ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В МЕТРОЛОГИИ ИСПЫТАТЕЛЬНОЙ ЛАБОРАТОРИИ ПИЩЕВОЙ ПРОДУКЦИИ: НОВЫЕ ГОСТЫ 2024 ГОДА И ПРАКТИКА ВНЕДРЕНИЯ

Введение

         Цифровая трансформация метрологии является одним из приоритетных направлений развития национальной системы обеспечения единства измерений. В 2024 году Росстандарт утвердил первые в Российской Федерации стандарты, регламентирующие применение искусственного интеллекта в метрологии: ГОСТ Р 71561-2024 «Искусственный интеллект в метрологии. Основные положения» и ГОСТ Р 71562-2024 «Искусственный интеллект в метрологии. Требования к средствам измерений», которые вступили в силу с 1 января 2025 года [1, 2].

         Испытательные лаборатории пищевой продукции сталкиваются с необходимостью обработки больших массивов данных, обеспечения прослеживаемости результатов и минимизации человеческих ошибок. Традиционные подходы к метрологическому обеспечению требуют адаптации к новым технологическим реалиям. Особую проблему представляют методы, требующие визуальной оценки (цвет, осадок, помутнение, хроматографические пики), где человеческий фактор вносит значительный вклад в неопределенность измерений.

         Согласно исследованию Никитенко и Андиевой (2024), цифровая трансформация лабораторий проходит три этапа: подключение инструментов и данных, автоматизация рабочих процессов и интеллектуализация с использованием ИИ и машинного обучения [3]. Принципы данных FAIR (Findable, Accessible, Interoperable, Reusable) обеспечивают возможность повторного использования измерительной информации, что критически важно для прослеживаемости результатов по ГОСТ ISO/IEC 17025-2019 [4].

         В связи с этим актуальным становится анализ возможностей применения ИИ в испытательных лабораториях пищевой продукции с позиций метрологического обеспечения и требований новых ГОСТов.

Методы исследования

         В работе использованы методы системного анализа нормативной документации и обобщения практического опыта испытательной лаборатории пищевой продукции. Нормативную базу составили:

• ГОСТ Р 71561-2024 «Искусственный интеллект в метрологии. Основные положения» [1];
• ГОСТ Р 71562-2024 «Искусственный интеллект в метрологии. Требования к средствам измерений» [2];
• ГОСТ ISO/IEC 17025-2019 «Общие требования к компетентности испытательных и калибровочных лабораторий» [4];
• ГОСТ 8558.1-2015 «Продукты мясные. Методы определения нитрита» [5];
• ГОСТ 19792-2001 «Мёд натуральный. Технические условия» [6].

         Объектом исследования выступили методики определения нитритов в мясной продукции, оксиметилфурфурола в мёде, хроматографического определения метанола и сивушных масел в алкогольной продукции, а также качественные методы скрининга (реакция Рейнша, ТСХ алкалоидов).

Результаты исследования

Нормативная база применения ИИ в метрологии

         Внедрение ИИ в метрологическую практику требует нормативного регулирования. Согласно ГОСТ Р 71561-2024, средство измерений на основе ИИ – это средство измерений, в котором алгоритмы искусственного интеллекта используются для получения, обработки или интерпретации измерительной информации [1]. Визуальная оценка цвета с помощью камеры и алгоритма классификации, автоматическая обработка хроматографических пиков подпадают под это определение.

         ГОСТ ISO/IEC 17025-2019 устанавливает общие требования к компетентности лабораторий, включая валидацию методик (п. 7.2), обеспечение достоверности результатов (п. 7.7), управление данными и информацией (п. 7.11) [4]. При внедрении ИИ лаборатория должна доказать, что алгоритм прошел валидацию на репрезентативной выборке данных, обеспечивает требуемую точность и воспроизводимость, подвергается периодическому мониторингу качества.

Области применения ИИ в пищевой лаборатории

         На основе практического опыта испытательных лабораторий можно выделить несколько ключевых направлений применения ИИ.

         Первое направление – автоматическая интерпретация качественных тестов и колориметрии. Визуальная оценка результатов качественных реакций субъективна и зависит от оператора. Решением является компьютерное зрение для анализа изображений хроматограмм, тест-полосок, цветных реакций и колориметрических пробирок. Например, в цифровой цветометрии с использованием смартфона применяются различные цветовые системы, такие как RGB, HSV, CIE Lab* [7]. Система HSV обеспечивает более высокую линейность отклика по сравнению с RGB за счёт разделения тона и яркости.

         Второе направление – автоматическая обработка хроматографических данных. При работе с приборами, регистрирующими пики (ГЖХ с FID, ГХ-ЭЗД, капиллярный электрофорез), оператор вручную определяет начало, вершину и конец пика, что вносит субъективную погрешность. Решением являются нейросети для автоматической детекции, интеграции и разделения пиков. Существующие программные решения, такие как «Хроматэк Аналитик», уже реализуют алгоритмическую детекцию пиков, автоматическую компенсацию дрейфа базовой линии и контроль сходимости результатов [8].

