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

खाद्य सुरक्षा की दुनिया की कल्पना एक विशाल, हलचल भरी रसोई के रूप में करें जहाँ हर दिन लाखों भोजन तैयार किए जाते हैं। लक्ष्य सरल है: यह सुनिश्चित करना कि कोई बीमार न पड़े। लेकिन यहाँ एक पेंच है—चेक करने के लिए बहुत सारी प्लेटें हैं, और निरीक्षकों के पास केवल एक छोटी टॉर्च और सीमित समय है। अतीत में, यदि आप जानना चाहते थे कि क्या कोई विशिष्ट शहर सुरक्षित था, तो आपको तब तक प्रतीक्षा करनी पड़ती थी जब तक कि कोई बीमार न हो जाए या जब तक कि किसी निरीक्षक को बैरल में एक खराब सेब न मिल जाए। यह तूफान आने के बाद आसमान की ओर देखने जैसा है ताकि मौसम का अनुमान लगाया जा सके। वैज्ञानिक इसे "रिएक्टिव" (प्रतिक्रियात्मक) निगरानी कहते हैं। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं, वह यह है: क्या हम एक ऐसा क्रिस्टल बॉल बना सकते हैं जो हमें पहली बूंद गिरने से पहले ही बता दे कि तूफान आ रहा है, भले ही हमारे पास स्पष्ट रूप से देखने के लिए पर्याप्त डेटा न हो? यह शोध पत्र उसी प्रश्न में गहराई से उतरता है, जो एक ऐसे आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करता है जो एक सुपर-स्मार्ट जासूस की तरह काम करता है, जो अतीत के छोटे संकेतों को अर्थव्यवस्था और मौसम के बड़े संकेतों के साथ जोड़कर यह अनुमान लगाता है कि खाद्य सुरक्षा कहाँ गलत हो सकती है।

शोधकर्ता, डोंगकी वांग और उनकी टीम के नेतृत्व में, "स्पार्स डेटा" (sparse data) की समस्या से निपटने का निर्णय लेते हैं—जो कि केवल "एक अच्छा अनुमान लगाने के लिए पर्याप्त संख्या न होने" का एक फैंसी तरीका है। आमतौर पर, यदि आप एक शहर में केवल 10 सेबों की जांच करते हैं और उनमें से एक खराब मिलता है, तो आप निश्चित नहीं हो सकते कि पूरा बाग सड़ गया है या आप केवल बदकिस्मत थे। पारंपरिक गणित अक्सर यहाँ विफल हो जाता है। इस समस्या को हल करने के लिए, टीम ने एक विशाल AI मॉडल बनाया जिसे ट्रांसफॉर्मर (Transformer) कहा जाता है (वही तरह का दिमाग जो कई आधुनिक चैटबॉट्स के पीछे है) और इसमें 2014 से लेकर चीन के 11 मिलियन से अधिक निरीक्षण रिकॉर्ड डाले। लेकिन वे वहीं नहीं रुके। उन्होंने इसमें तापमान, लोगों की आय, प्रदूषण स्तर और एक शहर में कितने लोग रहते हैं जैसे अतिरिक्त सुराग भी मिला दिए।

उनके तरीके का 'सीक्रेट सॉस' विल्सन इंटरवल (Wilson interval) नामक एक चतुर गणितीय ट्रिक है। इसे डेटा के लिए एक "सुरक्षा जाल" के रूप में समझें। केवल यह कहने के बजाय कि "10 में से 1 सेब खराब है," विल्सन इंटरवल कहता है, "चूंकि हमने केवल 10 सेब देखे हैं, इसलिए वास्तविक खराब सेबों की संख्या X और Y के बीच कहीं होनी चाहिए।" यह AI को यह समझने में मदद करता है कि एक छोटा सैंपल साइज अनिश्चितता के साथ आता है, जिससे यह एक अकेले खराब सेब पर घबराने या केवल इसलिए वास्तविक खतरे को अनदेखा करने से बचता है क्योंकि उसने अभी तक बहुत कम नमूने देखे हैं।

