, которые не удается формализовать с помощью математических моделей и автоматизировать. Это формирование целей коррекции питания, конструирование режимов питания и формирование персонализированных многосуточных меню. Для автоматизации этих процедур вполне обосновано применение средств искусственного интеллекта (ИИ). Общей задачей в нашем случае является классификация клиентов (их «цифровых портретов») и связанных с каждым классом целей коррекции и режимов питания, которые определяют множество соответствующих меню. Наиболее подходящим типом интеллектуальной модели для решения этой задачи является модель в виде «дерева решений». Такая модель эффективно осуществляет классификацию, работает как с количественными, так и категориальными данными, и в отличие от нейронных сетей обладает свойством хорошей объяснимости решений в форме правил, понятных диетологу и клиенту. Наша программа использует классификатор, обученный на тысячах примеров, содержащий сотни правил и показавший высокую точность в процессе тестирования на новых примерах, не использованных при обучении.
Важно понимать, что приемлемость и точность решений, получаемых с помощью интеллектуальной модели, обученной на этих данных, главным образом определяется качеством обучающих данных. Качественные данные для любого технологического процесса (бизнес-процесса) имеют исключительную ценность и самостоятельное значение, являясь основой цифровизации и автоматизации. Поэтому наша программа обеспечивает согласованный фоновый сбор и накопление корректных выходных данных с контролем полноты и релевантности обучающих примеров на основе верифицированных баз данных продуктов и блюд. Также предусматривается повторное обучение на основе пополненных актуальных данных, что обеспечивает поддержание высокой точности обученных интеллектуальных моделей.
Автоматизация формирования рекомендаций по персонализированному питанию позволяет в итоге существенно расширить круг клиентов, которым становится доступна «стандартная» диетологическая помощь через веб-интерфейс. Вместе с тем облегчается труд диетологов за счет использования в соответствующих ручных процедурах готовых накопленных решений «по умолчанию».
3 минуты
26 февраля 2024