Inteligența artificială ar putea schimba modul în care sunt urmărite riscurile din lanțul alimentar, de la detectarea mai rapidă a patogenilor până la identificarea fraudei și a contaminării chimice. O revizuire sistematică publicată în npj Science of Food și citată de news-medical.net arată că cercetarea în domeniu a crescut accelerat, iar modelele de machine learning și deep learning sunt testate tot mai des pentru monitorizare predictivă.
AI intră tot mai mult în siguranța alimentară
Analiza a sintetizat 161 de publicații peer-reviewed, inclusiv articole de jurnal și lucrări de conferință, pentru a cartografia modul în care AI este folosită în siguranța alimentară. Potrivit autorilor, direcția generală este clară: sistemele bazate pe date sunt studiate ca instrumente care pot completa testarea de laborator și investigațiile tradiționale, mai ales acolo unde volumele de informații depășesc capacitatea inspecției manuale.
Unde este folosită cel mai des
Cea mai mare parte a literaturii analizate s-a concentrat pe pericolele microbiologice, care au reprezentat 35% din studiile incluse. În această zonă, 59% dintre lucrări au folosit AI pentru a sprijini testarea convențională de laborator. Un exemplu menționat în revizuire combină un senzor de tip „electronic nose” cu algoritmi de clasificare pentru identificarea Salmonella, cu o acuratețe raportată între 85% și 100%.
Un alt studiu a folosit un model random forest pentru a prezice rezultate ale bolii pe baza unor secvențe genetice de Salmonella fără etichetare, obținând o acuratețe de 87%. Astfel de rezultate sugerează că AI poate fi utilă nu doar în confirmarea riscurilor, ci și în trierea mai rapidă a semnalelor care merită investigate mai departe.
Contaminanții chimici au fost al doilea domeniu ca pondere, cu 25% din literatura analizată. Aici, modelele au fost folosite mai ales pentru detectarea nedistructivă a metalelor grele sau a pesticidelor. În paralel, frauda alimentară și autenticitatea produselor au reprezentat 17% din studii, inclusiv aplicații precum scanarea facturilor electronice pentru a semnala furnizori sau producători suspectați.
Supravegherea focarelor și deciziile de reglementare
Revizuirea arată și că AI este testată în supravegherea bolilor transmise prin alimente. Într-un sistem analizat, date anonimizate de căutare și localizare de pe smartphone au fost folosite pentru a identifica locații contaminate, iar metoda s-a dovedit de peste trei ori mai eficientă decât investigațiile tradiționale în acel studiu.
Autorii notează că aceste aplicații pot ajuta la trecerea de la un model reactiv, în care intervenția vine după apariția îmbolnăvirilor, la unul mai predictiv, în care riscurile sunt semnalate mai devreme. În același timp, utilizarea AI în siguranța alimentară nu se limitează la laborator: ea poate sprijini și deciziile de monitorizare, trasabilitate și prioritizare a controalelor.
Creștere rapidă, dar și limite importante
Numărul studiilor dedicate AI în siguranța alimentară a crescut vizibil în ultimul deceniu. Dacă în 2012 exista un singur studiu pe această temă, în 2023 numărul a ajuns la 46, potrivit analizei. Totodată, ponderea lucrărilor care folosesc deep learning a urcat de la 22% în 2019 la 43% în 2023, semn că cercetarea se mută spre modele mai avansate.
Chiar și așa, revizuirea subliniază mai multe obstacole. Una dintre cele mai mari probleme este dezechilibrul sever al datelor: majoritatea seturilor reflectă medii sigure, cu puține cazuri de contaminare, ceea ce face dificilă recunoașterea anomaliilor rare, dar cu risc ridicat. În plus, restricțiile privind confidențialitatea și datele proprietare limitează partajarea deschisă a informațiilor.
Autorii mai arată că performanța modelelor nu a putut fi comparată sistematic între studii, deoarece multe seturi de date au avut puține cazuri pozitive și combinații reduse de predictori. Revizuirea este, de asemenea, limitată la literatura indexată în Scopus, ceea ce poate însemna că unele aplicații comerciale sau industriale nu apar în imaginea de ansamblu.
Ce urmează pentru sector
În concluziile sale, analiza indică două direcții considerate importante pentru viitor: AI explicabilă, care arată mai clar cum iau modelele deciziile, și federated learning, o abordare descentralizată care poate reduce nevoia de a muta date sensibile între organizații. Potrivit autorilor, astfel de instrumente ar putea face monitorizarea alimentară mai transparentă și mai adaptată la riscurile reale.
Pentru consumatori și pentru industria alimentară, mesajul principal este că AI nu înlocuiește controalele clasice, dar poate accelera detectarea problemelor și poate ajuta la prioritizarea intervențiilor. Recomandarea practică: urmărirea calității datelor și a transparenței modelelor rămâne esențială înainte ca aceste sisteme să fie folosite pe scară largă în siguranța alimentară.
