Tự động hóa Đánh giá Nguy cơ Dị ứng

Các nhà sản xuất thực phẩm gốc thực vật phải quản lý sự thay đổi liên tục về nguyên liệu và nhà cung cấp. Việc bỏ lỡ một tác nhân gây dị ứng ẩn hoặc một sự cố tiếp xúc chéo có thể dẫn đến việc thu hồi sản phẩm và mất niềm tin. AI biến nỗ lực ứng phó thụ động này thành một kế hoạch an toàn chủ động.

Mô hình sử dụng phương pháp cập nhật Bayesian để theo dõi rủi ro. Nó coi mỗi tác nhân gây dị ứng là một giả thuyết. Bạn cập nhật giả thuyết này bằng dữ liệu mới như danh sách thành phần, thông số kỹ thuật của nhà cung cấp và nhật ký sản xuất. Mỗi bằng chứng, chẳng hạn như việc sử dụng chung dây chuyền sản xuất, sẽ làm thay đổi điểm xác suất. Điều này giúp bạn phân biệt giữa các thành phần có chủ đích và sự tiếp xúc vô tình.

Thư viện mã nguồn mở spaCy giúp bạn xử lý dữ liệu thô. Nó trích xuất các thuật ngữ gây dị ứng từ chuỗi thành phần và gắn cờ các đề cập ẩn như "hương liệu tự nhiên". Công cụ này tạo ra một danh sách sạch để đưa vào mô hình rủi ro của bạn.

Hãy tưởng tượng bạn thêm một loại bột protein yến mạch mới. spaCy đọc thông số kỹ thuật của nhà cung cấp và tìm thấy một ghi chú về dấu vết đậu nành. Mô hình sẽ kết hợp thông tin này với lịch sử sử dụng chung thiết bị của bạn. Nó nâng điểm rủi ro đậu nành từ 5% lên 22%, từ đó thúc đẩy một đợt kiểm tra vệ sinh cụ thể.

Hãy thực hiện các bước sau để triển khai hệ thống này:

  • Xuất và chuẩn hóa dữ liệu. Trích xuất lịch trình sản xuất và bảng thông số kỹ thuật của nhà cung cấp vào một bảng tính. Sử dụng spaCy để chuyển đổi các nhãn thô thành một bảng có cấu trúc.

  • Chọn cấp độ mô hình. Đối với Cấp độ 1, hãy sử dụng các quy tắc đơn giản trong bảng tính của bạn. Đối với Cấp độ 2, hãy sử dụng Python để khớp một bộ phân loại với nhật ký lô hàng của bạn. Đối với Cấp độ 3, hãy sử dụng các dịch vụ đám mây để xử lý các tập dữ liệu lớn.

  • Tích hợp với ma trận dị ứng của bạn. Đưa các kết quả xác suất ngược trở lại ma trận. Điều này đảm bảo bất kỳ thay đổi nào về nguyên liệu cũng sẽ tự động cập nhật điểm rủi ro của bạn.

Cập nhật Bayesian biến dữ liệu lộn xộn thành các xác suất rủi ro rõ ràng.

Các công cụ như spaCy chuyển đổi các nhãn thô thành dữ liệu có cấu trúc mà không cần một đội ngũ khoa học dữ liệu lớn.

Quy trình ba bước này cung cấp một lộ trình chi phí thấp. Bạn có thể cắt giảm 50% thời gian xem xét thủ công và cải thiện độ chính xác phát hiện lên mức 70-90% khi mở rộng quy mô.

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