Leveraging AI for fine-grained food safety risk forecasting in sparse data conditions

تخيل عالم سلامة الغذاء كمطبخ ضخم وصاخب تُحضّر فيه ملايين الوجبات كل يوم. الهدف بسيط: التأكد من عدم إصابة أي شخص بالمرض. لكن المشكلة تكمن في أنه لا يمكن فحص كل الأطباق، والمفتشون لا يملكون سوى مصباح يدوي صغير ووقتاً محدوداً. في الماضي، إذا أردت معرفة ما إذا كانت مدينة معينة آمنة، كان عليك الانتظار حتى يمرض شخص ما أو حتى يصادف المفتش تفاحة فاسدة في برميل. هذا يشبه محاولة التنبؤ بالطقس من خلال النظر إلى السماء فقط بعد أن بدأت العاصفة بالفعل. يسمي العلماء هذا "المراقبة التفاعلية". والسؤال الكبير الذي طرحه الباحثون هو: هل يمكننا بناء كرة بلورية تخبرنا بمكان قدوم العاصفة قبل سقوط أول قطرة مطر، حتى عندما لا نملك بيانات كافية للرؤية بوضوح؟ تغوص هذه الورقة البحثية في ذلك السؤال تحديداً، باستخدام نوع من الذكاء الاصطناعي (AI) يعمل مثل محقق فائق الذكاء، يجمع بين الأدلة الصغيرة من الماضي وتلميحات الصورة الكبيرة من الاقتصاد والطقس ليتوقع أين قد تسوء حالة سلامة الغذاء.

قرر الباحثون، بقيادة دونغ تشي وانغ وفريقه، معالجة مشكلة "البيانات الشحيحة" (sparse data)—وهي مجرد طريقة منمقة للقول "لا توجد أرقام كافية لإجراء تخمين جيد". عادةً، إذا فحصت 10 تفاحات فقط في مدينة ووجدت واحدة منها فاسدة، فلا يمكنك التأكد مما إذا كانت البستانة بأكملها متعفنة أم أنك كنت سيئ الحظ فحسب. الرياضيات التقليدية غالباً ما تفشل هنا. ولحل هذه المشكلة، بنى الفريق نموذج ذكاء اصطناعي ضخم يسمى "ترانسفورمر" (Transformer) (وهو نفس نوع العقل الكامن وراء العديد من روبوتات الدردشة الحديثة)، وغذّوه بأكثر من 11 مليون سجل تفتيش من الصين، تمتد من عام 2014. لكنهم لم يتوقفوا عند هذا الحد؛ بل مزجوا أيضاً أدلة إضافية مثل درجة الحرارة، ومقدار دخل الناس، ومستويات التلوث، وعدد السكان في المدينة.

السر الكامن وراء طريقتهم هو خدعة رياضية ذكية تسمى "فترة ويلسون" (Wilson interval). فكر فيها كـ "شبكة أمان" للبيانات. فبدلاً من القول ببساطة "تفاحة واحدة من أصل 10 هي الفاسدة"، تقول فترة ويلسون: "بالنظر إلى أننا فحصنا 10 تفاحات فقط، فإن العدد الحقيقي للتفاح الفاسد يقع على الأرجح بين س و ص". يساعد هذا الذكاء الاصطناعي على فهم أن حجم العينة الصغير يأتي مع الكثير من عدم اليقين، مما يمنعه من الذعر بسبب تفاحة واحدة فاسدة أو تجاهل خطر حقيقي لمجرد أنه لم يرَ عينات كثيرة بعد.

