IA e segurança alimentar: Os desafios de hoje, as soluções de amanhã

Autor Christy Draus Head of Marketing

Apenas na última década, a IA consolidou uma presença impossível de ser ignorada em todos os setores que você possa imaginar. O setor de serviços de alimentação não é exceção, no qual o fast food e os restaurantes têm adotado rapidamente as ferramentas de IA. Algumas redes planejam usá-la para estudar os hábitos de pedidos de seus clientes para adaptar as recomendações do cardápio, enquanto outras estão testando (e ajustando) os chatbots em seus sistemas de pedidos de drive-thru. Mas o que você acha de ir mais além – a IA tem alguma função na inspeção de alimentos?

IA vs. aprendizado de máquina na inspeção por raios X

Você pode se surpreender ao saber que os sistemas modernos de inspeção de alimentos por raios X já empregam o parente não tão distante da IA, o aprendizado de máquina (ML). Na verdade, todos os sistemas atuais de inspeção por raios X da Eagle utilizam o ML para detectar contaminantes e determinar quais produtos alimentícios passam para a próxima etapa. Com o ML, um computador é fornecido com uma biblioteca de dados sobre o produto ideal para que você tenha uma ideia do que procurar ao identificar contaminantes.

Alguns clientes da Eagle optam por um modelo pré-treinado, que já recebeu dados sobre um produto que se alinha às suas ofertas. Outros podem optar por criar um novo modelo a partir de seus próprios dados. Ao analisar uma imagem de raio X, se o algoritmo detectar algo que não esteja alinhado com o que foi ensinado como “correto”, ele marcará a unidade como rejeitada.

O ML pode ser autônomo, mas também é uma parte fundamental do quebra-cabeça da IA. Em termos simples, o AM é o que permite que a IA aprenda com os dados em tempo real. Enquanto o AM é ensinado usando parâmetros estáticos como linha de base, a IA combinará cada bit de “conhecimento” adquirido para informar cada decisão que tomar. Seu banco de dados está em constante mudança. Por esse motivo, o AM e a IA que foram treinados no mesmo conjunto de dados original podem, eventualmente, chegar a conclusões diferentes com base no que a IA aprendeu em campo.

Você quer ver o que a tecnologia atual pode fazer? Envie-nos seu produto para uma avaliação complementar. TESTE SEU PRODUTO >>>

Quão confiável é a IA atual para o monitoramento automatizado da segurança de alimentos?

desafios únicos. A IA só pode se basear no que já sabe, mas ela aprende com cada produto. É importante garantir que ela aprenda corretamente o que é certo e o que é errado para automatizar ao máximo o monitoramento da segurança de alimentos. Por exemplo, digamos que uma IA tenha aprendido que uma determinada composição de imagem é “aprovada” em um sistema de aprovação/reprovação. No entanto, pode haver variações nessa composição de imagem entre as unidades, dependendo das variações regulares do produto ou das diferentes configurações de raio X calibradas pelo operador. A IA precisa ser ensinada que essas diferenças são aceitáveis – caso contrário, ela produzirá muitas rejeições falsas.

Embora um modelo de IA possa marcar uma determinada unidade como rejeitada, não há como extrapolar exatamente como ele chegou a essa decisão. Como resultado, você não pode simplesmente orientar o algoritmo para que não cometa os mesmos erros novamente. Você só pode fornecer a ele mais dados sobre como é uma unidade aceitável e monitorar seu comportamento para ver se ele se adapta bem. Isso torna difícil eliminar os erros do sistema.

A IA extrai de sua vasta biblioteca de dados existente, compara a unidade que está sendo inspecionada com todos esses dados e toma uma decisão – exatamente como um ser humano faria. Portanto, assim como quando você coloca um novo funcionário no chão de fábrica, a IA não pode ser introduzida no fluxo de produtos sem algum tipo de supervisão humana de alguém com mais experiência em inspeção por raios X para orientá-la. Pelo menos, ainda não.

Suporte a algoritmos determinísticos com IA

Conforme mencionado anteriormente, os produtos Eagle atuais podem ser pré-carregados com uma ampla variedade de algoritmos de ML pré-treinados para inspeção automatizada de alimentos. Esses modelos, às vezes chamados de “algoritmos determinísticos”, podem não ser tão adaptáveis quanto a IA – mas, embora isso possa parecer uma desvantagem ou uma falha, na verdade pode ser uma coisa boa. Ao contrário dos modelos de IA, esses algoritmos determinísticos fornecem aos operadores de máquinas de raios X mais informações sobre o raciocínio de rejeição, pois seguem um caminho lógico linear e predeterminado. Além disso, eles também oferecem aos usuários maior controle sobre os parâmetros de produtos “aceitos” e “rejeitados”.

No estágio atual de desenvolvimento, a IA faz mais sentido como um sistema de suporte para algoritmos determinísticos do que como uma ferramenta autônoma. Pense nela como outro par de olhos em seu produto. Embora possa não ser 100% precisa, há uma chance de que ela detecte algo que o modelo de ML ou o operador da máquina não tenha detectado. A IA tem uma visão mais holística de uma imagem de raio X e baseará sua decisão final em critérios nem sempre óbvios para nós, humanos. No entanto, ela ainda exige um monitoramento atento e um grande banco de dados para garantir que não comece a aceitar ou rejeitar produtos incorretamente.

Aprimorando os recursos de IA com a tecnologia de raios X de dupla energia

A tecnologia de energia dupla e o software de imagem avançado da Eagle podem ser soluções promissoras para ajudar a aumentar a precisão da IA na inspeção de alimentos por raios X. Ao fornecer uma imagem com maior contraste, detalhes mais nítidos e ruído reduzido de produtos “ocupados”, nossa tecnologia já facilita a identificação de contaminantes em produtos alimentícios de todos os tipos para modelos de ML e operadores de máquinas. No futuro, essa tecnologia pode muito bem desempenhar um papel fundamental na produção dos modelos de inspeção de alimentos com IA mais precisos do setor.

Você precisa de IA para o monitoramento automatizado da segurança de alimentos?

Embora a IA tenha o potencial de se tornar uma ferramenta mais útil na automação da segurança de alimentos com o tempo, em seu estado atual ela não é exatamente o que os clientes esperam que seja. O algoritmo de IA ideal seria capaz de aprender em tempo real, sem supervisão, e aprender exatamente o que precisa sem cometer erros, mas a tecnologia ainda não chegou lá.

Para alcançar a qualidade que os clientes esperam, nós da Eagle estamos investindo continuamente em treinamento e aprimoramento dos modelos de IA que temos em desenvolvimento para garantir que eles possam realmente fornecer uma solução valiosa para nossos clientes após o lançamento. Muitas outras empresas de inspeção de alimentos podem afirmar que estão usando modelos alimentados por IA, e é bem possível que estejam. Mas o que elas não divulgam é a quantidade de supervisão necessária para monitorar esses sistemas e garantir que eles não saiam dos trilhos.

No final das contas, não se trata tanto de escolher entre IA ou algoritmos determinísticos. É uma questão de escolher entre o que funciona de forma confiável e o que não funciona. A tecnologia de IA pode ser empolgante em suas possibilidades futuras, mas, por enquanto, não sinta que você precisa se apressar para adotar a tecnologia. Os recursos da IA em aplicações de inspeção de alimentos ainda estão sendo explorados em todo o seu potencial, com muito espaço para crescer. Enquanto isso, se você estiver executando um sistema de inspeção por raios X Eagle, deve estar em boa forma.