AI w optymalizacji procesów. Nowe badanie pokazuje, że lepsze dopasowanie modelu nie zawsze oznacza lepszą decyzję

Czy bardziej zaawansowany model machine learning automatycznie prowadzi do lepszego procesu technologicznego? Nowe badanie opublikowane 21 sierpnia 2026 r. w czasopiśmie „iScience” pokazuje, że nie zawsze. Analiza 1 148 zestawów danych dotyczących optymalizacji procesów ekstrakcyjnych wykazała, że modele zapewniające bardzo dobre dopasowanie do danych eksperymentalnych nie muszą jednocześnie oferować najlepszej zdolności predykcyjnej ani stabilnie wskazywać optymalnych warunków procesu. Dla działów R&D producentów suplementów diety to istotny wniosek: wprowadzanie AI i machine learning do rozwoju technologii wymaga nie tylko większej liczby danych, ale przede wszystkim właściwej walidacji modeli.

Cyfryzacja prac badawczo-rozwojowych coraz mocniej wchodzi do przemysłu suplementów diety. Modele statystyczne, Design of Experiments, analiza danych procesowych i algorytmy machine learning są wykorzystywane do ograniczania liczby eksperymentów, przewidywania parametrów procesu i wyboru warunków zapewniających oczekiwaną wydajność lub jakość produktu.

Takie podejście jest szczególnie atrakcyjne w procesach wieloczynnikowych. Temperatura, czas, pH, proporcja faz, stężenie, rodzaj procesu czy parametry energetyczne mogą wzajemnie na siebie oddziaływać. Klasyczne testowanie każdej kombinacji metodą prób i błędów szybko staje się kosztowne i czasochłonne. Model matematyczny pozwala ograniczyć przestrzeń eksperymentalną i wskazać obszar, w którym warto prowadzić dalszą walidację.

Problem zaczyna się wtedy, gdy wynik generowany przez model zostaje potraktowany jako optymalny tylko dlatego, że sam model dobrze opisuje dane wykorzystane do jego stworzenia.

Właśnie temu zagadnieniu poświęcona jest publikacja „Large-scale assessment of regression modeling practices in phytomedicine extraction process optimization”, która ukazała się w numerze „iScience” datowanym na 21 sierpnia 2026 r.

1 148 zestawów danych i siedem sposobów modelowania

Autorzy przeprowadzili szeroki benchmark modeli stosowanych w optymalizacji procesów. Do analizy włączono 1 148 zestawów danych spełniających kryteria pozwalające na ich porównanie we wspólnym schemacie analitycznym.

Porównano siedem podejść obejmujących zarówno klasyczne modele regresyjne, jak i rozwiązania wykorzystujące machine learning. Wśród nich znalazły się pełna regresja kwadratowa, bardziej oszczędne modele regresyjne wykorzystujące selekcję zmiennych, regresja ridge, support vector regression, partial least-squares regression oraz Gaussian process regression.

Kluczowe jest jednak to, w jaki sposób autorzy oceniali poszczególne modele.

Nie ograniczono się do współczynnika dopasowania do danych treningowych. Analizowano również wyniki walidacji krzyżowej, zachowanie diagnostyczne modeli oraz – co szczególnie ważne z perspektywy technologicznej – stabilność przewidywanego optimum procesu.

To ostatnie kryterium może mieć dla przemysłu znacznie większe znaczenie niż sam wynik statystyczny.

Model wykorzystywany w R&D nie jest bowiem tworzony po to, aby możliwie dobrze odtworzyć już wykonane eksperymenty. Jego praktycznym zadaniem jest przede wszystkim pomoc w podjęciu decyzji, jakie warunki procesu należy przetestować lub zastosować w kolejnym etapie rozwoju technologii.

Niższy błąd treningowy nie musi oznaczać lepszej predykcji

Badanie pokazało, że bardziej złożone modele machine learning były w stanie w niektórych przypadkach zmniejszać błędy dla danych wykorzystanych podczas ich trenowania. Nie przekładało się to jednak konsekwentnie na lepsze wyniki podczas walidacji ani na większą stabilność przewidywanych warunków optymalnych.

Najbardziej zrównoważony profil uzyskały w analizie bardziej oszczędne modele regresyjne.

To ważna obserwacja, ponieważ w projektach wykorzystujących AI łatwo utożsamić bardziej zaawansowany algorytm z większą wartością predykcyjną. Tymczasem w małych zbiorach danych eksperymentalnych, typowych dla wielu projektów laboratoryjnych, większa elastyczność modelu może zwiększać ryzyko nadmiernego dopasowania.

Model może wtedy bardzo dobrze odwzorowywać wyniki, które już zna, ale gorzej radzić sobie z przewidywaniem rezultatów nowych eksperymentów.

