ഉൽപ്പന്ന വികസനവും രൂപീകരണവും

നേട്ടങ്ങൾ:

• രൂപീകരണത്തിലെ ബഹുജന ബാലൻസ്, സംഭാവനാ പ്രവർത്തനം, ചെലവ് പരിമിതികൾ എന്നിവ വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
• AI ഉപയോഗിച്ച് ആശയങ്ങൾ, ഫോർമുല വ്യതിയാനങ്ങൾ, പോഷകാഹാര/ലേബൽ ഡ്രാഫ്റ്റുകൾ എന്നിവ സൃഷ്ടിക്കാനുള്ള കഴിവ്
• റെഗുലേറ്ററി പരിധികളും ലബോറട്ടറി/പൈലറ്റ് ട്രയലുകളും ഉപയോഗിച്ച് AI ശുപാർശ ചെയ്യുന്ന ഫോർമുലകളും ഡോസേജുകളും പരിശോധിക്കാനുള്ള കഴിവ്

പുതിയ "ഉയർന്ന പ്രോട്ടീൻ, കുറഞ്ഞ പഞ്ചസാര പഴം പുഡ്ഡിംഗ്" പ്രോജക്റ്റിൻ്റെ ആദ്യ ദിവസം നിങ്ങൾ R&D അടുക്കള കൗണ്ടറിൽ ഇരിക്കുന്നു. അവൻ്റെ കയ്യിൽ ഒരു ലക്ഷ്യമുണ്ട്: 100 ഗ്രാം ഉൽപ്പന്നത്തിന് കുറഞ്ഞത് 8 ഗ്രാം പ്രോട്ടീൻ, 5 ഗ്രാം അധിക പഞ്ചസാര, ക്രീം ഘടന, 45 ദിവസത്തെ ഫ്രിഡ്ജ് ഷെൽഫ് ലൈഫ്. നിങ്ങളുടെ കുറിപ്പടി പാഡ് ശൂന്യമാണ്. നിങ്ങൾ ഒരു AI ടൂളിലേക്ക് തിരിഞ്ഞ് "ഈ ഉൽപ്പന്നത്തിൻ്റെ ഫോർമുല തരൂ" എന്ന് പറയുക, നിമിഷങ്ങൾക്കുള്ളിൽ മോഡൽ ഒരു പൂർണ്ണമായ പട്ടിക സൃഷ്ടിക്കുന്നു: പാൽപ്പൊടി, whey ഐസൊലേറ്റ്, അന്നജം, ഫ്ലേവറിംഗ്, പ്രിസർവേറ്റീവുകൾ, അവയുടെ അനുപാതങ്ങൾ. പട്ടിക ക്രമവും യുക്തിസഹവും പ്രചോദനാത്മകവുമാണ്. എന്നാൽ നിങ്ങൾ മൊത്തം നിരക്കുകൾ കൂട്ടിച്ചേർക്കുമ്പോൾ, അത് 100% അല്ല, 103.5% ആയി മാറുന്നു, കൂടാതെ ശുപാർശ ചെയ്യുന്ന സംരക്ഷണ ഡോസ് കോഡെക്സ് പരിധിക്ക് മുകളിലാണ്. ഇവിടെയാണ് രൂപീകരണത്തിൽ AI-യുടെ യഥാർത്ഥ മൂല്യവും അപകടസാധ്യതയും ആരംഭിക്കുന്നത്: ഒരു മികച്ച പ്രാരംഭ സ്കെച്ച്, എന്നാൽ മൂല്യനിർണ്ണയം ആവശ്യമുള്ള ഒന്ന്.