قام الفريق بتدريب ذكائه الاصطناعي عبر ثلاث مراحل خاصة، مثل طالب يتعلم مهارة جديدة. أولاً، تركوا الذكاء الاصطناعي يلعب لعبة حيث يتعين عليه تخمين المستقبل بناءً على الماضي (التعلم الخاضع للإشراف الذاتي). ثم علموه كيفية ترتيب المدن من "الأكثر أماناً" إلى "الأكثر خطورة" بناءً على رياضيات فترة ويلسون. وأخيراً، استخدموا نهجاً "شبه مُشرف عليه"، حيث تعلم الذكاء الاصطناعي كيفية تقديم تخمينات مدروسة حتى في نقاط البيانات الضبابية وغير المؤكدة. وعندما اختبروا هذا النظام على بيانات عام 2022، كانت النتائج مبهرة. لم يقم نموذج الذكاء الاصطناعي بالتخمين فحسب؛ بل تفوق بشكل كبير على النماذج الحاسوبية القياسية الأخرى. لقد تمكن من التنبؤ بالمدن التي ستواجه مخاطر عالية في سلامة الغذاء قبل شهر واحد ببراعة تقترب من 90%، مما سمح له برصد مخاطر حقيقية أكثر بكثير مما حاولت النماذج الأخرى رصده.

لكن الاختبار الحقيقي لم يكن مجرد شاشة حاسوب؛ بل كان في العالم الحقيقي. تعاون الباحثون مع إدارة مراقبة السوق في مقاطعة تشيجيانغ لإجراء تجربة ميدانية في هانغتشو في أكتوبر 2024. قاموا بتقسيم العمل إلى مجموعتين: مجموعة حيث اتخذ المفتشون البشريون قراراتهم بناءً على حدسهم المعتاد، ومجموعة أخرى اتبع فيها المفتشون خريطة الذكاء الاصطناعي. والنتائج؟ وجد الفريق الذي يسترشد بالذكاء الاصطناعي أن 11% من المواد الغذائية غير آمنة، بينما وجد الفريق البشري وحده 9% فقط.

هنا يصبح الأمر مثيراً للاهتمام حقاً. اقترح الذكاء الاصطناعي تخطي "متاجر الأغذية الطازجة" تماماً لأن درجة خطورتها كانت منخفضة جداً. ومع ذلك، كانت الخطة البشرية قد أرسلت المفتشين إلى هناك، ولم يجدوا أي خطأ. لقد وفر الذكاء الاصطناعي الوقت والموارد من خلال التركيز على الأماكن التي تحتاج فعلياً للمساعدة، مثل أسواق المزارعين، والتي حددها الذكاء الاصطناعي بشكل صحيح كأماكن عالية الخطورة. ومع ذلك، وجدت الدراسة أيضاً سمة بشرية: حيث مال المسؤولون إلى التعامل مع درجات خطورة الذكاء الاصطناعي التفصيلية كأنها مفتاح بسيط "نعم/لا". فإذا قال الذكاء الاصطناعي إن مكاناً ما يشكل خطراً، أرسلوا المفتشين؛ وإذا قال إنه "يشكل خطراً نوعاً ما"، فقد يعاملونه بنفس طريقة المكان "عالي الخطورة". تشير الورقة إلى أنه بينما يعد الذكاء الاصطناعي أداة قوية، قد يحتاج البشر إلى تدريب أفضل أو واجهات مستخدم سهلة لتفهم الاختلافات الدقيقة في تنبؤات الذكاء الاصطناعي بشكل كامل.

باخت-صار، تظهر هذه الورقة أنه من خلال الجمع بين كم هائل من البيانات التاريخية وطريقة ذكية للتعامل مع عدم اليقين، يمكننا بناء نظام إنذار مبكر يرصد تهديدات سلامة الغذاء قبل أن تتحول إلى كوارث. إنها ليست عصا سحرية تحل كل شيء فوراً، لكنها تشير إلى أنه مع المزيج الصحيح من الذكاء الاصطناعي والجهد البشري، يمكننا الانتقال من مطاردة المشكلات بعد وقوعها إلى منعها قبل أن تبدأ. تثبت الدراسة أنه حتى عندما تكون البيانات شحيحة أو غير منظمة، يمكن للذكاء الاصطناعي المتقدم العثين على الأنماط التي نحتاجها للحفاظ على سلامة غذائنا.