Автоматизація оцінки ризиків наявності алергенів

Виробники рослинних продуктів харчування постійно стикаються зі змінами інгредієнтів та зміною постачальників. Пропуск одного прихованого алергену або випадок перехресного контакту призводить до відкликання продукції та втрати довіри. ШІ перетворює цю реактивну боротьбу на проактивний план безпеки.

Модель використовує байєсівське оновлення для відстеження ризиків. Вона розглядає кожен алерген як гіпотезу. Ви оновлюєте цю гіпотезу новими даними, такими як списки інгредієнтів, специфікації постачальників та виробничі журнали. Кожен доказ, наприклад, використання спільної виробничої лінії, змінює показник імовірності. Це допомагає відрізнити навмисно додані інгредієнти від випадкового контакту.

Бібліотека з відкритим вихідним кодом spaCy допомагає обробляти необроблені дані. Вона витягує терміни алергенів із рядків інгредієнтів і позначає приховані згадки, такі як «натуральні ароматизатори». Цей інструмент створює чистий список для подачі у вашу модель ризиків.

Уявіть, що ви додаєте новий вівсяний протеїновий порошок. spaCy зчитує специфікацію постачальника і знаходить примітку про сліди сої. Модель поєднує це з історією використання спільного обладнання. Вона підвищує показник ризику сої з 5% до 22%, що стає сигналом для проведення спеціальної перевірки очищення.

Дотримуйтесь цих кроків для впровадження цієї системи:

  • Експортуйте та нормалізуйте дані. Перенесіть графіки виробництва та специфікації постачальників у електронну таблицю. Використовуйте spaCy, щоб перетворити необроблені етикетки на структуровану таблицю.

  • Виберіть рівень моделі. Для Рівня 1 використовуйте прості правила у вашій електронній таблиці. Для Рівня 2 використовуйте Python, щоб підібрати класифікатор на основі ваших журналів партій. Для Рівня 3 використовуйте хмарні сервіси для обробки великих наборів даних.

  • Інтегруйте з вашою матрицею алергенів. Повертайте результати ймовірностей назад у вашу матрицю. Це гарантує, що будь-яка зміна інгредієнта автоматично оновить ваші показники ризику.

Байєсівське оновлення перетворює хаотичні дані на чіткі ймовірності ризиків.

Такі інструменти, як spaCy, перетворюють необроблені етикетки на структуровані дані без потреби у великій команді спеціалістів із Data Science.

Цей триетапний процес пропонує бюджетну дорожню карту. Ви можете скоротити час на ручну перевірку на 50% і підвищити точність виявлення до 70-90% у міру масштабування.

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

Додаткова спільнота для навчання: https://t.me/GyaanSetuAi