ഈ യൂണിറ്റിൻ്റെ കേന്ദ്ര ആശയം: AI എന്നത് ആശയങ്ങളുടെയും രൂപീകരണത്തിലെ വ്യതിയാനങ്ങളുടെയും മികച്ച ജനറേറ്ററാണ്, എന്നാൽ അത് നിർദ്ദേശിക്കുന്ന എല്ലാ നിരക്കും ഡോസേജും മാസ് ബാലൻസ്, റെഗുലേറ്ററി ലിമിറ്റുകൾ, പൈലറ്റ്/ലബോറട്ടറി ടെസ്റ്റിംഗ് എന്നിവ ഉപയോഗിച്ച് പരിശോധിക്കുന്നതുവരെ ഇത് നിർദ്ദേശിക്കാനാവില്ല. AI ഒരു സീനിയർ ഫോർമുലേഷൻ ഇൻ്റേൺ പോലെയാണ്: അവൻ നൂറുകണക്കിന് പാചകക്കുറിപ്പുകൾ കണ്ടു, അവൻ വേഗത്തിൽ ഡ്രാഫ്റ്റ് ചെയ്യുന്നു, പക്ഷേ അവൻ സ്കെയിലുകൾ ടിപ്പ് ചെയ്യുന്നില്ല.

രൂപീകരണത്തിൻ്റെ മൂന്ന് പ്രധാന നിയന്ത്രണങ്ങൾ

ഓരോ ഫോർമുലയും മൂന്ന് നിയന്ത്രണങ്ങൾക്കിടയിൽ സന്തുലിതമാണ്: സാങ്കേതിക പ്രവർത്തനം, ചെലവ്, നിയന്ത്രണങ്ങൾ.

1. മാസ് ബാലൻസ്: എല്ലാം 100% ആയിരിക്കണം

ഒരു സൂത്രവാക്യത്തിൻ്റെ ഏറ്റവും അടിസ്ഥാന നിയമം, എല്ലാ ചേരുവകളുടെ ശതമാനവും കൃത്യമായി 100% ആണ്. AI ഔട്ട്പുട്ടിലെ ഏറ്റവും സാധാരണമായ പിശക് ഈ തുക കൂട്ടിച്ചേർക്കുന്നില്ല എന്നതാണ്.

2. സംഭാവന പ്രവർത്തനങ്ങൾ

ഓരോ സംഭാവനയും ഒരു ഫംഗ്ഷനാണ്. പ്രവർത്തനം അറിയാതെ ഡോസ് ചർച്ച ചെയ്യാൻ കഴിയില്ല.

അഡിറ്റീവ് ക്ലാസ്

ഫംഗ്ഷൻ

സാധാരണ ഉദാഹരണം

കുറിപ്പ്

എമൽസിഫയർ

എണ്ണ-ജല മിശ്രിതത്തെ സ്ഥിരപ്പെടുത്തുന്നു

ലെസിതിൻ, മോണോ/ഡിഗ്ലിസറൈഡ്

ഘടനയും ക്രീമും

സംരക്ഷിത

സൂക്ഷ്മജീവികളുടെ കേടുപാടുകൾ വൈകിപ്പിക്കുന്നു

പൊട്ടാസ്യം സോർബേറ്റ്, സോഡിയം ബെൻസോയേറ്റ്

കോഡെക്സ് പരിധി നിർണായകമാണ്

സ്റ്റെബിലൈസർ/കട്ടിയാക്കൽ

സ്ഥിരതയും വെള്ളം നിലനിർത്തലും

അന്നജം, പെക്റ്റിൻ, കാരജീനൻ

സിനറിസിസ് തടയുന്നു

മധുരപലഹാരം

പഞ്ചസാര കുറയ്ക്കൽ

സുക്രലോസ്, സ്റ്റീവിയോൾ ഗ്ലൈക്കോസൈഡ്

വിഭാഗ പരിധി വ്യത്യാസപ്പെടുന്നു

ആൻ്റിഓക്‌സിഡൻ്റ്

കൊഴുപ്പ് ഓക്സീകരണം വൈകിപ്പിക്കുന്നു

അസ്കോർബിക് ആസിഡ്, ടോക്കോഫെറോൾ

ഷെൽഫ് ലൈഫ് പ്രഭാവം

3. ചെലവും പോഷകാഹാര കണക്കുകൂട്ടലും

പാചകക്കുറിപ്പ് വാണിജ്യപരമാകുന്നതിന്, അത് ഒരു യൂണിറ്റ് ചെലവ് ലക്ഷ്യം നിലനിർത്തുകയും അതിൻ്റെ പോഷകാഹാര പ്രൊഫൈൽ ലേബലും പ്രഖ്യാപനവും പിന്തുണയ്ക്കുകയും വേണം.

