അലർജൻ റിസ്ക് അസസ്‌മെന്റ് ഓട്ടോമേറ്റ് ചെയ്യുക

സസ്യഭക്ഷണം നിർമ്മിക്കുന്നവർ നിരന്തരമായ ചേരുവ മാറ്റങ്ങളും വിതരണക്കാരുടെ മാറ്റങ്ങളും കൈകാര്യം ചെയ്യുന്നു. ഒളിഞ്ഞിരിക്കുന്ന ഒരു അലർജൻ അല്ലെങ്കിൽ ഒരു ക്രോസ്-കോൺടാക്റ്റ് (cross-contact) സംഭവം പോലും ഉൽപ്പന്നങ്ങൾ പിൻവലിക്കുന്നതിനും വിശ്വാസം നഷ്ടപ്പെടുന്നതിനും കാരണമാകും. AI ഈ പ്രതികരണാത്മകമായ പോരാട്ടത്തെ ഒരു മുൻകരുതൽ സുരക്ഷാ പ്ലാനാക്കി മാറ്റുന്നു.

റിസ്ക് ട്രാക്ക് ചെയ്യാൻ ഈ മോഡൽ Bayesian updating ഉപയോഗിക്കുന്നു. ഇത് ഓരോ അലർജനെയും ഒരു ഹൈപ്പോത്തിസിസ് (hypothesis) ആയി കണക്കാക്കുന്നു. ചേരുവകളുടെ പട്ടിക, സപ്ലയർ സ്പെസിഫിക്കേഷനുകൾ, പ്രൊഡക്ഷൻ ലോഗുകൾ തുടങ്ങിയ പുതിയ വിവരങ്ങൾ ഉപയോഗിച്ച് നിങ്ങൾക്ക് ഈ ഹൈപ്പോത്തിസിസ് പുതുക്കാവുന്നതാണ്. ഒരു പൊതുവായ പ്രൊഡക്ഷൻ ലൈൻ ഉപയോഗിക്കുന്നത് പോലുള്ള ഓരോ തെളിവുകളും പ്രോബബിലിറ്റി സ്കോറിൽ മാറ്റം വരുത്തുന്നു. ഇത് മനഃപൂർവ്വം ചേർത്ത ചേരുവകളെയും അവിചാരിതമായി സംഭവിക്കുന്ന സമ്പർക്കങ്ങളെയും വേർതിരിക്കാൻ നിങ്ങളെ സഹായിക്കുന്നു.

റോ ഡാറ്റ (raw data) പ്രോസസ്സ് ചെയ്യാൻ ഓപ്പൺ സോഴ്‌സ് ലൈബ്രറിയായ spaCy നിങ്ങളെ സഹായിക്കുന്നു. ഇത് ചേരുവകളുടെ വിവരണങ്ങളിൽ നിന്ന് അലർജൻ പദങ്ങൾ വേർതിരിച്ചെടുക്കുകയും 'natural flavors' പോലുള്ള ഒളിഞ്ഞിരിക്കുന്ന സൂചനകൾ അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു. നിങ്ങളുടെ റിസ്ക് മോഡലിലേക്ക് നൽകുന്നതിനായി ഈ ടൂൾ ഒരു വ്യക്തമായ പട്ടിക തയ്യാറാക്കുന്നു.

നിങ്ങൾ ഒരു പുതിയ ഓട്ട് പ്രോട്ടീൻ പൗഡർ ചേർക്കുന്നു എന്ന് സങ്കൽപ്പിക്കുക. spaCy സപ്ലയർ സ്പെസിഫിക്കേഷൻ വായിക്കുകയും അതിൽ സോയയുടെ (soy) സാന്നിധ്യത്തെക്കുറിച്ചുള്ള ഒരു കുറിപ്പ് കണ്ടെത്തുകയും ചെയ്യുന്നു. മോഡൽ ഇത് നിങ്ങളുടെ ഉപകരണങ്ങൾ പങ്കിടുന്ന ചരിത്രവുമായി (shared equipment history) സംയോജിപ്പിക്കുന്നു. ഇത് സോയയുടെ റിസ്ക് സ്കോർ 5% മുതൽ 22% വരെ ഉയർത്തുകയും ഒരു പ്രത്യേക ക്ലീനിംഗ് പരിശോധനയ്ക്ക് നിർദ്ദേശം നൽകുകയും ചെയ്യുന്നു.

