Προηγμένες τεχνολογίες στην υπηρεσία της ασφάλειας τροφίμων.
Η Ευρωπαϊκή Αρχή για την Ασφάλεια των Τροφίμων (EFSA) ενισχύει τις δυνατότητές της στον εντοπισμό αναδυόμενων κινδύνων, εστιάζοντας στη χρήση προηγμένων τεχνολογιών. Στο πλαίσιο αυτό, το έργο FFRAUD-ER ανέπτυξε ένα υπολογιστικό μοντέλο ικανό να ανιχνεύει περιστατικά απάτης στα τρόφιμα που μπορεί να οδηγήσουν σε σοβαρούς κινδύνους για τη δημόσια υγεία.
Η πρωτοβουλία αυτή συνδέεται με τη στρατηγική της EFSA για την πρόβλεψη και την περιβαλλοντική σάρωση των κινδύνων στην αλυσίδα εφοδιασμού τροφίμων. Δεδομένου ότι η απάτη στα τρόφιμα αποτελεί έναν από τους βασικούς παράγοντες που επηρεάζουν την ασφάλεια των προϊόντων, η ανάπτυξη τέτοιων εργαλείων μπορεί να συμβάλει στην προληπτική διαχείριση των απειλών σε παγκόσμιο επίπεδο.
Το έργο ξεκίνησε με εκτενή έρευνα για την ανάλυση και την ιεράρχηση πηγών δεδομένων, προκειμένου να εντοπιστούν οι βασικοί παράγοντες της απάτης στα τρόφιμα και οι επιπτώσεις της στην ασφάλεια των καταναλωτών. Η μελέτη βασίστηκε σε ποικίλες πηγές, όπως βάσεις δεδομένων ασφάλειας τροφίμων, επιστημονικές δημοσιεύσεις και πλατφόρμες κοινωνικής δικτύωσης.
Ακολουθήθηκε αυστηρή διαδικασία επισήμανσης και καθαρισμού των δεδομένων, ώστε να εξασφαλιστεί η ακρίβεια και η αξιοπιστία τους. Οι πληροφορίες οργανώθηκαν σε συγκεκριμένες κατηγορίες κινδύνων, διευκολύνοντας την ανάλυση και την ανίχνευση των πιθανών απειλών. Η διαδικασία αυτή πραγματοποιήθηκε από εξειδικευμένους επιστήμονες, ενώ η ακρίβεια των αποτελεσμάτων επαληθεύτηκε από την EFSA, το Κοινό Κέντρο Ερευνών (ΚΚΕρ) και τη Γενική Διεύθυνση Υγείας και Ασφάλειας Τροφίμων (ΓΔ SANTE).
Η συμβολή της τεχνητής νοημοσύνης
Η ανάπτυξη του υπολογιστικού μοντέλου στηρίχθηκε σε σύγχρονες τεχνικές τεχνητής νοημοσύνης, με έμφαση στη βαθιά μάθηση για την επεξεργασία φυσικής γλώσσας (NLP). Μετά από συγκριτική αξιολόγηση διαφορετικών μοντέλων μηχανικής μάθησης, επιλέχθηκε το XLNet, το οποίο παρουσίασε την υψηλότερη απόδοση, εξασφαλίζοντας υψηλή ακρίβεια στην ανάλυση περιστατικών απάτης.
Το μοντέλο εκπαιδεύτηκε με πραγματικά δεδομένα, ενώ παράλληλα πραγματοποιήθηκε επανεκπαίδευση με τη χρήση συνθετικών δεδομένων και τεχνικών επανασημείωσης. Η διαδικασία αυτή βελτίωσε περαιτέρω τις επιδόσεις του, καθιστώντας το ένα αποτελεσματικό εργαλείο για την έγκαιρη ανίχνευση αναδυόμενων κινδύνων.
Το έργο FFRAUD-ER εξετάζει δύο πιθανά σενάρια για την εφαρμογή του μοντέλου. Το πρώτο αφορά μια κεντρική λύση, όπου η EFSA θα διαχειρίζεται το σύστημα μέσω μιας διαδικτυακής εφαρμογής, ενώ το δεύτερο προβλέπει μια αποκεντρωμένη προσέγγιση, όπου οι επιμέρους οργανισμοί θα αξιολογούν ανεξάρτητα τα αποτελέσματα και θα τα κοινοποιούν στην EFSA.
Παράλληλα, η μελέτη ανέδειξε την ανάγκη περαιτέρω βελτίωσης των δεδομένων, τόσο ως προς την ποιότητα όσο και ως προς την ιστορική τους κάλυψη, ώστε να ενισχυθεί η ακρίβεια των προβλέψεων. Η αποτελεσματικότητα του μοντέλου θα ενισχυθεί ακόμη περισσότερο εάν συνδυαστεί με άλλες αναλυτικές τεχνικές, όπως στατιστικές μέθοδοι πρόβλεψης και μοντέλα ανάλυσης τάσεων.