മാസ് ബാലൻസ്, പോഷകാഹാര പരിശോധന

ഒരു AI ഡ്രാഫ്റ്റ് അക്കൗണ്ട് പരിശോധിക്കേണ്ടത് എന്തുകൊണ്ടാണെന്ന് ഇനിപ്പറയുന്ന ഉദാഹരണം കാണിക്കുന്നു. AI ആണ് ഈ ഡ്രാഫ്റ്റ് നൽകിയത്, നമുക്ക് ആകെ പരിശോധിക്കേണ്ടതുണ്ട്.

# ഫോർമുല ഡ്രാഫ്റ്റ്: ചേരുവ -> (ശതമാനം, യൂണിറ്റ് വില TL/kg, പ്രോട്ടീൻ g/100g ചേരുവ) ഫോർമുല = { "fat_reduced_sut": (62.0, 18.0, 3.3), "whey_isolate":(9.0, 320:0), "28.0, 58.0". 0.3), "പഞ്ചസാര": (4.0, 28.0, 0.0), "പഴം_പൾപ്പ്": (18.0, 35.0, 0.5), "അരോമ_പ്രിസർവേറ്റീവ്": (1.5, 150.0, 0.0),}മൊത്തം_ശതമാനം = തുക(v[0] ഫോർമുലയിൽ {total_percentage:.1f}%") # -> formula.values())പ്രിൻ്റ്(f"കണക്കാക്കിയ പ്രോട്ടീൻ: {protein_100g:.1f} g/100g") എന്നതിലെ v-യ്ക്ക് ഇത് 100.0% തുക (v[0]/100 * v[2] ആയിരിക്കണം)

ഔട്ട്‌പുട്ട്:ആകെ ശതമാനം: 100.0% മാസ് ബാലൻസ് OK കണക്കാക്കിയ പ്രോട്ടീൻ: 8.1g/100g കണക്കാക്കിയ വില: 47.29 TL/kg

ഇതൊരു നല്ല കണക്കുകൂട്ടലാണെന്ന് തോന്നുമെങ്കിലും, പേപ്പറിലെ പ്രോട്ടീൻ മൂല്യം യഥാർത്ഥ ഉൽപ്പന്നത്തിൽ നിന്ന് വ്യത്യസ്തമായിരിക്കും: പ്രോസസ്സിംഗ് നഷ്ടം, യഥാർത്ഥ ഘടക വിശകലനം, ഈർപ്പം വ്യതിയാനം എന്നിവ കണക്കുകൂട്ടലിനെ മാറ്റുന്നു. അതിനാൽ പേപ്പർ അക്കൗണ്ടും ഒരു ഡ്രാഫ്റ്റാണ്; അന്തിമ മൂല്യം ലബോറട്ടറി വിശകലനം വഴി സ്ഥിരീകരിക്കുന്നു (ക്ജെൽഡാൽ പ്രോട്ടീൻ നിർണയം പോലെ).

നുറുങ്ങ്: എല്ലായ്‌പ്പോഴും ഒരു സ്‌പ്രെഡ്‌ഷീറ്റിലോ ഷോർട്ട്‌കോഡിലോ ഫോർമുല സജ്ജീകരിക്കുക; മൊത്തം ശതമാനം സ്വയമേവ കണക്കാക്കട്ടെ. AI നൽകുന്ന ടേബിൾ നേരിട്ട് സ്വീകരിക്കരുത്, "അത് കൂട്ടിച്ചേർക്കുക, ഇത് 100% ആണോ എന്ന് പരിശോധിക്കുക" എന്നത് ഒരു മെക്കാനിക്കൽ ശീലമാക്കുക.

