Ένα εργαλείο πληροφορικής ανάλυσης κινδύνου βάσει πληροφοριών, που προστατεύει τα ευρωπαϊκά συστήματα τροφίμων.
Ελαιόλαδο που στην πραγματικότητα είναι μείγμα διάφορων μαγειρικών ελαίων, μέλι νοθευμένο με ζάχαρη, ιαπωνική τσιπούρα για… φαγκρί, γαλακτοκομικά με καυστική σόδα, χρήση θειωδών στο κρέας, χαβιάρι που δεν είναι χαβιάρι και παράνομη φέτα είναι μόνο μερικά από τα περιστατικά απάτης τροφίμων στην διατροφική αλυσίδα της Ευρώπης.
Με μία νέα έκθεση, το Κοινό Κέντρο Ερευνών της Ευρωπαϊκής Επιτροπής (ΚΚΕρ) προτείνει να ενισχυθεί η ακεραιότητα του συστήματος τροφίμων της ΕΕ, ενσωματώνοντας τεχνολογίες ιχνηλασιμότητας αιχμής, ψηφιακές καινοτομίες και συστήματα γνησιότητας στα υπάρχοντα πρότυπα ασφάλειας.
Ένας σημαντικός όγκος δεδομένων για την τροφική αλυσίδα είναι ήδη προσβάσιμος σε ευρωπαϊκό και διεθνές επίπεδο, επιτρέποντας μια στροφή προς μια ψηφιακή προσέγγιση βασισμένη στον κίνδυνο για τη διαφύλαξη του συστήματος τροφίμων. Ωστόσο, αυτά τα δεδομένα είναι διασκορπισμένα σε διάφορες επιχειρήσεις τροφίμων, στις αρμόδιες αρχές των κρατών μελών και στις υπηρεσίες της Επιτροπής, και τα σύνολα δεδομένων δεν είναι πάντα διαλειτουργικά. Η Ευρωπαϊκή Επιτροπή θα μπορούσε να αξιοποιήσει τους εσωτερικούς της πόρους, ως υπάρχουσες βάσεις δεδομένων, πηγές πληροφοριών και ψηφιακά εργαλεία, για να συγκεντρώσει σχετικές πληροφορίες για την τροφική αλυσίδα.
Η προστασία του ευρωπαϊκού συστήματος(ων) τροφίμων απαιτεί ολιστική προσέγγιση με την αντιμετώπιση του προβλήματος με προηγμένα ψηφιακά εργαλεία. Τα ψηφιακά εργαλεία που προτείνονται στην παρούσα έκθεση θα αναβαθμίσουν την καταπολέμηση της απάτης στα τρόφιμα και των ζητημάτων ασφάλειας τροφίμων, παρέχοντας παράλληλα μια καλύτερη επισκόπηση των ευρωπαϊκών αλυσίδων εφοδιασμού τροφίμων και των τρωτών σημείων τους. Η έκθεση συνιστά την παροχή κινήτρων για την ανταλλαγή δεδομένων ακεραιότητας τροφίμων μεταξύ των αρμόδιων αρχών των κρατών μελών και της Ευρωπαϊκής Επιτροπής, τη δημιουργία εταιρικής σχέσης δημόσιου-ιδιωτικού τομέα για τη μετάβαση της αλυσίδας εφοδιασμού στην ψηφιακή ιχνηλασιμότητα και την ανάπτυξη ενός συστήματος πρόβλεψης ανάλυσης βάσει τεχνητής νοημοσύνης για την υποστήριξη στόχευσης δραστηριοτήτων ελέγχου για την προμήθεια αλυσίδες όπου είναι πιο πιθανή η απάτη. Προτείνει επίσης ένα έργο για την αξιολόγηση των τρωτών σημείων της εφοδιαστικής αλυσίδας.
Η έκθεση συνιστά:
– να εκπαιδεύσει ένα μοντέλο μηχανικής μάθησης με ένα σύνολο δεδομένων ιστορικών περιπτώσεων απάτης που παρέχονται από την Υπηρεσία Τροφίμων της ΕΕ Fraud Network για την αξιολόγηση της σκοπιμότητας της χρήσης προγνωστικής ανάλυσης για τον εντοπισμό περιπτώσεων που είναι ύποπτες για απάτη με τρόφιμα,
– να ενθαρρυνθούν οι αρμόδιες αρχές των κρατών μελών να κοινοποιούν όλες τις περιπτώσεις απάτης στα τρόφιμα που εντοπίζονται από εφαρμογή του άρθρου 9 παράγραφος 2 του κανονισμού για τους επίσημους ελέγχους στο δίκτυο της ΕΕ για την απάτη στα τρόφιμα, χρησιμοποιώντας το κατάλληλο κανάλι iRASFF,
– να παρακινήσει και να ενθαρρύνει τη βιομηχανία τροφίμων να μοιράζεται δεδομένα και πληροφορίες σχετικά με την απάτη στα τρόφιμα, μέσω ενός ανεξάρτητου φορέα δεδομένων που διαχειρίζεται και ρυθμίζει την ανταλλαγή δεδομένων μεταξύ μεταξύ των μελών της βιομηχανίας και των αρμόδιων αρχών,
– να δημιουργηθεί μια σύμπραξη δημόσιου και ιδιωτικού τομέα για να ενθαρρυνθούν και να δοθούν κίνητρα στις επιχειρήσεις τροφίμων για τη μετάβαση σε ολοκληρωμένα ψηφιακά συστήματα ιχνηλασιμότητας που είναι διαλειτουργικά και επιτρέπουν την κοινή χρήση των δεδομένων ιχνηλασιμότητας, εφόσον ζητηθεί από τις αρμόδιες αρχές,
– να δημιουργηθεί ένας σαφώς καθορισμένος τεχνολογικός οδικός χάρτης για τη δημιουργία ενός συστήματος πληροφορικής τεχνητής νοημοσύνης (ΤΝ) για την ακεραιότητα των τροφίμων που ενσωματώνει τη συγκέντρωση δεδομένων και με τη συμμετοχή εμπειρογνωμόνων από τις υπηρεσίες της Ευρωπαϊκής Επιτροπής
– να ξεκινήσει ένα έργο με στόχο την κατασκευή γενικών χαρτών της αλυσίδας εφοδιασμού για έναν επιλεγμένο αριθμό τρόφιμων/συστατικών όπου τα ιστορικά δεδομένα εμφάνισης απάτης υποδεικνύουν αυξημένο κίνδυνο, να αξιολογηθεί η τρωτότητά τους και να εντοπιστούν τα κρίσιμα σημεία στην αλυσίδα (κρίσιμα σημεία ελέγχου ανάλυσης τρωτότητας).
