Het terugroepen van voedsel zou tot het verleden kunnen behoren als kunstmatige intelligentie (AI) wordt gebruikt bij de voedselproductie, volgens een recente studie van UBC en de Universiteit van Guelph.

Volgens co-auteur Dr. Rickey Yada, professor en decaan van de UBC-faculteit land- en voedselsystemen, bedragen de gemiddelde kosten van het terugroepen van voedsel als gevolg van bacteriële of microbiële besmetting, zoals E. coli, US $ 10 miljoen.

We spraken met Dr. Yada over hoe AI kan helpen bij het optimaliseren van de huidige systemen die worden gebruikt in de voedselverwerkende industrie, en hoe het kan helpen onze voedselvoorziening veiliger te maken.

Wat zijn enkele van de huidige beperkingen als het gaat om voedselverwerking?

De huidige uitdaging is dat problemen met de voedselveiligheid de neiging hebben om pas achteraf te verschijnen zodra de producten zijn verzonden, verkocht of in sommige gevallen al zijn geconsumeerd. Dit leidt vervolgens tot terugroepacties die zowel economisch als reputatieschadelijk zijn.

Er zijn momenteel twee manieren om voedselveiligheidsindicatoren te verkrijgen. De eerste is het analyseren van gegevens nadat een voedingsproduct is verwerkt en is een eindproduct om te zien of er problemen ontstaan ​​(ook bekend als achterblijvende factoren), en de tweede is het verzamelen van gegevens over waarschuwingsindicatoren, zoals de effectiviteit van een voedselveiligheid trainingsoefeningen - en voorspel problemen die daaruit kunnen voortvloeien (bekend als leidende factoren).

De uitdaging met achterblijvende factoren is dat problemen pas worden opgemerkt nadat het voedingsproduct al is verkocht en geconsumeerd.

Hoe biedt AI een oplossing die de voedselveiligheid kan verbeteren?

Ik denk dat de kracht van AI en machine learning het voorspellende vermogen is; het kan de voedingsindustrie helpen om eerder stappen te ondernemen om het optreden van door voedsel overgedragen ziekten in hun activiteiten te verminderen.

In dit geval gaat het om het verschuiven van de industrie naar een datagedreven aanpak. Het gebruik van AI kan de precisie en efficiëntie bij voedselverwerking verhogen en kan een preventieve methode zijn om ons te helpen processen te stroomlijnen, waardoor uiteindelijk de kans op meer bacteriële uitbraken in producten wordt verkleind.

Hoe zou dit er in de praktijk uit zien?

Als we de gegevens die we hebben van de huidige voedselverwerkingssystemen optimaliseren met machinaal leren, kan dit een aantal van de beperkingen compenseren waarmee we worden geconfronteerd bij het de deur uit krijgen van voedsel. Momenteel genereren voedselverwerkende machines gegevens, maar dan is het vaak aan mensen om die gegevens soms te interpreteren. De taak van een machine kan bijvoorbeeld zijn om rode appels uit groene appels te filteren, maar aan het einde van de regel is het aan een mens om te beslissen of het rood genoeg is of niet. Dit kan in sommige scenario's inefficiënties veroorzaken.

Het idee is om machines te laten denken als het menselijk brein. Zodat de huidige fouten en inefficiënties door menselijk ingrijpen - die soms de voedselveiligheid in gevaar kunnen brengen - door AI kunnen worden voorspeld en uiteindelijk kunnen worden verminderd of geëlimineerd.

Een andere veelbelovende toepassing is het gebruik van AI om de gedragsgegevens van menselijke werknemers in de verwerkingslijn te analyseren. In de praktijk zou dit kunnen betekenen dat werknemers een snelle, wekelijkse online enquête over hun werkplekcultuur invullen. Natuurlijke taalverwerking zou dan worden gebruikt om hun antwoorden te analyseren en een kwantitatieve maatstaf voor de voedselveiligheidscultuur te creëren. Het bedrijf kon de kans op voedselveiligheidsproblemen voorspellen door te kijken naar de trends in de voedselveiligheidscultuur en deze te combineren met de andere voedselveiligheidsgerelateerde gegevens, en tijdig stappen te ondernemen om de kans op een uitbraak te verkleinen.

Zou dit betekenen dat mensen uiteindelijk kunnen worden vervangen door machines?

In dit geval gaat het om het vinden van een datagedreven oplossing voor hoe we kunstmatige intelligentie kunnen gebruiken om menselijke interventie te combineren met machine-interventie. Het is de vermenging van beide dingen die ons in staat zal stellen een sterker voorspellend model te hebben rond voedselveiligheidskwesties.

Deze studie is gepubliceerd in het Trends in Food Science &Technology Journal . + Verder verkennen

Gepersonaliseerde eten uit de 3D-printer