Kunstig Intelligens (AI) er et af tidens hotte emner. På de mest moderne virksomheder bruges AI til alt lige fra overvågning til at svare på spørgsmål fra medarbejderne.
Ved dette seminar vil indlægsholderne komme vidt omkring AI i mejeribranchen, bl.a. hvordan AI kan hjælpe i forbindelse med produktudvikling og derved spare kostbare ressourcer og få nye spændende produkter hurtigere ud til forbrugeren. Emner som brug af diverse chatbotter som ChatGPT og Microsoft Copilot vil også blive vendt.
En stor del af den AI som kan bruges i mejeribranchen, stammer fra indsamling og logning af forskellige data, hvor AI kan hjælpe med at sortere og udvælge de data, som bruges i produktionen både hos mejeristen, hos teamlederen og andre lag.
Tilmeld dig allerede i dag HER
AI i fødevareindustrien – muligheder og anvendelser
Kunstig intelligens (AI) er ikke længere kun fremtidsmusik – det er et værktøj, der allerede er en integreret del af mange brancher.
I dette oplæg vil vi udforske konkrete eksempler på, hvordan AI kan gøre en forskel, både som produktivitetsværktøj og i produktionsmiljøer.
Vi vil blandt andet se på:
- De mest almindelige AI teknologier
- Hvad er potentialet og hvor langt er vi?
- AI’s rolle i produktionen, hvor det kan skabe mere ensartede processer, reducere fejl og optimere ressourcer tættere på grænseværdierne.
Oplægget giver indsigt i de aktuelle og fremtidige anvendelser af AI, med fokus på hvordan teknologien kan skabe værdi i både fødevareindustrien og beslægtede sektorer.
En Mikrobiologs Perspektiv på AI
AI gør sit indtog i mange brancher, herunder mikrobiologi, hvor teknologien åbner nye muligheder for præcis og effektiv analyse. Implementeringen af AI bringer dog både potentiale og udfordringer, som kræver nøje opmærksomhed for at sikre pålidelige resultater.
Med denne præsentation vil Philip udforske AI's potentiale inden for mikrobiologi og fremhæve, hvordan teknologien kan revolutionere detektionsmetoder og give hurtigere, mere tidseffektive og mere informative resultater. Samtidig vil fald grupperne, som kan opstå, hvis algoritmerne ikke valideres tilstrækkeligt, eller hvis dataene bag AI-modellerne ikke er repræsentative uddybes.
Der bliver understreget betydningen af tværfagligt samarbejde mellem mikrobiologer og datavidenskabseksperter. Kun ved at kombinere faglige styrker kan vi sikre, at AI-løsninger bliver præcise og praktisk anvendelige i mikrobiologiske sammenhænge. Formålet er at skabe en dybere forståelse af, hvordan AI kan integreres, samtidig med at vi udnytter dets fulde potentiale til at fremme industrielle fremskridt og udvikling inden for mikrobiologi.
Ai i mejeriundervisningen på KOLD College
På Mejeristuddannelsen anvendes AI på forsøgsbasis, da det stadig er et meget nyt, men spændende digitalt værktøj i undervisningen. Potentialet er stort, men det kræver tid at få afsøgt, hvad AI kan, og hvordan det kan få en plads som et digitalt værktøj for både elever og lærere. Dette oplæg vil give en indsigt i de AI-værktøjer, som lige nu afprøves på Mejeristuddannelsen, og give et bud på, hvilke digitale kompetencer fremtidige mejerister måske vil have med sig fra Kold College.
Gennem en workshop hos Center for IT i Undervisningen (CIU) arbejder vi på at udvikle en mejerifaglig chatbot, som elever kan bruge i undervisningen. De kan allerede nu bruge eksisterende chatbots som ChatGPT, men der er stor usikkerhed omkring den litteratur, disse chatbots anvender, og hvor fagligt korrekt denne litteratur er. Derfor arbejder vi på at lave en chatbot selv, som svarer ud fra pålidelig faglitteratur. Samtidig udvikler vi en chatbot, der kan præsentere eleverne for praksisnære cases i mejeriet, så de kan trænes i problemstillinger og mulige løsninger.
Derudover arbejdes der på at udvikle chatbots, som kan anvendes som lærerassistenter i undervisningen, så elever kan få den nødvendige hjælp, selvom læreren ikke er tilgængelig. Formålet er, at eleverne har mindre ventetid i undervisningen samt mulighed for at få hjælp og komme videre uden for undervisningen. Begge situationer giver eleven mere læretid og derved øges elevernes læringspotentiale.
