ஒவ்வாமை அபாய மதிப்பீட்டைத் தானியக்கமாக்குதல்
தாவர அடிப்படையிலான உணவு தயாரிப்பாளர்கள் தொடர்ச்சியான மூலப்பொருள் மாற்றங்கள் மற்றும் விநியோகஸ்தர் மாற்றங்களை நிர்வகிக்க வேண்டியுள்ளது. ஒரு மறைமுக ஒவ்வாமை காரணியையோ அல்லது குறுக்குத் தொடர்பு (cross-contact) நிகழ்வையோ தவறவிடுவது, தயாரிப்புகளைத் திரும்பப் பெறுவதற்கும் (recalls) நம்பிக்கையை இழப்பதற்கும் வழிவகுக்கும். AI இந்தத் தடுப்பு நடவடிக்கையற்ற போராட்டத்தை ஒரு முன்முயற்சி எடுக்கும் பாதுகாப்புத் திட்டமாக மாற்றுகிறது.
இந்த மாதிரி (model) அபாயத்தைக் கண்காணிக்க Bayesian updating முறையைப் பயன்படுத்துகிறது. இது ஒவ்வொரு ஒவ்வாமை காரணியையும் ஒரு கருதுகோளாக (hypothesis) treats செய்கிறது. மூலப்பொருள் பட்டியல்கள், விநியோகஸ்தர் விவரக்குறிப்புகள் மற்றும் உற்பத்திப் பதிவுகள் போன்ற புதிய தரவுகளைக் கொண்டு நீங்கள் இந்த கருதுகோட்டைப் புதுப்பிக்கலாம். பகிரப்பட்ட உற்பத்தி வரிசை போன்ற ஒவ்வொரு ஆதாரமும் நிகழ்தகவு மதிப்பெண்ணை (probability score) மாற்றியமைக்கிறது. இது திட்டமிட்டு சேர்க்கப்பட்ட மூலப்பொருட்களையும், தற்செயலான தொடர்புகளையும் வேறுபடுத்திப் பார்க்க உதவுகிறது.
spaCy என்ற திறந்த மூல நூலகம் (open-source library) மூலத் தரவுகளைச் செயலாக்க உங்களுக்கு உதவுகிறது. இது மூலப்பொருள் பெயர்களிலிருந்து ஒவ்வாமை தொடர்பான சொற்களைப் பிரித்தெடுத்து, 'இயற்கை சுவையூட்டிகள்' (natural flavors) போன்ற மறைமுகக் குறிப்புகளைக் கண்டறிகிறது. இந்தத் கருவி உங்கள் அபாய மாதிரியில் (risk model) பயன்படுத்துவதற்குத் தெளிவான பட்டியலை உருவாக்குகிறது.
நீங்கள் ஒரு புதிய ஓட் புரதத் தூளை (oat protein powder) சேர்க்கிறீர்கள் என்று கற்பனை செய்து பாருங்கள். spaCy விநியோகஸ்தரின் விவரக்குறிப்பைப் படித்து, அதில் சோயா (soy) துகள்கள் இருக்கலாம் என்ற குறிப்பைக் கண்டறிகிறது. இந்த மாதிரி இதனை உங்கள் பகிரப்பட்ட உபகரணங்களின் வரலாற்றோடு இணைக்கிறது. இது சோயா அபாய மதிப்பெண்ணை 5%-லிருந்து 22%-ஆக உயர்த்தி, ஒரு குறிப்பிட்ட தூய்மைப் பரிசோதனையை மேற்கொள்ளத் தூண்டுகிறது.
இந்த அமைப்பைச் செயல்படுத்த இந்த வழிமுறைகளைப் பின்பற்றுங்கள்:
தரவுகளை ஏற்றுமதி செய்து முறைப்படுத்துங்கள் (normalize). உங்கள் உற்பத்தி அட்டவணைகள் மற்றும் விநியோகஸ்தர் விவரக்குறிப்புத் தாள்களை ஒரு ஸ்பிரெட்ஷீட்டிற்குள் (spreadsheet) கொண்டு வாருங்கள். மூல லேபிள்களை ஒரு கட்டமைக்கப்பட்ட அட்டவணையாக மாற்ற spaCy-ஐப் பயன்படுத்துங்கள்.
உங்கள் மாதிரியின் நிலையைத் (model tier) தேர்ந்தெடுங்கள். Tier 1-க்கு, உங்கள் ஸ்பிரெட்ஷீட்டில் எளிய விதிகளைப் பயன்படுத்துங்கள். Tier 2-க்கு, உங்கள் தொகுதிப் பதிவுகளுடன் (batch logs) ஒரு வகைப்படுத்தியை (classifier) பொருத்த Python-ஐப் பயன்படுத்துங்கள். Tier 3-க்கு, பெரிய தரவுத் தொகுப்புகளைக் கையாள கிளவுட் சேவைகளைப் (cloud services) பயன்படுத்துங்கள்.
உங்கள் ஒவ்வாமை மேட்ரிக்ஸுடன் (allergen matrix) ஒருங்கிணைக்கவும். நிகழ்தகவு வெளியீடுகளை (probability outputs) மீண்டும் உங்கள் மேட்ரிக்ஸிற்குள் உள்ளீடு செய்யுங்கள். இது எந்தவொரு மூலப்பொருள் மாற்றமும் உங்கள் அபாய மதிப்பெண்களைத் தானாகவே புதுப்பிப்பதை உறுதி செய்கிறது.
Bayesian updating குழப்பமான தரவுகளைத் தெளிவான அபாய நிகழ்தகவுகளாக மாற்றுகிறது.
spaCy போன்ற கருவிகள் பெரிய தரவு அறிவியல் குழு இல்லாமலேயே மூல லேபிள்களைக் கட்டமைக்கப்பட்ட தரவுகளாக மாற்றுகின்றன.
இந்த மூன்று படிநிலை வழிமுறை (pipeline) குறைந்த செலவிலான ஒரு வழிகாட்டியாகும். நீங்கள் விரிவாக்கம் செய்யும்போது, கைமுறை ஆய்வு நேரத்தை 50% குறைக்கலாம் மற்றும் கண்டறியும் துல்லியத்தை 70-90% வரை மேம்படுத்தலாம்.
விருப்பமான கற்றல் சமூகம்: https://t.me/GyaanSetuAi