پژوهش های جدید نشان میدهد: هوش مصنوعی میتواند با تحلیل حجم گستردهای از دادهها، شناسایی عوامل بیماریزا، مواد شیمیایی آلاینده، تقلب در مواد غذایی و حتی ردیابی شیوع بیماریهای ناشی از غذا را سریعتر و دقیقتر کند. نتایج این مطالعه که در نشریه npj Science of Food منتشر شده، بر پایه بررسی ۱۶۱ مقاله علمی و مطالعات داوریشده درباره کاربرد هوش مصنوعی در ایمنی مواد غذایی به دست آمده است.
به گزارش سیناپرس، ایمنی مواد غذایی یکی از چالشهای مهم سلامت عمومی و امنیت غذایی در جهان است. در روشهای سنتی، معمولاً نمونههای غذایی پس از تولید آزمایش میشوند یا پس از بروز بیماری و مسمومیت، منشأ آلودگی مورد بررسی قرار میگیرد. اما حجم بالای اطلاعات تولیدشده در زنجیرههای مدرن تأمین غذا، استفاده از روشهای دستی و سنتی را دشوار کرده است.
از شناسایی سالمونلا تا کشف تقلب غذایی
بررسی پژوهشگران نشان داد: بیشترین سهم مطالعات هوش مصنوعی در حوزه خطرات میکروبی بوده است؛ بهطوریکه ۳۵ درصد مطالعات بررسیشده به این حوزه اختصاص داشت.در برخی پژوهشها، الگوریتمهای هوش مصنوعی در کنار حسگرهای موسوم به «بینی الکترونیکی» برای شناسایی باکتری سالمونلا به کار گرفته شدند و در یک مطالعه، دقت شناسایی به ۸۵ تا ۱۰۰ درصد رسید.
در پژوهشی دیگر نیز یک مدل «جنگل تصادفی» توانست بر اساس اطلاعات ژنتیکی سالمونلا، برخی پیامدهای بیماری را با دقت ۸۷ درصد پیشبینی کند.
شناسایی آلایندههای شیمیایی بدون آسیب به مواد غذایی
پس از عوامل میکروبی، آلایندههای شیمیایی با سهم ۲۵ درصدی، دومین حوزه مهم مطالعات بودند. در این بخش، هوش مصنوعی برای شناسایی موادی مانند فلزات سنگین و آفتکشها مورد استفاده قرار گرفته است.یکی از مزیتهای این رویکرد، امکان استفاده از روشهای غیرمخرب برای بررسی مواد غذایی است؛ یعنی در برخی موارد میتوان آلودگی را بدون آسیب زدن به نمونه شناسایی کرد.
هوش مصنوعی در مقابله با تقلب غذایی
حدود ۱۷ درصد مطالعات بررسیشده نیز به اصالت مواد غذایی و مقابله با تقلب اختصاص داشت.
یکی از کاربردهای مورد توجه، تحلیل دادههای تجاری و اسناد الکترونیکی برای شناسایی الگوهای مشکوک در زنجیره تأمین است. چنین سامانههایی میتوانند به شناسایی تولیدکنندگان یا عرضهکنندگان پرخطر و موارد احتمالی تقلب کمک کنند.
هوش مصنوعی همچنین میتواند با ترکیب دادههای مختلف، الگوهایی را شناسایی کند که ممکن است در بررسیهای انسانی بهراحتی قابل مشاهده نباشند.
ردیابی سریعتر شیوع بیماریهای غذایی
یکی دیگر از کاربردهای مهم، استفاده از هوش مصنوعی در پایش شیوع بیماریهای ناشی از مواد غذایی است.
در یکی از مطالعات بررسیشده، دادههای ناشناس مربوط به جستوجوهای اینترنتی و موقعیت مکانی تلفنهای هوشمند برای شناسایی مکانهای احتمالی مرتبط با آلودگی غذایی مورد استفاده قرار گرفت. این سامانه در آن مطالعه بیش از سه برابر مؤثرتر از روشهای سنتی تحقیقات عمل کرد.
