ಅಲರ್ಜನ್ ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು

ಸಸ್ಯ ಆಧಾರಿತ ಆಹಾರ ತಯಾರಕರು ನಿರಂತರ ಪದಾರ್ಥಗಳ ಬದಲಾವಣೆ ಮತ್ತು ಪೂರೈಕೆದಾರರ ಬದಲಾವಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ. ಒಂದು ಗುಪ್ತ ಅಲರ್ಜನ್ ಅಥವಾ ಕ್ರಾಸ್-ಕಾಟ್ಯಾಕ್ಟ್ (cross-contact) ಘಟನೆಯನ್ನು ಮರೆತರೆ, ಅದು ಉತ್ಪನ್ನಗಳ ಹಿಂಪಡೆಯುವಿಕೆ (recalls) ಮತ್ತು ನಂಬಿಕೆಯ ನಷ್ಟಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. AI ಈ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಹೋರಾಟವನ್ನು ಮುನ್ನೆಚ್ಚರಿಕೆಯ ಸುರಕ್ಷತಾ ಯೋಜನೆಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ಈ ಮಾದರಿಯು ಅಪಾಯವನ್ನು ಪತ್ತೆಹಚ್ಚಲು Bayesian updating ಅನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ಪ್ರತಿಯೊಂದು ಅಲರ್ಜನ್ ಅನ್ನು ಒಂದು ಕಲ್ಪನೆಯನ್ನಾಗಿ (hypothesis) ಪರಿಗಣಿಸುತ್ತದೆ. ಪದಾರ್ಥಗಳ ಪಟ್ಟಿಗಳು, ಪೂರೈಕೆದಾರರ ವಿವರಗಳು (supplier specs) ಮತ್ತು ಉತ್ಪಾದನಾ ಲಾಗ್‌ಗಳಂತಹ ಹೊಸ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಈ ಕಲ್ಪನೆಯನ್ನು ನವೀಕರಿಸುತ್ತೀರಿ. ಹಂಚಿಕೆಯ ಉತ್ಪಾದನಾ ಲೈನ್‌ನಂತಹ ಪ್ರತಿಯೊಂದು ಸಾಕ್ಷ್ಯವು ಸಂಭವನೀಯತೆಯ ಸ್ಕೋರ್ ಅನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಇದು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಬಳಸಿದ ಪದಾರ್ಥಗಳನ್ನು ಮತ್ತು ಅಕಸ್ಮಾತ್ ಸಂಭವಿಸಿದ ಸಂಪರ್ಕದಿಂದ (accidental contact) ಬಂದವುಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

spaCy ಎಂಬ ಓಪನ್-ಸೋರ್ಸ್ ಲೈಬ್ರರಿಯು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಇದು ಪದಾರ್ಥಗಳ ಪಟ್ಟಿಯಿಂದ ಅಲರ್ಜನ್ ಪದಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ ಮತ್ತು 'ನೈಸರ್ಗಿಕ ಸುವಾಸನೆಗಳು' (natural flavors) ಅಂತಹ ಗುಪ್ತ ಉಲ್ಲೇಖಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಈ ಸಾಧನವು ನಿಮ್ಮ ರಿಸ್ಕ್ ಮಾಡೆಲ್‌ಗೆ ನೀಡಲು ಒಂದು ಸ್ವಚ್ಛವಾದ ಪಟ್ಟಿಯನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ.

ನೀವು ಹೊಸ ಓಟ್ ಪ್ರೋಟೀನ್ ಪೌಡರ್ ಅನ್ನು ಸೇರಿಸುತ್ತೀರಿ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. spaCy ಪೂರೈಕೆದಾರರ ವಿವರಗಳನ್ನು ಓದುತ್ತದೆ ಮತ್ತು ಸೋಯಾ (soy) ಅಂಶಗಳ ಬಗ್ಗೆ ಇರುವ ಸೂಚನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ. ಈ ಮಾದರಿಯು ಇದನ್ನು ನಿಮ್ಮ ಹಂಚಿಕೆಯ ಉಪಕರಣಗಳ ಇತಿಹಾಸದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಇದು ಸೋಯಾ ಅಪಾಯದ ಸ್ಕೋರ್ ಅನ್ನು 5% ರಿಂದ 22% ಕ್ಕೆ ಏರಿಸುತ್ತದೆ, ಇದರಿಂದ ನಿರ್ದಿಷ್ಟ ಕ್ಲೀನಿಂಗ್ ತಪಾಸಣೆಯ ಅಗತ್ಯವಿದೆ ಎಂಬ ಸೂಚನೆ ಸಿಗುತ್ತದೆ.