AI ഉപയോഗിച്ച് ആശയങ്ങളും വ്യതിയാനങ്ങളും സൃഷ്ടിക്കുന്നു

ഇവിടെയാണ് AI ഏറ്റവും ശക്തമായിരിക്കുന്നത്: ഒരേ ലക്ഷ്യത്തിലേക്കുള്ള വ്യത്യസ്‌ത പാതകൾ സ്വീകരിക്കുന്ന നിരവധി വ്യതിയാനങ്ങൾ സൃഷ്ടിക്കുന്നു.

ശക്തമായ നിർദ്ദേശം (ആശയം/വ്യതിയാനം സൃഷ്ടിക്കൽ): "ഞാൻ ഒരു ഉയർന്ന പ്രോട്ടീൻ ഫ്രൂട്ട് പുഡ്ഡിംഗ് വികസിപ്പിക്കുകയാണ്. ലക്ഷ്യം: 100 ഗ്രാമിന് >=8g പ്രോട്ടീൻ, <=5g ചേർത്ത പഞ്ചസാര, ക്രീം ഘടന, കോൾഡ് ചെയിൻ ഷെൽഫ് ലൈഫ് ~45 ദിവസം. എനിക്ക് 3 വ്യത്യസ്തമായ തന്ത്രങ്ങൾ നിർദ്ദേശിക്കുക (ക്ഷീര ഉൽപ്പന്നങ്ങൾ അടിസ്ഥാനമാക്കിയുള്ള മിശ്രിതം അടിസ്ഥാനമാക്കിയുള്ള തന്ത്രങ്ങൾ). ഓരോ സംഭാവനയ്ക്കും 'ഏത് തുർക്കിഷ് ഫുഡ് കോഡക്‌സ് അറിയിപ്പിൽ നിന്നാണ് സ്ഥിരീകരിക്കുക' എന്ന കുറിപ്പ് ചേർക്കുക.

അപകടസാധ്യതയുള്ള ഭാഗത്ത് (കൃത്യമായ ഡോസ്) തീരുമാനങ്ങൾ എടുക്കുന്നതിനുപകരം, സുരക്ഷിതമായ ഭാഗത്ത് (തന്ത്രവും പ്രവർത്തനവും) നിർമ്മിക്കാൻ ഈ പ്രോംപ്റ്റ് മോഡൽ ആളുകളെ നിർദ്ദേശിക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "8 ഗ്രാം പ്രോട്ടീൻ പുഡ്ഡിംഗ് ഫോർമുല നൽകുക, അനുപാതങ്ങൾ എഴുതുക."-> മോഡൽ 100% കൈവശം വയ്ക്കാത്ത ഒരു ഉറവിടമില്ലാത്ത പട്ടിക നിർമ്മിക്കുന്നു, ഡോസ് നിയമത്തിന് എതിരായിരിക്കാം; നിങ്ങൾക്ക് വെരിഫിക്കേഷൻ പോയിൻ്റ് അറിയില്ല.STRONG: "പുഡ്ഡിംഗിനുള്ള പ്രോട്ടീൻ ഉറവിട തന്ത്രങ്ങളും സംഭാവന പ്രവർത്തനങ്ങളും നിർദ്ദേശിക്കുക. ഡോസിന് പകരം 'കോഡെക്സിൽ നിന്ന് സ്ഥിരീകരിക്കുക', 'പൈലറ്റ് ടെസ്റ്റ് വഴി സ്ഥിരീകരിക്കുക' കുറിപ്പ് എന്നിവ ഇടുക. ആകെ 100% ആകേണ്ട ഒരു ടെംപ്ലേറ്റ് നൽകുക, ഞാൻ അനുപാതങ്ങൾ പൂരിപ്പിക്കും."-> മോഡൽ ഘടനയും ആശയങ്ങളും സൃഷ്ടിക്കുന്നു; തീരുമാനവും കണക്കുകൂട്ടലും ഡോസും നിങ്ങളുടേതാണ്.