این یافته نشان میدهد هوش مصنوعی میتواند با ترکیب دادههای به ظاهر نامرتبط، نشانههای اولیه یک بحران بهداشتی را پیش از آنکه ابعاد آن گسترده شود، شناسایی کند.
رشد سریع یادگیری عمیق
بررسی مطالعات همچنین نشان داد استفاده از یادگیری عمیق در تحقیقات ایمنی مواد غذایی بهسرعت افزایش یافته است. سهم مطالعاتی که از این روش استفاده میکردند، از ۲۲ درصد در سال ۲۰۱۹ به ۴۳ درصد در سال ۲۰۲۳ رسید.
رشد این فناوری با افزایش حجم دادههای تولیدشده در زنجیره غذایی ارتباط دارد؛ دادههایی که میتوانند از آزمایشهای آزمایشگاهی، حسگرها، اطلاعات ژنتیکی، سوابق تولید، زنجیره تأمین و حتی دادههای رفتاری کاربران به دست آیند.
یک مانع مهم؛ کمبود داده درباره موارد خطرناک
با وجود این ظرفیتها، پژوهشگران تأکید میکنند که هوش مصنوعی هنوز با چالشهای جدی روبهرو است.یکی از مهمترین مشکلات، عدم توازن دادهها است. بیشتر دادههای مربوط به مواد غذایی مربوط به نمونههای سالم و کمخطر است، در حالی که موارد آلودگی شدید و بیماریزا بسیار نادرتر هستند. در نتیجه، ممکن است یک الگوریتم در تشخیص شرایط عادی عملکرد خوبی داشته باشد اما در شناسایی موارد نادر و خطرناک با مشکل مواجه شود.
محدودیت دسترسی به دادهها و نگرانیهای مربوط به حریم خصوصی و اطلاعات تجاری نیز مانع دیگری بر سر راه توسعه مدلهای دقیقتر است.
از سوی دیگر، به دلیل تفاوت در دادهها و روشهای مورد استفاده در مطالعات مختلف، امکان مقایسه مستقیم عملکرد بسیاری از مدلهای هوش مصنوعی با یکدیگر وجود ندارد.
پژوهشگران معتقدند آینده ایمنی مواد غذایی به سمت سامانههایی حرکت خواهد کرد که به جای انتظار برای وقوع آلودگی یا شیوع بیماری، خطر را پیش از وقوع یا در مراحل اولیه شناسایی کنند.در این مسیر، فناوریهایی مانند هوش مصنوعی توضیحپذیر میتوانند اهمیت زیادی داشته باشند؛ زیرا به کارشناسان اجازه میدهند بفهمند یک مدل هوش مصنوعی چرا یک ماده غذایی، تولیدکننده یا منطقه را پرخطر تشخیص داده است.
همچنین «یادگیری فدرال» میتواند امکان آموزش مدلهای هوش مصنوعی بر روی دادههای پراکنده سازمانها را بدون نیاز به انتقال مستقیم اطلاعات حساس فراهم کند.در مجموع، یافتههای این بررسی نشان میدهد هوش مصنوعی هنوز جایگزین آزمایشهای تخصصی و نظارت انسانی نیست، اما میتواند به ابزاری مهم برای شناسایی سریعتر آلودگی، کشف تقلب، پیشبینی خطر و ردیابی شیوع بیماریهای غذایی تبدیل شود.
مسیر آینده ایمنی مواد غذایی ممکن است از یک نظام عمدتاً واکنشی به سمت نظامی پیشبینانهتر حرکت کند؛ نظامی که در آن دادهها و الگوریتمهای هوشمند، پیش از آنکه یک تهدید غذایی به بحران سلامت عمومی تبدیل شود، زنگ خطر را به صدا درمیآورند.
گزارش:ندااظهری