• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Hur artificiell intelligens kan göra vår mat säkrare

    Kredit:Tim Mossholder på Unsplash

    Återkallande av mat skulle kunna vara ett minne blott om artificiell intelligens (AI) används i livsmedelsproduktion, enligt en färsk studie från UBC och University of Guelph.

    Den genomsnittliga kostnaden för ett återkallande av mat på grund av bakteriell eller mikrobiell kontaminering, som E. coli, är 10 miljoner USD enligt studiens medförfattare Dr. Rickey Yada, professor och dekanus vid UBC-fakulteten för mark och livsmedelssystem.

    Vi pratade med Dr. Yada om hur AI kan hjälpa till att optimera de nuvarande systemen som används inom livsmedelsindustrin, och hur det kan bidra till att göra vår livsmedelsförsörjning säkrare.

    Vilka är några av de nuvarande begränsningarna när det gäller livsmedelsbearbetning?

    Den nuvarande utmaningen är att problem med livsmedelssäkerheten tenderar att dyka upp i efterhand när produkterna har skickats, sålts eller i vissa fall redan konsumerats. Detta leder sedan till återkallelser som skadar både ekonomiskt och anseende.

    Det finns för närvarande två sätt att erhålla livsmedelssäkerhetsindikatorer. Den första är att analysera data efter att en livsmedelsprodukt har bearbetats och är en slutprodukt för att se om några problem uppstår (även känd som eftersläpningsfaktorer), och den andra är att samla in data om varningsindikatorer – såsom effektiviteten av en livsmedelssäkerhet träningsövningar – och förutsäga problem som kan uppstå ur det (känd som ledande faktorer).

    Utmaningen med eftersläpande faktorer är att problem bara kan upptäckas efter att livsmedelsprodukten redan har sålts och konsumerats.

    Hur ger AI en lösning som kan förbättra livsmedelssäkerheten?

    Jag tror att kraften med AI och maskininlärning är den förutsägande förmågan; det kan hjälpa livsmedelsindustrin att vidta åtgärder tidigare för att minska förekomsten av livsmedelsburna sjukdomar i sin verksamhet.

    I det här fallet handlar det om att flytta branschen mot ett datadrivet tillvägagångssätt. Att använda AI kan öka precisionen och effektiviteten i livsmedelsbearbetningen och kan vara en förebyggande metod för att hjälpa oss effektivisera processer, vilket i slutändan minskar chanserna för fler bakteriella utbrott i produkter.

    Hur skulle det här se ut i praktiken?

    Om vi ​​optimerar data vi har från nuvarande livsmedelsbearbetningssystem med maskininlärning, kan det kompensera för några av de begränsningar vi möter med att få mat ut genom dörren. För närvarande genererar livsmedelsmaskiner data men då är det ofta upp till människor att ibland tolka dessa data. Till exempel kan en maskins uppgift vara att filtrera bort röda äpplen från gröna äpplen, men i slutet av raden är det upp till en människa att bestämma om det är tillräckligt rött eller inte. Detta kan skapa ineffektivitet i vissa scenarier.

    Tanken är att få maskiner att tänka som den mänskliga hjärnan. Så att de nuvarande felen och ineffektiviteterna från mänsklig intervention – som ibland kan äventyra livsmedelssäkerheten – kan förutsägas av AI och i slutändan minskas eller elimineras.

    En annan lovande applikation är att använda AI för att analysera beteendedata för mänskliga arbetare i bearbetningslinjen. I praktiken kan detta innebära att arbetstagare fyller i en snabb veckoundersökning online om sin arbetsplatskultur. Naturlig språkbehandling skulle sedan användas för att analysera deras svar och skapa ett kvantitativt mått på livsmedelssäkerhetskulturen. Företaget skulle kunna förutsäga sannolikheten för livsmedelssäkerhetsproblem genom att titta på trenderna inom livsmedelssäkerhetskulturen och kombinera dem med andra livsmedelssäkerhetsrelaterade data och vidta lämpliga åtgärder för att minska risken för ett utbrott.

    Skulle detta betyda att människor så småningom kan ersättas av maskiner?

    I det här fallet handlar det om att hitta en datadriven lösning på hur vi kan använda artificiell intelligens för att blanda mänskligt ingripande med maskinintervention. Det är blandningen av båda dessa saker som gör att vi kan ha en starkare prediktiv modell kring livsmedelssäkerhetsfrågor.

    Denna studie publicerades i Trends in Food Science &Technology Journal . + Utforska vidare

    Personlig mat från 3D-skrivaren




    © Vetenskap https://sv.scienceaq.com