അഡിറ്റീവ് ഡോസ് സ്ഥിരീകരണ ശൃംഖല

AI-യുടെ ശുപാർശ ചെയ്യുന്ന പ്രതിരോധ ഡോസ് നിങ്ങൾ എങ്ങനെ പരിശോധിക്കുന്നു എന്നത് ഇതാ:

1. വിഭാഗം നിർണ്ണയം: കോഡെക്സിലെ ഉൽപ്പന്നം ഏത് ഭക്ഷണ വിഭാഗത്തിലാണ്? (ഉദാ. പാൽ മധുരപലഹാരങ്ങൾ.)
2. പരിധി സ്ഥിരീകരണം: ടർക്കിഷ് ഫുഡ് കോഡെക്‌സ് ഫുഡ് അഡിറ്റീവ് റെഗുലേഷനിൽ ആ വിഭാഗത്തിനായുള്ള ആ അഡിറ്റീവിൻ്റെ പരമാവധി പരിധി വായിക്കുക. ഉദാ. പൊട്ടാസ്യം സോർബേറ്റിൻ്റെ വിഭാഗ പരിധി 300 mg/kg ആണെങ്കിൽ (ഊഹിക്കുക) 500 mg/kg എന്ന AI യുടെ ശുപാർശ നിരസിക്കപ്പെടും.
3. പൈലറ്റ് ട്രയൽ: പരിധിക്കുള്ളിൽ ഡോസ് ഉള്ള ചെറിയ ബാച്ച് ഉത്പാദിപ്പിക്കുക; മൈക്രോബയോളജിക്കൽ, സെൻസറി പരിശോധന നടത്തുക.
4. തീരുമാനം: പരിധിക്കുള്ളിൽ വരുന്ന ഡോസ്, പൈലറ്റിൻ്റെ പ്രവർത്തനം പരിശോധിച്ചുറപ്പിച്ച ഡോസ് മാത്രമാണ് കുറിപ്പടിയിലേക്ക് പോകുന്നത്.

മുന്നറിയിപ്പ്: AI ശുപാർശ ചെയ്യുന്ന ഒരു അഡിറ്റീവിൻ്റെ ഡോസ് കോഡെക്‌സ് പരിധിക്ക് താഴെയാണെങ്കിലും, പൈലറ്റ് ടെസ്റ്റിംഗിലൂടെയും ലബോറട്ടറി പരിശോധനയിലൂടെയും ഉൽപ്പന്നത്തിൻ്റെ യഥാർത്ഥ മാട്രിക്‌സിൽ (pH, ജല പ്രവർത്തനം, പ്രോസസ്സിംഗ്) ആ ഡോസ് പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് മനസ്സിലാക്കാൻ മാത്രമേ കഴിയൂ. പരിധി "നിയമ പരിധി" ആണ്; ഇത് "പ്രവർത്തനപരമായി ശരിയായ ഡോസ്" അല്ല.