Z perspektywy producenta problem jest jeszcze bardziej praktyczny. Jeżeli dwa poprawnie dopasowane modele na podstawie tych samych danych wskazują inne parametry optymalne, decyzja technologiczna przestaje być oczywista.

Autorzy badania zwracają właśnie uwagę na niepewność związaną z wyborem samego modelu. Ich wyniki wskazują, że model selection może być niezależnym źródłem niepewności w optymalizacji procesu i dlatego powinien być oceniany jako element procesu decyzyjnego, a nie wyłącznie jako zagadnienie statystyczne.

Dla R&D pytanie brzmi nie „który model pasuje najlepiej?”, lecz „któremu można zaufać?”

To zmienia perspektywę na wykorzystanie analityki danych w rozwoju produktów.

W klasycznym podejściu model może być oceniany przede wszystkim przez pryzmat jakości dopasowania. Jeżeli uzyskany współczynnik jest wysoki, a wykres dobrze odwzorowuje wyniki eksperymentu, analiza może sprawiać wrażenie zakończonej.

Nowe badanie pokazuje, że dla zastosowań technologicznych to za mało.

Ważniejsza staje się odpowiedź na pytanie, czy model poprawnie przewidzi wynik dla danych, których wcześniej nie widział, oraz czy niewielka zmiana zestawu danych nie spowoduje znaczącej zmiany wskazywanego optimum.

Dla producenta suplementów różnica jest zasadnicza.

Jeżeli algorytm ma jedynie opisywać zakończony eksperyment, jego zastosowanie pozostaje głównie analityczne. Jeżeli jednak ma wpływać na wybór temperatury, czasu procesu, proporcji komponentów czy innych parametrów technologicznych, staje się narzędziem wspierającym rzeczywistą decyzję R&D.

W takim przypadku walidacja predykcyjna i ocena stabilności modelu powinny mieć większą wagę niż atrakcyjny wynik dopasowania.

AI nie zastępuje DoE i eksperymentalnego potwierdzenia procesu

Wyniki publikacji nie oznaczają, że machine learning jest niewłaściwym narzędziem do optymalizacji technologii. Pokazują raczej, że jego wartość zależy od jakości danych, wielkości zbioru, charakteru problemu oraz sposobu walidacji.

W projektach przemysłowych szczególnie istotne pozostaje połączenie modelowania z dobrze zaprojektowanym eksperymentem.

Jeżeli dane wejściowe obejmują zbyt wąski zakres warunków albo liczba obserwacji jest niewielka w stosunku do liczby analizowanych parametrów, nawet bardzo zaawansowany algorytm będzie miał ograniczone możliwości wiarygodnego przewidywania.

To ważny wniosek dla firm, które obecnie wdrażają rozwiązania AI do laboratoriów formulacyjnych.

Machine learning może pomagać analizować zależności trudne do wychwycenia klasycznymi metodami, ale nie usuwa potrzeby właściwego planowania eksperymentów. W praktyce szczególnie wartościowe może być łączenie DoE z modelowaniem predykcyjnym i kolejną eksperymentalną weryfikacją wskazanych przez model warunków.

Takie podejście ogranicza ryzyko sytuacji, w której optimum istnieje przede wszystkim w modelu komputerowym, ale nie zostaje potwierdzone podczas rzeczywistego procesu.

Skalowanie procesu zwiększa znaczenie jakości modelu

Kwestia ta nabiera dodatkowego znaczenia podczas przechodzenia z etapu laboratoryjnego do pilotażowego lub przemysłowego.

W laboratorium różnica kilku stopni temperatury czy kilkunastu minut może nie wydawać się znacząca. Po zwiększeniu skali procesu takie różnice mogą wpływać na czas cyklu, zużycie energii, wydajność, stabilność procesu i koszty produkcji.

Dlatego model optymalizacyjny powinien być traktowany przede wszystkim jako narzędzie pomagające określić obszar potencjalnie korzystnych parametrów, który następnie wymaga sprawdzenia eksperymentalnego.

Sami autorzy udostępnionego wraz z pracą zestawu danych zaznaczają, że przewidywane przez modele optima należy traktować jako potencjalne regiony operacyjne wymagające potwierdzenia, a nie jako ostatecznie ustalone warunki produkcji.

To podejście jest szczególnie istotne dla sektora suplementów diety, gdzie firmy pracują często z bardzo różnorodnymi procesami i skalami produkcji – od krótkich serii pilotażowych po wysoko wydajne linie przemysłowe.

Więcej danych nie wystarczy, jeżeli błędny jest sposób ich oceny

Jednym z najważniejszych wniosków płynących z nowej publikacji jest również to, że cyfryzacja R&D nie powinna sprowadzać się do wdrażania coraz bardziej skomplikowanych algorytmów.