Efter oplægget vil der være mulighed for at se nærmere på disse chatbots og afprøve dem. (OBS!!! dette indlæg er et dobbelt indlæg)
Anvendelser af multispektrale billeddannelse og AI til kvalitetskontrol af mejeriprodukter
Præsentation giver en beskrivelse af Videometers teknologi til dannelse af multispektrale billeder og hvordan kunstig intelligens (AI) bruges i analysen af disse. Herefter vises en række eksempler på anvendelser indenfor kvalitetskontrol og detektion af svindel og forfalskning med fokus på fødevarer. Som eksempler på anvendelser relateret til mejeriproduktion præsenteres eksempler på detektion af kolonier i petriskåle og skimmel på yoghurt. Vi demonstrerer også detektion af brændte partikler i mælkepulver, samt kontrol for ”kontaminering” med Malamin. Endelig vil vi demonstrere detektion af uønsket skimmel på overfladen af ost.
AI i praksis – Eksempler fra Arla Foods
I dette oplæg deler jeg, hvordan vi i Arla Foods bruger kunstig intelligens, og giver eksempler på, hvor og hvordan data og kunstig intelligens bruges til at styrke forretningen.
Vi anvender blandt andet kunstig intelligens til at optimere energiforbruget i produktionen. Her hjælper en algoritme os med at reducere energispild under pasteuriseringsprocesserne, hvilket både sparer penge og mindsker CO2-udledningen.
Et andet eksempel er en skrive assistent, kaldes Recipe Optimizer, der hjælper vores redaktører med at skrive opskrifter, der rangerer højere i Googles søgeresultater og øger den organiske trafik til Arlas hjemmesider.
Jeg afslutter med at dele vores erfaringer med AI-baserede produktivitetsværktøjer, som vores interne chatbot ArlaGPT og Microsoft Copilot, og hvordan vi løbende arbejder med at finde ud af hvor og til hvad de kan bruges.
Improving yield and sustainability with AI using a large goat milk dairyplant as an example
AI er blevet et buzzword, som alle taler om, men de færreste har en indsigt i, hvordan det kan implementeres effektivt. I denne session vil vi dykke ned i en konkret case, hvor vi gennemgår, hvordan en førende global leverandør af gedeost har anvendt avanceret AI-teknologi til at forbedre ostekvalitet og udbytte. Vi vil udforske de tekniske detaljer ved implementeringen af AI.
En af de største udfordringer for mejeriproducenter er, at mælkens sammensætning varierer på tværs af gårde og sæsoner. Der er derfor ingen standardopskrift, der kan anvendes på alle mælkebatcher for at opnå ensartet kvalitet og udbytte. Ved hjælp af AI-drevet afvigelsesdetektion og forklaring af udbytte automatiseres dataindsamling, behandling og præsentation. Dette har resulteret i betydelige forbedringer i produktionseffektivitet.
AI hjælper med at sætte præcise måludbytter og identificere nøglefaktorer til variationer, hvilket muliggør præcise justeringer i produktionen. Disse teknologiske fremskridt har også en positiv indvirkning på bæredygtighed.
For denne mejeriproducent betyder hver 1 procent stigning i udbytte cirka 500.000 euro, som kan geninvesteres i yderligere udvikling af virksomheden. Producenten planlægger at øge sin produktionskapacitet betydeligt inden for fem år for at imødekomme den høje efterspørgsel.
Efficient and sustainable drying of whey powder using a spray dryer digital twin.
In the modern industrial landscape, dairy producers face immense pressure to enhance manufacturing performance in the face of cost pressures, quality demands, new product introductions, and sustainability targets. This is particularly evident in spray dryer operations, where high energy usage, temperature and moisture constraints, and downtime due to CIP and product changeover pose significant challenges. These challenges are further amplified by the seasonal nature of milk production, as plant operators look to maximize processing capacity during peak milk season. In the dairy industry, the adoption of modular software technologies for operator decision support and advanced process control is increasing. These technologies allow dairy processors to gain rapid insight into their process operations and optimize their performance according to business needs. The showcased solution uniquely uses physics-based models within a digital twin, leveraging deep process knowledge across multiple spray dryer assets. It provides real-time, actionable information on product moisture content, exhaust temperature, and humidity, ensuring tighter moisture specifications, improved yield, energy savings, and increased throughput. Though a combination of non-linear model predictive control (NLMPC) and state estimation capabilities, the solution remains evergreen in delivering value to the operation. This is achieved by continuously adapting to maintain optimal performance, greatly enhancing the profitability and sustainability of the assets.
