Inteligența artificială accelerează detectarea patogenilor, fraudelor și contaminărilor în sistemele alimentare
Un nou studiu arată cum inteligența artificială transformă cercetarea în domeniul siguranței alimentare, facilitând monitorizarea mai rapidă și mai predictivă.
Recent, o revizuire sistematică publicată în jurnalul npj Science of Food a sintetizat rezultatele din 161 de publicații revizuite de colegi, incluzând articole de jurnal și lucrări de conferință, pentru a evidenția creșterea rapidă a cercetării în domeniul inteligenței artificiale (IA) aplicate siguranței alimentare. Analiza a explorat modul în care algoritmii de învățare automată (ML) și învățare profundă (DL) sunt din ce în ce mai utilizați pentru a sprijini testarea și analiza în laboratoare. Aceste modele sunt acum folosite pentru a prezice contaminarea chimică și pentru a ajuta la urmărirea focarelor de boli transmise prin alimente, îmbunătățind astfel siguranța și eficiența lanțurilor globale de aprovizionare cu alimente.
Constatările revizuirii documentează o creștere rapidă a cercetării în domeniul IA și utilizarea raportată în studiile publicate despre siguranța alimentară, împreună cu o schimbare spre modele avansate de învățare profundă. În cele din urmă, revizuirea subliniază potențialul IA de a sprijini proactiv sisteme agro-alimentare globale mai sigure și mai reziliente și de a întări luarea deciziilor în domeniul siguranței alimentare.
Asigurarea siguranței alimentare reprezintă o provocare globală majoră, cu repercusiuni asupra sănătății publice, stabilității economice și securității alimentare. În mod tradițional, protejarea alimentelor destinate consumului uman s-a bazat în mare parte pe măsuri reactive: testarea probelor de alimente după producție sau investigarea focarelor după ce consumatorii s-au îmbolnăvit.
Cu toate acestea, rețelele moderne agro-alimentare generează volume de date pe care metodele tradiționale de inspecție manuală nu le pot procesa eficient. Pentru a depăși această limitare convențională și a asigura o aprovizionare alimentară sigură și validată, experții se îndreaptă tot mai mult către inteligența artificială.
Deși statisticile clasice au monitorizat de mult riscurile, IA introduce instrumente precum învățarea automată, care extrage caracteristici din date pentru a prezice rezultate, și învățarea profundă, care interpretează automat seturi brute de date. Recenta creștere a interesului pentru utilizarea IA în știința alimentară este cel mai bine exemplificată prin numărul de studii revizuite de colegi publicate anual. În 2012, doar un studiu se concentra pe aplicația IA în siguranța alimentară; până în 2023, acest număr crescuse la 46. Totuși, până acum, o hartă globală coerentă care să contureze exact modul în care acești algoritmi sunt studiați și aplicați în cercetarea siguranței alimentare a lipsit.
Revizuirea de față a avut ca scop sintetizarea acestui peisaj științific în expansiune și furnizarea unei direcții pentru cercetările viitoare în domeniu. Revizuirea a selectat inițial 783 de publicații candidate din baza de date SCOPUS. Pentru a eficientiza procesul de selectare, revizuirea a utilizat un instrument software de învățare activă numit „ASReview”. ASReview este un instrument ML care clasifică secvențial lucrările pe baza relevanței prezise. Este demn de menționat că acest instrument ML a reușit să îmbunătățească selecția cu fiecare aport al cercetătorului. Folosind ASReview, cercetătorii au evaluat 434 de înregistrări la nivel de titlu și rezumat înainte de a efectua o evaluare completă a textului.
După evaluarea completă a textului, au fost selectate pentru analiza finală 161 de articole de cercetare de bază și lucrări de conferință revizuite de colegi, publicate până în aprilie 2024. Aceste publicații au fost clasificate în funcție de domeniul de cercetare, contextul de implementare, metodele de colectare a datelor, alte metodologii și arhitectura specifică a IA utilizată.
Revizuirea a clasificat studiile pe domenii de cercetare, incluzând riscurile microbiologice, contaminanții chimici, autenticitatea alimentelor, supravegherea focarelor de boli transmise prin alimente și probleme mai generale de siguranță alimentară.
Analizele revizuirii au relevat că IA este concentrată în mod semnificativ în anumite sectoare, riscurile microbiologice având o pondere de 35% în literatura revizuită. În cadrul microbiologiei, 59% dintre studii au folosit IA pentru a completa testarea de laborator convențională. De exemplu, un studiu a combinat un senzor „nas electronic” cu algoritmi de clasificare pentru a identifica Salmonella, atingând o precizie între 85% și 100%. În altul, un model de pădure aleatoare a prezis punctele finale ale bolii din secvențele genetice neetichetate de Salmonella cu o precizie de 87%.
După riscurile microbiologice, contaminanții chimici au fost următorul domeniu de cercetare cel mai comun, reprezentând 25% din literatura revizuită. Aici, IA a fost utilizată predominant pentru a detecta metale grele sau pesticide într-un mod non-distructiv. Frauda alimentară și autenticitatea au reprezentat 17% din lucrări, evidențiind aplicații precum scanarea facturilor electronice pentru a marca producătorii de ulei suspectați. Separat, aplicarea IA în supravegherea bolilor a demonstrat, de asemenea, avantaje potențiale față de metodologiile convenționale. Un sistem a folosit date de căutare și locație de pe smartphone-uri, anonimizate, pentru a identifica locațiile contaminate, dovedindu-se de peste 3 ori mai eficient decât investigațiile tradiționale în acel studiu.
În cele din urmă, revizuirea a relevat o creștere semnificativă a utilizării algoritmilor de învățare profundă în cercetarea recentă, de la 22% dintre lucrări în 2019 la 43% până în 2023.
Revizuirea actuală subliniază că, deși IA promite îmbunătățiri în monitorizarea alimentelor, există obstacole semnificative care trebuie depășite înainte ca potențialul său să poată fi pe deplin realizat. Principalul dintre acestea este un sever dezechilibru de clasă, deoarece majoritatea datelor despre siguranța alimentară reflectă medii sigure, cu contaminare redusă, făcând dificilă pentru algoritmi recunoașterea anomaliilor rare, dar cu risc ridicat. În plus, restricțiile de confidențialitate a datelor și cele de proprietate împiedică adesea partajarea deschisă a datelor.
Autorii au mai notat că performanța modelului nu a putut fi comparată sistematic între studii, deoarece multe seturi de date conțineau puține cazuri pozitive și combinații rare de predictori. În plus, revizuirea a fost limitată la literatura indexată în SCOPUS și ar putea subreprezenta aplicațiile comerciale sau de producție, unde constatările nu sunt publicate în reviste revizuite de colegi.
Privind înainte, autorii subliniază că soluțiile emergente, cum ar fi IA explicabilă, care demistifică modul în care modelele iau decizii, și învățarea federativă descentralizată vor fi vitale. Adoptarea acestor inovații ar putea ajuta la transformarea siguranței alimentare dintr-un sistem în mare parte reactiv într-un sistem de monitorizare mai predictiv, transparent și