മിനി കേസ്

സസ്യാധിഷ്ഠിത പാനീയം വികസിപ്പിച്ചുകൊണ്ട്, സ്ഥിരതയ്ക്കായി സ്റ്റെബിലൈസറുകളുടെ സംയോജനത്തിനായി ടീം AI-യോട് ആവശ്യപ്പെട്ടു. മോഡൽ പ്രത്യേക അനുപാതത്തിൽ കാരജീനൻ, ഗം എന്നിവയുടെ മിശ്രിതം നിർദ്ദേശിക്കുകയും "തികഞ്ഞ ക്രീം" വാഗ്ദാനം ചെയ്യുകയും ചെയ്തു. ടീം ആദ്യം സ്പ്രെഡ്ഷീറ്റിൽ ഫോർമുല സജ്ജീകരിച്ചു, ആകെ 100% സൂക്ഷിച്ചു; തുടർന്ന് ഈ പാനീയ വിഭാഗത്തിനുള്ള കോഡെക്സ് കാരജീനൻ പരിധി സ്ഥിരീകരിച്ചു; ശുപാർശ പരിധിക്കുള്ളിലായി. എന്നിരുന്നാലും, പൈലറ്റ് ഉൽപ്പാദനത്തിൽ, UHT ചികിത്സയ്ക്ക് ശേഷം ഉൽപ്പന്ന ഘട്ടം വേർതിരിച്ചു: AI ശുപാർശ ചെയ്യുന്ന അനുപാതം ഉയർന്ന താപനിലയിൽ സ്ഥിരതയുള്ളതല്ല. പൈലറ്റ് ട്രയലിലൂടെ രണ്ടുതവണ അനുപാതം പരിഷ്കരിച്ചാണ് ടീം സ്ഥിരതയുള്ള ഫോർമുല കണ്ടെത്തിയത്. ഉപസംഹാരം: AI ഒരു നല്ല ആരംഭ പോയിൻ്റ് നൽകി, പക്ഷേ പൈലറ്റ് ലൈൻ യഥാർത്ഥ പാചകക്കുറിപ്പ് എഴുതി.

സാധാരണ തെറ്റുകൾ

• AI നൽകിയ ഫോർമുല പട്ടികയുടെ തുക പരിശോധിക്കാതെ 100% ഊഹിക്കുക.
• കോഡെക്‌സ് കാറ്റഗറി പരിധിയിൽ സ്ഥിരീകരിക്കാതെ കുറിപ്പടിയിലേക്ക് അഡിറ്റീവ് ഡോസ് എടുക്കുന്നു.
• "ഫങ്ഷണൽ ശരിയായ ഡോസ്" എന്നതിനായുള്ള നിയമപരമായ പരിധി തെറ്റിദ്ധരിക്കുന്നു; പൈലറ്റ് ട്രയൽ ഒഴിവാക്കുന്നു.
• AI എസ്റ്റിമേറ്റിൽ നിന്ന് പോഷക മൂല്യം എടുക്കുന്നു, ലബോറട്ടറി വിശകലനം ഉപയോഗിച്ച് പരിശോധിക്കുന്നില്ല.
• ചെലവ് കണക്കുകൂട്ടലിൽ, നിലവിലെ അസംസ്കൃത വസ്തുക്കളുടെ വിലയല്ല, AI-യുടെ പ്രവചനം ഉപയോഗിക്കുന്നു.
• ഉൽപ്പന്നത്തിൻ്റെ യഥാർത്ഥ മാട്രിക്സ് (pH, aw, ചൂട് ചികിത്സ) അവഗണിക്കുകയും പേപ്പറിൽ മാത്രം ഫോർമുല വിലയിരുത്തുകയും ചെയ്യുന്നു.
• ഒരൊറ്റ വ്യതിയാനത്തിലേക്ക് പൂട്ടുന്നു; AI സൃഷ്ടിച്ച ഇതരമാർഗങ്ങളെ താരതമ്യം ചെയ്യുന്നില്ല.

