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

Stel je de wereld van voedselveiligheid voor als een enorme, bruisende keuken waar elke dag miljoenen maaltijden worden bereid. Het doel is simpel: ervoor zorgen dat niemand ziek wordt. Maar hier is de crux: er zijn te veel borden om te controleren, en de inspecteurs hebben slechts een klein zaklampje en een beperkte hoeveelheid tijd. In het verleden, als je wilde weten of een specifieke stad veilig was, moest je wachten tot iemand ziek werd of totdat een inspecteur toevallig een slechte appel uit een vat had gepakt. Dit is als proberen het weer te voorspellen door pas naar de lucht te kijken nadat de storm al is begonnen. Wetenschappers noemen dit "reactieve" monitoring. De grote vraag die onderzoekers hebben gesteld is: Kunnen we een kristallen bol bouwen die ons vertelt waar de storm aan komt vallen vóór de eerste druppel regen valt, zelfs wanneer we niet genoeg data hebben om duidelijk te zien? Dit artikel duikt in die exacte vraag, door gebruik te maken van een type kunstmatige intelligentie (AI) dat fungeert als een super slimme detective, waarbij kleine aanwijzingen uit het verleden combineert met grote trends uit de economie en het weer om te raden waar het met het voedsel mis kan gaan.

De onderzoekers, onder leiding van Dongqi Wang en zijn team, besloten het probleem van "sparse data" aan te pakken—wat gewoon een chique manier is om te zeggen: "niet genoeg getallen om een goede gok te maken." Normaal gesproken, als je slechts 10 appels in een stad controleert en er één slechte vindt, kun je er niet zeker van zijn of de hele boomgaard rot is of dat je gewoon pech had. Traditionele wiskunde faalt hier vaak. Om dit op te lossen, bouwde het team een massaal AI-model genaamd een Transformer (hetzelfde soort brein achter veel moderne chatbots) en voedde het met meer dan 11 miljoen inspectiegegevens uit China, die teruggaan tot 2014. Maar ze stopten daar niet. Ze voegden ook extra aanwijzingen toe zoals temperatuur, hoeveel geld mensen verdienen, vervuilingsniveaus en hoeveel mensen er in een stad wonen.

Het geheime ingrediënt van hun methode is een slimme wiskundige truc genaamd de Wilson-interval. Denk aan dit als een "vangnet" voor de data. In plaats van alleen te zeggen "1 op de 10 appels is slecht," zegt de Wilson-interval: "Gezien het feit dat we slechts 10 appels hebben gecontroleerd, ligt het werkelijke aantal slechte appels waarschijnlijk ergens tussen X en Y." Dit helpt de AI te begrijpen dat een kleine steekproef gepaard gaat met veel onzekerheid, waardoor het niet paniekt over één enkele slechte appel of een echt gevaar negeert simpelweg omdat het nog niet veel monsters heeft gezien.

Het team trainde hun AI in drie speciale fasen, zoals een student die een nieuwe vaardigheid leert. Eerst lieten ze de AI een spel spelen waarbij het de toekomst moest raden op basis van het verleden (self-supervised learning). Daarna leerden ze de AI om steden te rangschikken van "veiligst" naar "risicovolst" op basis van de Wilson-interval wiskunde. Ten slotte gebruikten ze een "semi-supervised" benadering, waarbij de AI leerde om geïnformeerde gokken te doen, zelfs bij de wazige, onzekere datapunten. Toen ze dit systeem testten op data uit 2022, waren de resultaten indrukwekkend. Het AI-model raadde niet alleen; het presteerde aanzienlijk beter dan andere standaard computermodellen. Het slaagde erin om met een nauwkeurigheid van bijna 90% te voorspellen welke steden een hoog voedselveiligheidsrisico zouden hebben, één maand van tevoren, en ving veel meer echte risico's op dan de andere modellen probeerden te vinden.

Maar de echte test was niet alleen op een computerscherm; het was in de echte wereld. De onderzoekers werkten samen met de Zhejiang Provincial Administration for Market Regulation om in oktober 2024 een veldexperiment uit te voeren in Hangzhou. Ze verdeelden de taak in twee groepen: één groep waar menselijke inspecteurs beslisten waar ze naar moesten kijken op basis van hun gebruikelijke intuïtie, en een andere groep waar de inspecteurs het AI-kaart volgden. De resultaten? Het door AI geleide team vond 11% van de voedselproducten onveilig, terwijl het team dat enkel door mensen werd geleid slechts 9% vond.

Hier wordt het echt interessant. De AI suggereerde om "Verswarenwinkels" volledig over te slaan omdat hun risicoscore zo laag was. Het menselijke plan had de inspecteurs echter wel naar die winkels gestuurd, en zij vonden niets verkeerd. De AI bespaarde tijd en middelen door zich te concentreren op de plaatsen die daadwerkelijk hulp nodig hadden, zoals de versmarkten, die de AI terecht als risicovol aanwees. De studie toonde echter ook een menselijke eigenschap aan: de functionarissen hadden de neiging om de gedetailleerde risicoscores van de AI te behandelen als een simpele "ja/nee"-schakelaar. Als de AI zei dat een plek risicovol was, stuurden ze inspecteurs; als de AI zei dat het "een beetje risicovol" was, behandelden ze het vaak als "zeer risicovol". Het paper suggereert dat hoewel de AI een krachtig hulpmiddel is, mensen mogelijk betere training of gebruiksvriendelijke interfaces nodig hebben om de subtiele verschillen in de voorspellingen van de AI volledig te begrijpen.

Kortom, dit artikel laat zien dat we, door een enorme hoeveelheid historische data te combineren met een slimme manier om met onzekerheid om te gaan, een vroeg waarschuwingssysteem kunnen bouwen dat voedselveiligheidsdreigingen opspoort voordat ze rampen worden. Het is geen toverstaf die alles onmiddellijk oplost, maar het suggereert dat we met de juiste mix van AI en menselijke inspanning kunnen overgaan van het achterhalen van problemen nadat ze zijn gebeurd, naar het voorkomen ervan voordat ze beginnen. De studie bewijst dat zelfs wanneer data schaars of rommelig is, geavanceerde AI de patronen kan vinden die we nodig hebben om ons voedsel veilig te houden.