         Третье направление – предиктивная калибровка оборудования. Дрейф показаний приборов требует частой калибровки. Решением является машинное обучение для прогноза дрейфа на основе исторических данных.

         Четвертое направление – контроль качества данных и выявление аномалий. Человеческие ошибки при вводе данных, расчете результатов, интерпретации могут быть минимизированы за счет алгоритмов обнаружения аномалий в результатах анализов.

Метрологические риски использования ИИ

Внедрение ИИ в метрологическую практику сопряжено с рядом рисков.

         Проблема «черного ящика» заключается в том, что сложные модели не предоставляют объяснимых решений, что противоречит принципу прослеживаемости.

         Concept Drift (дрейф концепции) означает, что модель, обученная на исторических данных, может устареть при изменении условий (новые реактивы, оборудование, матрицы).

         Качество данных для обучения также критично: если обучающая выборка содержит ошибки, модель их усвоит и воспроизведет.

         Прослеживаемость алгоритма требует согласно ГОСТ ISO/IEC 17025-2019, чтобы все данные были прослеживаемы, иначе невозможно воспроизвести результат при аудите [4].

Практические примеры внедрения

         Автоматизация оценки оксиметилфурфурола (HMF) в мёде по ГОСТ 19792-2001. Метод основан на измерении оптической плотности раствора при длине волны 440 нм [6]. Внедрение модуля компьютерного зрения для фиксации и анализа цвета раствора позволяет исключить субъективизм оператора.

         Автоматическая обработка пиков на ГЖХ с FID для определения метилового спирта и сивушных масел в алкогольной продукции. Модель, обученная на размеченных хроматограммах, способна автоматически детектировать пики на уровне предела обнаружения, точно интегрировать наложенные пики и рассчитывать концентрацию [8].

         Автоматизация идентификации алкалоидов методом ТСХ. Система компьютерного зрения анализирует изображения ТСХ-пластинок, рассчитывает Rf относительно стандартов, классифицирует цвет пятен, что повышает точность идентификации и снижает вероятность ложноотрицательных результатов [9].

         Экспресс-скрининг мышьяка и ртути (реакция Рейнша). Для экспресс-скрининга мышьяка в полевых условиях применяется реакция Рейнша: образование чёрного налёта на медной пластинке [10]. Субъективность визуальной оценки может быть устранена с помощью компьютерного зрения.

Выводы

1. Внедрение ИИ в испытательных лабораториях пищевой продукции является объективным трендом, поддерживаемым новыми национальными стандартами (ГОСТ Р 71561-2024, ГОСТ Р 71562-2024).
2. Основные области применения включают автоматическую интерпретацию качественных тестов, стандартизацию колориметрической оценки, автоматическую обработку хроматографических пиков, предиктивную калибровку оборудования, контроль качества данных.
3. Основные метрологические риски включают проблему «черного ящика», concept drift, качество обучающих данных, прослеживаемость алгоритма.
4. Валидация алгоритмов ИИ должна проводиться по аналогии с валидацией методик анализа с документированием всех этапов в соответствии с ГОСТ ISO/IEC 17025-2019.
5. ИИ не заменяет метролога, но становится инструментом повышения надежности и эффективности лабораторных процессов.

1. ГОСТ Р 71561-2024. Искусственный интеллект в метрологии. Основные положения. –  М.: Росстандарт, 2024.
2. ГОСТ Р 71562-2024. Искусственный интеллект в метрологии. Требования к средствам измерений. –  М.: Росстандарт, 2024.
3. Никитенко С.С., Андиева Е.Ю. Цифровая трансформация в лабораториях: перспективы и возможности // Вестник науки. –  2024. –  № 6(75). –  Т. 2. –  С. 1586–1596.
4. ГОСТ ISO/IEC 17025-2019. Общие требования к компетентности испытательных и калибровочных лабораторий. –  М.: Стандартинформ, 2019. –  60 с.
5. ГОСТ 8558.1-2015. Продукты мясные. Методы определения нитрита. –  М.: Стандартинформ, 2016. –  10 с.
6. ГОСТ 19792-2001. Мёд натуральный. Технические условия. –  М.: Изд-во стандартов, 2001. –  10 с.
7. Шаока З.А.Ч., Большаков Д.С., Амелин В.Г. Использование смартфона в химическом анализе // Журнал аналитической химии. –  2023. –  Т. 78. –  № 4. –  С. 317–353.
8. Экспорт данных в LIMS: руководство пользователя ПО «Хроматэк Аналитик». –  Йошкар-Ола: ЗАО СКБ «Хроматэк», 2023.
9. Серов В.М., Волкова В.А. Определение алкалоидов методом ТСХ. –  1979.
10. Определение неорганического мышьяка в воде и пищевых продуктах в полевых условиях. –  1964.