ಈ ವ್ಯವಸ್ಥೆಯನ್ನು ಜಾರಿಗೆ ತರಲು ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ:

  • ಡೇಟಾವನ್ನು ಎಕ್ಸ್‌ಪೋರ್ಟ್ ಮತ್ತು ನಾರ್ಮಲೈಸ್ ಮಾಡಿ. ನಿಮ್ಮ ಉತ್ಪಾದನಾ ವೇಳಾಪಟ್ಟಿಗಳು ಮತ್ತು ಪೂರೈಕೆದಾರರ ವಿವರ ಪಟ್ಟಿಗಳನ್ನು (spec sheets) ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗೆ ತನ್ನಿ. ಕಚ್ಚಾ ಲೇಬಲ್‌ಗಳನ್ನು ರಚನಾತ್ಮಕ ಕೋಷ್ಟಕವಾಗಿ (structured table) ಪರಿವರ್ತಿಸಲು spaCy ಬಳಸಿ.

  • ನಿಮ್ಮ ಮಾಡೆಲ್ ಹಂತವನ್ನು (tier) ಆಯ್ಕೆ ಮಾಡಿ. Tier 1 ಗಾಗಿ, ನಿಮ್ಮ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ನಲ್ಲಿ ಸರಳ ನಿಯಮಗಳನ್ನು ಬಳಸಿ. Tier 2 ಗಾಗಿ, ನಿಮ್ಮ ಬ್ಯಾಚ್ ಲಾಗ್‌ಗಳೊಂದಿಗೆ ಕ್ಲಾಸಿಫೈಯರ್ ಅನ್ನು ಹೊಂದಿಸಲು Python ಬಳಸಿ. Tier 3 ಗಾಗಿ, ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸಿ.

  • ನಿಮ್ಮ ಅಲರ್ಜನ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ. ಸಂಭವನೀಯತೆಯ ಫಲಿತಾಂಶಗಳನ್ನು (probability outputs) ನಿಮ್ಮ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ ಮತ್ತೆបញ្ចូលಿ. ಇದು ಯಾವುದೇ ಪದಾರ್ಥದ ಬದಲಾವಣೆಯು ನಿಮ್ಮ ರಿಸ್ಕ್ ಸ್ಕೋರ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನವೀಕರಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.

Bayesian updating ಗೊಂದಲಮಯ ಡೇಟಾವನ್ನು ಸ್ಪಷ್ಟವಾದ ಅಪಾಯದ ಸಂಭವನೀಯತೆಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

spaCy ನಂತಹ ಸಾಧನಗಳು ದೊಡ್ಡ ಡೇಟಾ ಸೈನ್ಸ್ ತಂಡವಿಲ್ಲದೆಯೇ ಕಚ್ಚಾ ಲೇಬಲ್‌ಗಳನ್ನು ರಚನಾತ್ಮಕ ಡೇಟಾವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತವೆ.

ಈ ಮೂರು ಹಂತದ ಪ್ರಕ್ರಿಯೆಯು (pipeline) ಕಡಿಮೆ ವೆಚ್ಚದ ಮಾರ್ಗಸೂಚಿಯನ್ನು ನೀಡುತ್ತದೆ. ನೀವು ಇದನ್ನು ವಿಸ್ತರಿಸುತ್ತಿದ್ದಂತೆ, ಮ್ಯಾನುಯಲ್ ಪರಿಶೀಲನಾ ಸಮಯವನ್ನು 50% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವ ನಿಖರತೆಯನ್ನು 70-90% ವರೆಗೆ ಸುಧಾರಿಸಬಹುದು.

ಮೂಲ: https://dev.to/ken_deng_ai/automating-allergen-risk-assessment-ai-driven-detection-of-cross-contact-and-hidden-allergens-5b6f

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi