IA y seguridad alimentaria: Retos de hoy, soluciones de mañana

Autor Christy Draus Head of Marketing

En sólo la última década, la IA ha consolidado una presencia imposible de ignorar en todos los sectores que puedas imaginar. El sector de la restauración no es una excepción, en el que la comida rápida y los restaurantes se han apresurado a adoptar herramientas de IA. Algunas cadenas planean utilizarla para estudiar los hábitos de pedido de sus clientes y adaptar las recomendaciones del menú, mientras que otras están probando (y ajustando) chatbots en sus sistemas de pedido en el drive-thru. Pero, ¿y más arriba? ¿Tiene la IA algún papel en la inspección de alimentos?

IA vs. Aprendizaje Automático en la Inspección por Rayos X

Quizá te sorprenda saber que los modernos sistemas de inspección de alimentos por rayos X ya emplean el pariente no tan lejano de la IA, el aprendizaje automático (ML). De hecho, todos los sistemas de inspección por rayos X Eagle actuales utilizan el ML para detectar contaminantes y determinar qué productos alimentarios pasan a la siguiente fase. Con un ML, se suministra a un ordenador una biblioteca de datos sobre el producto ideal para que se haga una idea de lo que debe buscar al identificar contaminantes.

Algunos clientes de Eagle optan por un modelo preentrenado, que ya ha recibido datos sobre un producto que se ajusta a sus ofertas. Otros pueden optar por crear un nuevo modelo a partir de sus propios datos. Al analizar una imagen de rayos X, si el algoritmo detecta algo que no se ajusta a lo que se le ha enseñado que es «correcto», marcará la unidad como rechazada.

El ML puede funcionar por sí solo, pero también es una pieza clave del rompecabezas de la IA. En pocas palabras, el ML es lo que permite a la IA aprender de los datos en tiempo real. Mientras que el ML se enseña utilizando parámetros estáticos como línea de base, la IA compondrá cada bit de «conocimiento» que haya obtenido para informar cada decisión que tome. Su base de datos cambia constantemente. Por eso, el ML y la IA que han sido entrenados en el mismo conjunto de datos original pueden llegar a conclusiones diferentes en función de lo que la IA haya aprendido sobre el terreno.

¿Quieres ver lo que puede hacer la tecnología actual? Envíanos tu producto para una evaluación complementaria. PRUEBA TU PRODUCTO >>>

¿Hasta qué punto es fiable la IA actual para la supervisión automatizada de la seguridad alimentaria?

retos únicos. La IA sólo puede basarse en lo que ya sabe, pero aprende de cada producto. Es importante asegurarse de que aprende correctamente lo correcto de lo incorrecto para automatizar al máximo tu control de la seguridad alimentaria. Por ejemplo, digamos que a una IA se le enseñó que una determinada composición de imagen es un «aprobado» en un sistema de aprobado/no aprobado. Sin embargo, puede haber variaciones en esa composición de la imagen entre unidades en función de las variaciones habituales del producto, o de los distintos ajustes de los rayos X calibrados por el operador. Hay que enseñar a la IA que esas diferencias están bien; de lo contrario, producirá muchos falsos rechazos.

Aunque un modelo de IA puede marcar una determinada unidad como rechazada, no hay forma de extrapolar exactamente cómo llegó a esa decisión. Como resultado, no puedes simplemente ordenar al algoritmo que no vuelva a cometer los mismos errores. Sólo puedes darle más datos sobre cómo es una unidad aceptable, y controlar su comportamiento para ver cómo lo capta. Esto hace que sea difícil eliminar los errores del sistema.

La IA extrae información de su amplia biblioteca de datos, compara la unidad inspeccionada con todos esos datos y toma una decisión, igual que haría un ser humano. Así que, al igual que cuando pones a un nuevo empleado en la planta, la IA no puede introducirse en el flujo de productos sin algún tipo de supervisión humana de alguien con mayor experiencia en inspección por rayos X para guiarla. Al menos, todavía no.

Apoyar algoritmos deterministas con IA

Como ya se ha dicho, los productos Eagle actuales se pueden precargar con una amplia variedad de algoritmos ML preentrenados para la inspección automatizada de alimentos. Estos modelos, a veces llamados «algoritmos deterministas», pueden no ser tan adaptables como la IA, pero aunque eso pueda parecer una desventaja o un defecto, en realidad puede ser algo bueno. A diferencia de los modelos de IA, estos algoritmos deterministas proporcionan a los operadores de máquinas de rayos X una mayor comprensión del razonamiento de rechazo, ya que siguen una trayectoria lógica lineal y predeterminada. Además, también proporcionan a los usuarios un mayor control sobre los parámetros de «aceptación» y «rechazo» de los productos.

En la fase actual de desarrollo, la IA tiene más sentido como sistema de apoyo a los algoritmos deterministas que como herramienta independiente. Piensa en ella como otro par de ojos sobre tu producto. Aunque puede que no sea precisa al 100%, existe la posibilidad de que capte algo que el modelo ML o el operador de la máquina no hayan detectado. La IA tiene una visión más holística de una radiografía y basará su decisión final en criterios que no siempre son obvios para nosotros, los humanos. Sin embargo, sigue necesitando una supervisión atenta y una gran base de datos para asegurarse de que no empieza a aceptar o rechazar productos incorrectamente.

Mejora de las capacidades de la IA con la tecnología de rayos X de doble energía

La tecnología de doble energía de Eagle y el software avanzado de obtención de imágenes podrían ser soluciones prometedoras que, con el tiempo, ayuden a aumentar la precisión de la IA en la inspección de alimentos por rayos X. Al proporcionar una imagen con mayor contraste, detalles más nítidos y reducción del ruido de los productos «ocupados», nuestra tecnología ya facilita a los modelos ML y a los operadores de máquinas la localización de contaminantes en productos alimentarios de todo tipo. En el futuro, esta tecnología puede desempeñar un papel fundamental en la producción de los modelos de inspección alimentaria con IA más precisos del sector.

¿Necesitas IA para la supervisión automatizada de la seguridad alimentaria?

Aunque la IA tiene potencial para convertirse con el tiempo en una herramienta más útil en la automatización de la seguridad alimentaria, en su estado actual no es exactamente lo que los clientes esperan que sea. El algoritmo de IA ideal sería capaz de aprender en tiempo real sin supervisión, y aprender exactamente lo que necesita sin cometer errores, pero la tecnología aún no está ahí.

Para alcanzar la calidad que esperan los clientes, en Eagle invertimos continuamente en la formación y mejora de los modelos de IA que tenemos en desarrollo, para asegurarnos de que realmente puedan ofrecer una solución valiosa a nuestros clientes en el momento de su lanzamiento. Muchas otras empresas de inspección alimentaria pueden afirmar que utilizan modelos basados en IA, y es muy posible que así sea. Pero lo que no revelan es el grado de supervisión de estos sistemas para asegurarse de que no se descarrilan.

Al fin y al cabo, no se trata tanto de elegir entre IA o algoritmos deterministas. Es cuestión de elegir entre lo que funciona de forma fiable y lo que no. La tecnología de IA puede ser emocionante en sus posibilidades futuras, pero por ahora, no sientas que tienes que apresurarte a adoptar la tecnología. Las capacidades de la IA en las aplicaciones de inspección alimentaria aún se están explorando en todo su potencial, con mucho espacio para crecer. Mientras tanto, si utilizas un sistema de inspección por rayos X Eagle, deberías estar en buena forma.