Νέα μελέτη αξιολογεί τη συμβολή προηγμένων μοντέλων ΤΝ στην πρόβλεψη κινδύνων για την ασφάλεια τροφίμων.
Η διαχείριση της ασφάλειας τροφίμων στην Ευρωπαϊκή Ένωση εισέρχεται σε μια νέα εποχή, καθώς η τεχνητή νοημοσύνη (ΤΝ) αξιοποιείται πλέον για την πρόβλεψη και ανάλυση κινδύνων. Μια πρόσφατη μελέτη, δημοσιευμένη στο επιστημονικό περιοδικό Food and Bioprocess Technology, αποκαλύπτει τη δυναμική των μεθόδων ΤΝ στη βελτίωση της ακρίβειας και της αξιοπιστίας των προβλέψεων για την ασφάλεια των τροφίμων.
Η ερευνητική ομάδα από το Πανεπιστήμιο του Πόρτσμουθ και το Ινστιτούτο Επιστήμης και Τεχνολογίας Τροφίμων (IFST) χρησιμοποίησε δεδομένα από το Σύστημα Έγκαιρης Προειδοποίησης για Τρόφιμα και Ζωοτροφές της ΕΕ (RASFF), το οποίο περιλαμβάνει πάνω από 61.000 καταγραφές περιστατικών ασφάλειας τροφίμων. Το RASFF αποτελεί κρίσιμο εργαλείο για την άμεση ανταλλαγή πληροφοριών μεταξύ των κρατών-μελών και την ταχεία αντίδραση σε απειλές για τη δημόσια υγεία.
Στόχος της μελέτης ήταν η ανάπτυξη ενός εξελιγμένου συστήματος πρόβλεψης που θα υποστηρίζει τις αρχές στη διαχείριση κινδύνων, μειώνοντας την αβεβαιότητα και ενισχύοντας την τεκμηρίωση των αποφάσεων. Οι ερευνητές ανέπτυξαν και δοκίμασαν μοντέλα που βασίζονται σε μετασχηματιστές όπως τα BERT και RoBERTa, τα οποία ξεπέρασαν σε απόδοση τις παραδοσιακές μεθόδους μηχανικής μάθησης και βαθιάς μάθησης, κυρίως λόγω της ικανότητάς τους να χειρίζονται περίπλοκα, υψηλής διάστασης δεδομένα κειμένου.
Μέσω τεχνικών εξηγήσιμης ΤΝ (XAI), όπως οι μέθοδοι SHAP, εντοπίστηκαν κρίσιμα χαρακτηριστικά που συνδέονται με σοβαρούς κινδύνους, μεταξύ αυτών, η παρουσία σαλμονέλας, Listeria monocytogenes, αφλατοξινών και βαρέων μετάλλων. Αυτές οι γνώσεις είναι ανεκτίμητες για τις ρυθμιστικές αρχές, ενισχύοντας τη διαφάνεια και την εμπιστοσύνη σε αυτοματοποιημένα εργαλεία.
Η μελέτη τόνισε επίσης τον ρόλο του εμπλουτισμού δεδομένων για τη βελτίωση της ακρίβειας και της γενικευσιμότητας των μοντέλων, ειδικά σε κατηγορίες που ήταν υποεκπροσωπούμενες στο αρχικό σύνολο δεδομένων. Ο εμπλουτισμός αποκάλυψε επιπλέον παραμέτρους κρίσιμες για την πρόβλεψη, όπως η βοτουλινική τοξίνη, ενισχύοντας σημαντικά τη λειτουργικότητα των συστημάτων ΤΝ.
Ωστόσο, η μελέτη δεν παραβλέπει τα εμπόδια. Η υπολογιστική πολυπλοκότητα των μοντέλων BERT και RoBERTa απαιτεί σημαντικούς πόρους, γεγονός που καθιστά την ευρεία εφαρμογή τους δύσκολη σε περιβάλλοντα με περιορισμένες δυνατότητες. Παράλληλα, η προτίμηση ρυθμιστικών φορέων για πιο «διαφανή» μοντέλα και τα νομικά εμπόδια από τη διαφοροποίηση δεδομένων ανά χώρα αποτελούν επιπλέον προκλήσεις.
Οι ερευνητές υποστηρίζουν ότι το μέλλον της ασφάλειας τροφίμων περνά μέσα από την επέκταση της χρήσης ΤΝ, με έμφαση στην ενσωμάτωση γεωγραφικών δεδομένων, πληροφοριών εφοδιαστικής αλυσίδας και διαχρονικών τάσεων. Η παρακολούθηση σε πραγματικό χρόνο, μέσω ροών δεδομένων, θεωρείται η επόμενη κατεύθυνση για τη δυναμική και προληπτική διαχείριση κινδύνων.