Równie ważne staje się opracowanie zasad oceny jakości wyników generowanych przez modele.

W praktyce oznacza to konieczność sprawdzania nie tylko dokładności dopasowania, ale również zdolności modelu do generalizacji, stabilności przewidywań oraz wrażliwości wyniku na wybór metody modelowania.

Dla zespołów technologicznych oznacza to także zmianę kompetencyjną.

Modelowanie procesu przestaje być wyłącznie zadaniem statystyka lub data scientista. Wynik powinien być interpretowany wspólnie z technologiem, który potrafi ocenić, czy wskazane przez algorytm parametry są technologicznie realistyczne, skalowalne i zgodne z zachowaniem procesu obserwowanym w praktyce.

Bez tego nawet statystycznie poprawny wynik może mieć ograniczoną wartość przemysłową.

RegressCheck ma ustandaryzować ocenę modeli

Autorzy publikacji opracowali również narzędzie RegressCheck, którego zadaniem jest standaryzacja kolejnych etapów pracy z modelem: od jego dopasowania, przez walidację i diagnostykę, po analizę przewidywanego optimum.

Nie jest to system przeznaczony do automatycznego podejmowania decyzji produkcyjnych. Jego znaczenie polega przede wszystkim na ułatwieniu bardziej uporządkowanej oceny modeli.

Sam fakt opracowania takiego rozwiązania pokazuje jednak szerszy kierunek rozwoju cyfrowego R&D.

Wraz z coraz powszechniejszym stosowaniem AI pytanie nie będzie już dotyczyło wyłącznie tego, czy przedsiębiorstwo wykorzystuje modele predykcyjne. Coraz ważniejsze będzie to, w jaki sposób kontroluje ich wiarygodność i dokumentuje proces prowadzący od danych eksperymentalnych do decyzji technologicznej.

Co to oznacza dla europejskich producentów suplementów?

Dla europejskiego sektora suplementów wyniki badania mają znaczenie przede wszystkim na poziomie organizacji prac badawczo-rozwojowych.

Wdrożenie machine learning może ograniczać liczbę iteracji eksperymentalnych, przyspieszać analizę dużej liczby parametrów i pomagać w identyfikacji obszarów wymagających dalszych testów. Nie powinno jednak prowadzić do rezygnacji z klasycznej wiedzy technologicznej ani eksperymentalnej weryfikacji procesu.

Szczególnie istotne staje się to w przedsiębiorstwach, które rozwijają wiele formulacji równolegle i chcą wykorzystywać dane historyczne z wcześniejszych projektów. Z czasem takie bazy mogą stać się wartościowym zasobem do budowania modeli predykcyjnych.

Ich użyteczność będzie jednak zależała od jakości i porównywalności zgromadzonych danych.

Jeżeli parametry procesów są zapisywane w różnych formatach, metody analityczne zmieniają się pomiędzy projektami, a wyniki nie są odpowiednio opisane kontekstowo, samo zgromadzenie dużej liczby rekordów nie gwarantuje stworzenia wartościowego systemu AI.

Dlatego digitalizacja R&D powinna zaczynać się nie od wyboru algorytmu, lecz od jakości danych, ich struktury i spójnego sposobu dokumentowania eksperymentów.

AI jako narzędzie decyzyjne, a nie generator „optymalnej receptury”

Badanie opublikowane 21 sierpnia 2026 r. dobrze pokazuje, dlaczego wprowadzanie AI do przemysłu suplementów wymaga bardziej dojrzałego podejścia niż samo uruchomienie kolejnego modelu.

Najbardziej zaawansowany algorytm nie zawsze będzie najbardziej użyteczny. Niski błąd dla danych treningowych nie gwarantuje dobrej predykcji, a bardzo dobre dopasowanie modelu nie oznacza automatycznie, że wskazane przez niego optimum jest stabilne.

Dla przedsiębiorstw inwestujących w digitalizację laboratoriów może to być jedna z ważniejszych lekcji.

AI może skracać drogę od eksperymentu do decyzji technologicznej, ale pod warunkiem, że sam model jest traktowany jako element procesu wymagający walidacji.

W praktyce przewaga technologiczna może więc nie wynikać z posiadania najbardziej skomplikowanego algorytmu, lecz z umiejętności połączenia dobrze zaprojektowanego eksperymentu, wysokiej jakości danych, właściwie zwalidowanego modelu i wiedzy technologicznej zespołu R&D.

W sektorze suplementów, w którym presja na szybsze wdrażanie nowych produktów stale rośnie, właśnie taki model wykorzystania AI może mieć największą wartość przemysłową.