टीम ने तीन विशेष चरणों में अपने AI को प्रशिक्षित किया, जैसे कि कोई छात्र नया कौशल सीख रहा हो। पहले, उन्होंने AI को एक खेल खेलने दिया जहाँ उसे अतीत के आधार पर भविष्य का अनुमान लगाना था (सेल्फ-सुपरवाइज्ड लर्निंग)। फिर, उन्होंने इसे विल्सन इंटरवल गणित के आधार पर शहरों को "सबसे सुरक्षित" से "सबसे जोखिम भरे" के क्रम में रैंक करना सिखाया। अंत में, उन्होंने एक "सेमी-सुपरवाइज्ड" दृष्टिकोण का उपयोग किया, जहाँ AI ने अस्पष्ट और अनिश्चित डेटा बिंदुओं पर भी शिक्षित अनुमान लगाने के लिए सीखा। जब उन्होंने 2022 के डेटा पर इस सिस्टम का परीक्षण किया, तो परिणाम प्रभावशाली थे। AI मॉडल ने केवल अनुमान नहीं लगाया; इसने अन्य मानक कंप्यूटर मॉडलों की तुलना में काफी बेहतर प्रदर्शन किया। यह लगभग 90% की सटीकता के साथ एक महीने पहले भविष्यवाणी करने में सक्षम था कि किन शहरों में खाद्य सुरक्षा के उच्च जोखिम होंगे, और इसने अन्य मॉडलों की तुलना में बहुत अधिक वास्तविक जोखिमों को पकड़ा।

लेकिन असली परीक्षा केवल कंप्यूटर स्क्रीन पर नहीं थी; यह वास्तविक दुनिया में थी। शोधकर्ताओं ने अक्टूबर 2024 में हांग्जो में एक फील्ड प्रयोग चलाने के लिए झेजियांग प्रांतीय बाजार विनियमन प्रशासन के साथ हाथ मिलाया। उन्होंने काम को दो समूहों में विभाजित किया: एक जहाँ मानव निरीक्षकों ने अपनी सामान्य सहज बुद्धि के आधार पर तय किया कि कहाँ देखना है, और दूसरा जहाँ निरीक्षकों ने AI के मानचित्र का पालन किया। परिणाम? AI-निर्देशित टीम ने 11% खाद्य वस्तुओं को असुरक्षित पाया, जबकि मानव-केवल टीम ने केवल 9% पाया।

यहाँ मामला वास्तव में दिलचस्प हो जाता है। AI ने "फ्रेश फूड स्टोर्स" को पूरी तरह से छोड़ने का सुझाव दिया क्योंकि उनका जोखिम स्कोर बहुत कम था। हालाँकि, मानव योजना ने निरीक्षकों को वहाँ भेजा था, और उन्हें वहां कुछ भी गलत नहीं मिला। AI ने उन स्थानों पर ध्यान केंद्रित करके समय और संसाधनों की बचत की जिन्हें वास्तव में मदद की आवश्यकता थी, जैसे कि फार्मर्स मार्केट, जिसे AI ने सही ढंग से उच्च-जोखिम वाला बताया। हालाँकि, अध्ययन में एक मानवीय व्यवहार भी सामने आया: अधिकारी AI के विस्तृत जोखिम स्कोर को एक साधारण "हाँ/नहीं" स्विच की तरह मानते थे। यदि AI ने कहा कि कोई स्थान जोखिम भरा है, तो वे निरीक्षक भेजते थे; यदि AI ने कहा कि वह "थोड़ा जोखिम भरा" है, तो वे अक्सर इसे "बहुत जोखिम भरा" के समान ही मानते थे। शोध पत्र सुझाव देता है कि जबकि AI एक शक्तिशाली उपकरण है, मनुष्यों को AI की भविष्यवाणियों के सूक्ष्म अंतर को पूरी तरह से समझने के लिए बेहतर प्रशिक्षण या उपयोगकर्ता के अनुकूल इंटरफेस की आवश्यकता हो सकती है।

संक्षेप में, यह शोध पत्र दिखाता है कि ऐतिहासिक डेटा के विशाल भंडार को अनिश्चितता को संभालने के एक स्मार्ट तरीके के साथ जोड़कर, हम एक ऐसी प्रारंभिक चेतावनी प्रणाली बना सकते हैं जो आपदा बनने से पहले खाद्य सुरक्षा खतरों को पहचान लेती है। यह कोई जादू की छड़ी नहीं है जो सब कुछ तुरंत हल कर देती है, लेकिन यह सुझाव देती है कि सही मात्रा में AI और मानवीय प्रयास के मिश्रण के साथ, हम समस्याओं के होने के बाद उनका पीछा करने के बजाय उन्हें शुरू होने से पहले रोकने की ओर बढ़ सकते हैं। अध्ययन साबित करता है कि भले ही डेटा कम या अव्यवस्थित हो, उन्नत AI उन पैटर्न को खोज सकता है जिनकी हमें अपने भोजन को सुरक्षित रखने के लिए आवश्यकता है।