ചുരുക്കത്തിൽ

• ഫോർമുലേഷൻ മൂന്ന് നിയന്ത്രണങ്ങളുടെ സന്തുലിതമാണ്: സാങ്കേതിക പ്രവർത്തനം, ചെലവ്, നിയമനിർമ്മാണം.
• മാസ് ബാലൻസ് നിർബന്ധമാണ്: എല്ലാ ശതമാനവും കൃത്യമായി 100% ആയി ചുരുക്കണം; AI ഔട്ട്‌പുട്ടിൽ ഏറ്റവും പതിവായി ലംഘിക്കപ്പെടുന്ന നിയമമാണിത്.
• ആശയങ്ങളും വ്യതിയാനങ്ങളും സൃഷ്ടിക്കുന്നതിൽ AI വളരെ ശക്തമാണ്; കൃത്യമായ ഡോസ് തീരുമാനത്തിനല്ല, തന്ത്രത്തിനും സംഭാവന പ്രവർത്തനത്തിനും ഇത് ഉപയോഗിക്കുക.
• അഡിറ്റീവ് ഡോസ് ആദ്യം കോഡെക്‌സ് വിഭാഗ പരിധി വഴിയും പിന്നീട് പൈലറ്റ്/ലബോറട്ടറി ട്രയൽ വഴിയും പരിശോധിച്ചുറപ്പിക്കുന്നു; നിയമപരമായ പരിധി എന്നത് പ്രവർത്തനപരമായ കൃത്യതയെ അർത്ഥമാക്കുന്നില്ല.
• പോഷകാഹാര മൂല്യങ്ങളും വിലയും സ്ഥിരീകരിക്കുന്നത് യഥാർത്ഥ വിശകലനവും നിലവിലെ വിലയുമാണ്, AI കണക്കുകളല്ല.
• AI നിർദ്ദേശിച്ച ഫോർമുല എല്ലായ്പ്പോഴും ഒരു ഡ്രാഫ്റ്റാണ്; പൈലറ്റ് ലൈനും ലബോറട്ടറിയും യഥാർത്ഥ കുറിപ്പടി എഴുതുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന ഒരു ഭക്ഷ്യ ഉൽപ്പന്നത്തിന് (ഉദാ. ഒരു പ്രോട്ടീൻ ലഘുഭക്ഷണം അല്ലെങ്കിൽ ഫങ്ഷണൽ ഡ്രിങ്ക്) വ്യക്തമായ ടാർഗെറ്റ് സ്പെസിഫിക്കേഷൻ എഴുതുക: 100 ഗ്രാം പ്രോട്ടീൻ, പഞ്ചസാര, ഊർജ്ജ ലക്ഷ്യം, ഷെൽഫ് ലൈഫ്. ഈ ലക്ഷ്യത്തിന് അനുയോജ്യമായ രണ്ട് വ്യത്യസ്ത ഫോർമുലേഷൻ സ്ട്രാറ്റജികൾക്കും അഡിറ്റീവ് ഫംഗ്ഷൻ ലിസ്റ്റുകൾക്കുമായി AI-യോട് ആവശ്യപ്പെടുക; കൃത്യമായ ഡോസ് ചോദിക്കുന്നതിനുപകരം, "കോഡെക്സിൽ നിന്ന് സ്ഥിരീകരിക്കുക", "പൈലറ്റുമായി പരിശോധിച്ചുറപ്പിക്കുക" എന്നീ കുറിപ്പുകൾ ഉണ്ടായിരിക്കണം. തുടർന്ന് രണ്ട് ഡ്രാഫ്റ്റുകൾക്കുമായി ഒരു സ്പ്രെഡ്ഷീറ്റ് സജ്ജമാക്കുക: മൊത്തം ശതമാനം 100% കണക്കാക്കുക, പ്രോട്ടീൻ കണക്കാക്കുക, യൂണിറ്റ് ചെലവ് കണക്കാക്കുക. അവസാനമായി, ടർക്കിഷ് ഫുഡ് കോഡക്‌സിൽ നിന്ന് കുറഞ്ഞത് ഒരു അഡിറ്റീവിനായി സ്ഥിരീകരിക്കേണ്ട പരിധിയും ഈ ഡോസ് സ്ഥിരീകരിക്കാൻ നിങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്ന പൈലറ്റ് ട്രയൽ ഘട്ടങ്ങളും എഴുതുക.