В работе изучена возможность применения методов машинного обучения и искусственных нейронных сетей для проектирования продуктов питания на примере пищевых концентратов, в частности гранулированных киселей. Это можно использовать на производстве при возникновении некоторых задач: разработки продукта с заданными свойствами и показателями качества, разработки продукта из имеющегося сырья, разработки продукта для имеющегося оборудования. При проектировании продукта могут возникать задачи трех типов: регрессии (или предсказания), классификации и кластеризации. Задачи регрессии решаются с помощью методов линейной регрессии, полиномиальной регрессии, деревьев и лесов, и их ансамблей; классификации с помощью kNN, деревьев и лесов, линейных классификаторов, наивного Байеса и их ансамблей; задача кластеризации с помощью алгоритмов FOREL, k-means, c-means, связных компонент и других. Использование методов искусственного интеллекта возможно только при наличии данных, описывающих объекты исследования. Такие данные обрабатываются и укомплектовываются в датасеты или наборы данных. В исследовании описываются семь объектов (продукт, сырье, оборудование, рецепт, процесс, экономическая эффективность производства, формирование качества) для которых должно производиться моделирование, какие данные и из каких источников необходимы. В заключении рассмотрены последовательности, в которых следует разрабатывать модели для определенных задач, и составлена принципиальная схема моделирования при проектировании продукта. Точками начала моделирования могут быть объекты: продукт, сырье и оборудование. Они же могут быть промежуточными объектами, наравне с рецептом и процессами. Любая цепь моделирования заканчивается оценкой экономической эффективности производства проектируемого продукта. Этапом обратной связи является проверка формирования качества. Таким образом доказана возможность и последовательность применения методов машинного обучения и искусственных нейронных сетей для проектирования продуктов при моделировании пищевых производств.