A tanulmány társszerzője, Dr. Rickey Yada, az UBC föld- és élelmiszer-rendszerek karának professzora szerint a bakteriális vagy mikrobiális szennyeződés, például az E. coli okozta élelmiszer-visszahívás átlagos költsége 10 millió dollár - írta a TechXplore.
A jelenlegi kihívás az, hogy az élelmiszerbiztonsági problémák általában csak utólag jelentkeznek, miután a termékeket már elszállították, eladták, vagy bizonyos esetekben már elfogyasztották. Ez aztán visszahívásokhoz vezet, amelyek mind gazdaságilag, mind a hírnév szempontjából károsak.
Jelenleg kétféle módon lehet élelmiszerbiztonsági mutatókat szerezni. Az első az adatok elemzése, miután az élelmiszerterméket feldolgozták és végtermékké vált, hogy kiderüljön, felmerülnek-e problémák (más néven késleltetett tényezők), a második pedig a figyelmeztető mutatókra vonatkozó adatok gyűjtése - például az élelmiszerbiztonsági gyakorlatok hatékonysága -, és az ezekből esetleg felmerülő problémák előrejelzése (más néven vezető tényezők). A késleltetett tényezőkkel kapcsolatos kihívás az, hogy a problémákat csak azután lehet észrevenni, hogy az élelmiszerterméket már eladták és elfogyasztották.
"Úgy gondolom, hogy a mesterséges intelligencia és a gépi tanulás ereje az előrejelző képességben rejlik. Segíthet az élelmiszeriparnak abban, hogy korábban tegyen lépéseket az élelmiszer eredetű betegségek előfordulásának csökkentése érdekében" - mondta Yada.
Ebben az esetben arról van szó, hogy az iparágat az adatvezérelt megközelítés irányába kell elmozdítani. A mesterséges intelligencia használata növelheti a pontosságot és a hatékonyságot az élelmiszer-feldolgozásban, és megelőző módszer lehet, amely segíthet a folyamatok racionalizálásában, ami végső soron csökkenti a termékekben előforduló további baktériumos megbetegedések esélyét.
Ha a jelenlegi élelmiszer-feldolgozó rendszerekből származó adatokat gépi tanulással optimalizáljuk, akkor ez ellensúlyozhat néhány korlátot, amellyel az élelmiszerek kijuttatása során szembesülünk - fejtette ki a professzor. Jelenleg az élelmiszer-feldolgozó gépek adatokat generálnak, de aztán gyakran az emberekre hárul az adatok értelmezése. Például egy gép feladata lehet, hogy kiszűrje a piros almát a zöld almák közül, de a sor végén az embernek kell eldöntenie, hogy elég piros-e vagy sem. Ez bizonyos forgatókönyvekben nem hatékony - tette hozzá.
A cél az, hogy a gépek úgy gondolkodjanak, mint az emberi agy. Így az emberi beavatkozásból eredő jelenlegi hibákat és nem hatékony munkavégzést - amelyek időnként veszélyeztethetik az élelmiszerbiztonságot - a mesterséges intelligencia előre jelezheti, és végül csökkentheti vagy megszüntetheti - olvasható az UCB híroldalán.
Egy másik ígéretes alkalmazás Yada szerint a mesterséges intelligencia felhasználása a feldolgozósoron dolgozó emberek viselkedési adatainak elemzésére. A gyakorlatban ez azt jelentheti, hogy a dolgozók hetente egy gyors, online felmérést töltenek ki a munkahelyi kultúrájukról. A természetes nyelvi feldolgozást ezután a válaszok elemzésére és az élelmiszerbiztonsági kultúra mennyiségi mérésére használnák. A vállalat az élelmiszerbiztonsági kultúra tendenciáinak vizsgálatával és az egyéb élelmiszerbiztonsággal kapcsolatos adatokkal való kombinálásával megjósolhatná az élelmiszerbiztonsági problémák valószínűségét, és időben lépéseket tehetne a járványok esélyének csökkentése érdekében.
Ez oda vezethet-e, hogy az embereket idővel gépek válthatják fel? Yada válasza szerint ebben az esetben arról van szó, hogy adatvezérelt megoldást találunk arra, hogy a mesterséges intelligencia segítségével hogyan vegyíthetjük az emberi beavatkozást a gépi beavatkozással. A két dolog keveredése teszi lehetővé, hogy erősebb előrejelző modellünk legyen az élelmiszerbiztonsági kérdésekkel kapcsolatban.
Az erről szóló tanulmány a Trends in Food Science & Technology Journal című folyóiratban jelent meg.
