ਐਲਰਜਨ ਜੋਖਮ ਮੁਲਾਂਕਣ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨਾ
ਪੌਦਾ-ਅਧਾਰਤ (Plant-based) ਭੋਜਨ ਬਣਾਉਣ ਵਾਲੇ ਲਗਾਤਾਰ ਸਮੱਗਰੀ ਦੇ ਬਦਲਾਅ ਅਤੇ ਸਪਲਾਇਰਾਂ ਦੇ ਬਦਲਾਅ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ। ਇੱਕ ਲੁਕਿਆ ਹੋਇਆ ਐਲਰਜਨ ਜਾਂ ਕ੍ਰਾਸ-ਕੰਟੈਕਟ (cross-contact) ਦੀ ਘਟਨਾ ਨੂੰ ਮਿਸ ਕਰਨਾ ਵਾਪਸੀ (recalls) ਅਤੇ ਵਿਸ਼ਵਾਸ ਦੀ ਕਮੀ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ। AI ਇਸ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਸੰਘਰਸ਼ ਨੂੰ ਇੱਕ ਸਰਗਰਮ ਸੁਰੱਖਿਆ ਯੋਜਨਾ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।
ਇਹ ਮਾਡਲ ਜੋਖਮ ਨੂੰ ਟ੍ਰੈਕ ਕਰਨ ਲਈ Bayesian updating ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਹਰ ਐਲਰਜਨ ਨੂੰ ਇੱਕ ਪਰਿਕਲਪਨਾ (hypothesis) ਵਜੋਂ ਮੰਨਦਾ ਹੈ। ਤੁਸੀਂ ਸਮੱਗਰੀ ਦੀਆਂ ਸੂਚੀਆਂ, ਸਪਲਾਇਰ ਸਪੈਸੀਫਿਕੇਸ਼ਨਾਂ ਅਤੇ ਉਤਪਾਦਨ ਲੌਗਾਂ ਵਰਗੇ ਨਵੇਂ ਡੇਟਾ ਨਾਲ ਇਸ ਪਰਿਕਲਪਨਾ ਨੂੰ ਅਪਡੇਟ ਕਰਦੇ ਹੋ। ਹਰ ਸਬੂਤ, ਜਿਵੇਂ ਕਿ ਸਾਂਝੀ ਉਤਪਾਦਨ ਲਾਈਨ, ਸੰਭਾਵਨਾ ਸਕੋਰ (probability score) ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਵਰਤੀਆਂ ਗਈਆਂ ਸਮੱਗਰੀਆਂ ਨੂੰ ਅਚਾਨਕ ਹੋਏ ਸੰਪਰਕ ਤੋਂ ਵੱਖ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਓਪਨ-ਸੋਰਸ ਲਾਇਬ੍ਰੇਰੀ spaCy ਤੁਹਾਨੂੰ ਕੱਚੇ ਡੇਟਾ (raw data) ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਇਹ ਸਮੱਗਰੀ ਦੀਆਂ ਸਟ੍ਰਿੰਗਾਂ ਵਿੱਚੋਂ ਐਲਰਜਨ ਸ਼ਬਦਾਂ ਨੂੰ ਕੱਢਦੀ ਹੈ ਅਤੇ ਕੁਦਰਤੀ ਸੁਆਦਾਂ (natural flavors) ਵਰਗੇ ਲੁਕੇ ਹੋਏ ਜ਼ਿਕਰਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦੀ ਹੈ। ਇਹ ਟੂਲ ਤੁਹਾਡੇ ਜੋਖਮ ਮਾਡਲ ਨੂੰ ਫੀਡ ਕਰਨ ਲਈ ਇੱਕ ਸਾਫ਼ ਸੂਚੀ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਇੱਕ ਨਵਾਂ ਓਟ ਪ੍ਰੋਟੀਨ ਪਾਊਡਰ ਜੋੜਦੇ ਹੋ। spaCy ਸਪਲਾਇਰ ਸਪੈਕ ਨੂੰ ਪੜ੍ਹਦੀ ਹੈ ਅਤੇ ਸੋਇਆ ਦੇ ਅੰਸ਼ਾਂ (traces of soy) ਬਾਰੇ ਇੱਕ ਨੋਟ ਲੱਭਦੀ ਹੈ। ਮਾਡਲ ਇਸ ਨੂੰ ਤੁਹਾਡੇ ਸਾਂਝੇ ਉਪਕਰਣਾਂ ਦੇ ਇਤਿਹਾਸ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਇਹ ਸੋਇਆ ਜੋਖਮ ਸਕੋਰ ਨੂੰ 5% ਤੋਂ ਵਧਾ ਕੇ 22% ਕਰ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਫਾਈ ਚੈੱਕ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ।
ਇਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਇਹਨਾਂ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
ਡੇਟਾ ਨੂੰ ਐਕਸਪੋਰਟ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰੋ। ਆਪਣੇ ਉਤਪਾਦਨ ਸ਼ਡਿਊਲ ਅਤੇ ਸਪਲਾਇਰ ਸਪੈਕ ਸ਼ੀਟਾਂ ਨੂੰ ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਲਿਆਓ। ਕੱਚੇ ਲੇਬਲਾਂ ਨੂੰ ਇੱਕ ਸੰਰਚਿਤ (structured) ਟੇਬਲ ਵਿੱਚ ਬਦਲਣ ਲਈ spaCy ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਆਪਣਾ ਮਾਡਲ ਟਾਇਰ ਚੁਣੋ। Tier 1 ਲਈ, ਆਪਣੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਸਰਲ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। Tier 2 ਲਈ, ਆਪਣੇ ਬੈਚ ਲੌਗਾਂ ਦੇ ਨਾਲ ਕਲਾਸੀਫਾਇਰ (classifier) ਨੂੰ ਫਿਟ ਕਰਨ ਲਈ Python ਦੀ ਵਰਤੋਂ ਕਰੋ। Tier 3 ਲਈ, ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਕਲਾਊਡ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਆਪਣੇ ਐਲਰਜਨ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਜੋੜੋ। ਸੰਭਾਵਨਾ ਆਉਟਪੁੱਟ (probability outputs) ਨੂੰ ਆਪਣੇ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਵਾਪਸ ਫੀਡ ਕਰੋ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਸਮੱਗਰੀ ਵਿੱਚ ਕੋਈ ਵੀ ਬਦਲਾਅ ਤੁਹਾਡੇ ਜੋਖਮ ਸਕੋਰਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਅਪਡੇਟ ਕਰ ਦੇਵੇ।
Bayesian updating ਅਸਪਸ਼ਟ ਡੇਟਾ ਨੂੰ ਸਪਸ਼ਟ ਜੋਖਮ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।
spaCy ਵਰਗੇ ਟੂਲ ਇੱਕ ਵੱਡੀ ਡੇਟਾ ਸਾਇੰਸ ਟੀਮ ਤੋਂ ਬਿਨਾਂ ਕੱਚੇ ਲੇਬਲਾਂ ਨੂੰ ਸੰਰਚਿਤ ਡੇਟਾ ਵਿੱਚ ਬਦਲ ਦਿੰਦੇ ਹਨ।
ਇਹ ਤਿੰਨ-ਪੜਾਵੀ ਪਾਈਪਲਾਈਨ ਇੱਕ ਘੱਟ ਲਾਗਤ ਵਾਲਾ ਰੋਡਮੈਪ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤੁਸੀਂ ਵਧਦੇ ਹੋ, ਤੁਸੀਂ ਮੈਨੂਅਲ ਰਿਵਿਊ ਦੇ ਸਮੇਂ ਨੂੰ 50% ਤੱਕ ਘਟਾ ਸਕਦੇ ਹੋ ਅਤੇ ਡਿਟੈਕਸ਼ਨ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ 70-90% ਤੱਕ ਸੁਧਾਰ ਸਕਦੇ ਹੋ।
ਵਿਕਲਪਿਕ ਲਰਨਿੰਗ ਕਮਿਊਨਿਟੀ: https://t.me/GyaanSetuAi