В статье исследуется влияние качества данных на эффективность моделей машинного обучения на предприятиях хлебопекарной отрасли в условиях больших данных. Актуальность темы обусловлена растущей ролью аналитики данных в оптимизации хлебопекарного производства и необходимостью обеспечения надежности используемых предиктивных моделей. Цель работы - выявить ключевые параметры качества данных, определяющие точность и практическую применимость моделей машинного обучения в хлебопекарной индустрии. В исследовании использован комплекс методов, включающий статистический анализ массивов производственных данных хлебозаводов, экспертные интервью (n=20) и сравнительное тестирование моделей на разных по качеству обучающих выборках. Установлено, что: 1) полнота, точность и согласованность данных являются ключевыми факторами, влияющими на обобщающую способность моделей; 2) использование предобработки данных (очистка, трансформация) позволяет повысить точность предсказаний выхода хлебобулочных изделий в среднем на 10-15%; 3) модели, обученные на качественных данных, демонстрируют втрое более высокую стабильность на тестовой выборке; 4) качество прогнозирования ключевых показателей процесса хлебопечения у адаптивных моделей может превосходить существующие нормативы на 8-12%. Результаты подтверждают критическую значимость управления качеством данных для реализации потенциала машинного обучения в хлебопекарной индустрии. Предложена методика аудита качества технологических данных хлебозаводов, ориентированная на специфику задач моделирования и оптимизации. Дальнейшие исследования связаны с разработкой инфраструктурных и управленческих решений по обеспечению качества данных в условиях цифровизации хлебопекарного производства.
The article examines the impact of data quality on the effectiveness of machine learning models in the bakery industry in the context of big data. The relevance of the topic is due to the growing role of data analytics in optimizing bakery production and the need to ensure the reliability of the predictive models used. The aim of the work is to identify key data quality parameters that determine the accuracy and practical applicability of machine learning models in the baking industry. A set of methods was used in the study, including statistical analysis of arrays of bakery production data, expert interviews (n=20) and comparative testing of models on training samples of different quality. It is established that: 1) completeness, accuracy and consistency of data are key factors affecting the generalizing ability of models; 2) the use of data preprocessing (purification, transformation) allows to increase the accuracy of predictions of the output of bakery products by an average of 10-15%; 3) models trained on high-quality data demonstrate three times higher stability in the test sample; 4) the quality of forecasting key indicators of the baking process in adaptive models can exceed existing standards by 8-12%. The results confirm the critical importance of data quality management for realizing the potential of machine learning in the bakery industry. A methodology for auditing the quality of technological data of bakeries is proposed, focused on the specifics of modeling and optimization tasks. Further research is related to the development of infrastructure and management solutions to ensure data quality in the context of digitalization of bakery production.