ഈ സിസ്റ്റം നടപ്പിലാക്കാൻ ഈ ഘട്ടങ്ങൾ പിന്തുടരുക:

  • ഡാറ്റ എക്‌സ്‌പോർട്ട് ചെയ്യുക, നോർമലൈസ് ചെയ്യുക. നിങ്ങളുടെ പ്രൊഡക്ഷൻ ഷെഡ്യൂളുകളും സപ്ലയർ സ്പെസിഫിക്കേഷൻ ഷീറ്റുകളും ഒരു സ്പ്രെഡ്ഷീറ്റിലേക്ക് മാറ്റുക. റോ ലേബലുകളെ ഒരു സ്ട്രക്ചേർഡ് ടേബിളാക്കി മാറ്റാൻ spaCy ഉപയോഗിക്കുക.

  • നിങ്ങളുടെ മോഡൽ ടയർ (tier) തിരഞ്ഞെടുക്കുക. Tier 1-ന്, നിങ്ങളുടെ സ്പ്രെഡ്ഷീറ്റിൽ ലളിതമായ നിയമങ്ങൾ ഉപയോഗിക്കുക. Tier 2-ന്, നിങ്ങളുടെ ബാച്ച് ലോഗുകൾ ഉപയോഗിച്ച് ഒരു ക്ലാസിഫയർ (classifier) തയ്യാറാക്കാൻ Python ഉപയോഗിക്കുക. Tier 3-ന്, വലിയ ഡാറ്റാസെറ്റുകൾ കൈകാര്യം ചെയ്യാൻ ക്ലൗഡ് സേവനങ്ങൾ ഉപയോഗിക്കുക.

  • നിങ്ങളുടെ അലർജൻ മാട്രിക്സുമായി (allergen matrix) സംയോജിപ്പിക്കുക. പ്രോബബിലിറ്റി ഔട്ട്‌പുട്ടുകൾ നിങ്ങളുടെ മാട്രിക്സിലേക്ക് തന്നെ നൽകുക. ഇത് ഏതൊരു ചേരുവ മാറ്റവും നിങ്ങളുടെ റിസ്ക് സ്കോറുകൾ സ്വയമേവ പുതുക്കുന്നുവെന്ന് ഉറപ്പാക്കുന്നു.

Bayesian updating കുഴഞ്ഞുമറിഞ്ഞ ഡാറ്റയെ വ്യക്തമായ റിസ്ക് പ്രോബബിലിറ്റികളാക്കി മാറ്റുന്നു.

spaCy പോലുള്ള ടൂളുകൾ വലിയൊരു ഡാറ്റാ സയൻസ് ടീമിനെ കൂടാതെ തന്നെ റോ ലേബലുകളെ സ്ട്രക്ചേർഡ് ഡാറ്റയാക്കി മാറ്റുന്നു.

ഈ മൂന്ന് ഘട്ടങ്ങളുള്ള പൈപ്പ്‌ലൈൻ കുറഞ്ഞ ചിലവിലുള്ള ഒരു വഴികാട്ടിയാണ്. ഇത് ഉപയോഗിക്കുന്നതിലൂടെ മാനുവൽ പരിശോധനയ്ക്കുള്ള സമയം 50% കുറയ്ക്കാനും ഡെറ്റക്ഷൻ കൃത്യത 70-90% വരെ വർദ്ധിപ്പിക്കാനും സാധിക്കും.

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

Optional learning community: https://t.me/GyaanSetuAi