Una de las características destacadas discutidas fue el hecho de que los conjuntos de sensores generan cantidades masivas y complejidades de datos.

Para que los datos sean útiles para el usuario final, deben validarse (es decir, caracterizarse por su veracidad), agregarse y analizarse. La Inteligencia Artificial (IA) se vuelve esencial por el volumen, variedad y velocidad de los datos. Para que la IA funcione correctamente, los desarrolladores de algoritmos deben trabajar en estrecha colaboración con los analistas que utilizan los sistemas para extraer información de las bases de datos y los expertos en la materia que pueden validar el aprendizaje automático.

Cómo ayuda la IA en la toma de decisiones y el análisis

A menudo se describe que la toma de decisiones comprende cuatro fases:

1. Observar
2. Orientar
3. Decidir
4. Acto.

Desarrollado por primera vez por el coronel de la Fuerza Aérea John Boyd para describir cómo reaccionan los pilotos de combate ante las amenazas, el "OODA Loop"  se volvió a aplicar ampliamente al mundo empresarial, cuando se comprendió que estos procesos también se pueden aplicar a otros tipos de toma de decisiones. La construcción mental también puede ser utilizada por quienes toman decisiones que desean tomar mejores decisiones más rápidamente que la parte contraria. En las peleas aéreas de perros y en los negocios, ser más rápido a menudo se traduce en triunfo ante un desafío. La IA ayuda a los tomadores de decisiones a "ajustar el círculo", es decir, truncar el tiempo necesario para tomar decisiones correctas. Con el tiempo, los algoritmos de IA también se pueden perfeccionar, lo que acerca a quien toma las decisiones a una acción operativa "casi en tiempo real" o incluso "en tiempo real".

Se han desarrollado algoritmos de IA con el fin de "indicar y dar propinas". Las indicaciones significan que los datos (u observaciones) pueden introducirse rápidamente en la parte "oriental" del ciclo analítico para su posterior revisión por parte de los analistas y expertos en la materia (PYME), y para el eventual desarrollo de cursos de acción alternativos.

La fase de orientación está diseñada para preparar el escenario para los esfuerzos de análisis, poniendo a disposición datos que luego se interpretan correctamente con un conjunto de principios preestablecidos (por ejemplo, la presencia de bacterias patógenas es una aberración inaceptable en la seguridad alimentaria). La fase de orientación también informa a las autoridades operativas sobre las situaciones existentes (por ejemplo, las temperaturas reportadas en las líneas 1 y 2 son correctas) y el medio ambiente (por ejemplo, todos los sistemas están funcionando en modo adecuado). La orientación también garantiza la colocación correcta de los sensores (por ejemplo, el sensor óptico en la línea 1 está orientado perfectamente perpendicular al producto que se mueve hacia abajo en la línea 1). Todos los datos recopilados en esta fase se envían a un conjunto de datos, que luego se puede utilizar para análisis posteriores y/o mantenimiento de registros.

Paralelamente a este proceso, que en los sistemas automatizados podría ocurrir en microsegundos, pueden ocurrir inclinaciones y señales entre sensores. Supongamos, por ejemplo, que un sensor de menor resolución detecta una anomalía en algún lugar del sistema, pero debido a sus límites de resolución no pudo realizar una identificación definitiva, o requiere una orientación diferente para realizar una determinación definitiva. El sensor de menor resolución (Sensor A) podría entonces "hablar" con un sensor de mayor resolución (Sensor B) generando una "punta" electrónica, indicando o instruyendo así al sensor de mayor resolución u orientación diferente para que mire el objeto o evento de interés.

Dependiendo del sistema y los protocolos, las propinas y las indicaciones se pueden realizar con o sin el ser humano en el medio. Ningún humano en el medio significa comunicaciones de sensor a sensor, como ocurre en los sistemas automatizados. Sin embargo, si se necesita una persona que tome decisiones para fines regulatorios o comerciales, entonces el consejo puede enviarse primero a un analista o PYME para su revisión y luego transmitirse, indicando al segundo sensor que escanee el objeto de interés. En tal sistema, el ser humano decidiría si se debe "consultar" un sensor de mayor resolución, es decir, recibir instrucciones electrónicas para recopilar datos de mayor resolución.

El propósito de los sensores de inclinación y orientación es maximizar la granularidad de los datos y al mismo tiempo limitar su flujo. Los sensores abiertos crean enormes cantidades de datos que, si no se controlan, inundarían el almacenamiento de datos con datos inútiles. Por ejemplo, supongamos que el sensor A observa el producto que ingresa a un sistema de procesamiento de alimentos, mientras que los sensores B, C y D observan los productos a medida que pasan por varios procesos. En cualquier sistema se producen retrasos, lo que significa que el movimiento del producto no es continuo. No tiene sentido tener sensores encendidos cuando los productos no fluyen, ya que los datos serían nulos, creando más "ruido" del cual habría que separar la "señal" (los datos necesarios). La IA puede "aprender" mediante los esfuerzos cooperativos de ingenieros, analistas y PYME qué objetivos operativos (por ejemplo, adulterantes) son importantes y cuándo encender y apagar el sensor apropiado.

La desventaja de la acción del sensor "humano en el medio" es que es más lenta que un sistema totalmente automatizado. En estos sistemas que no están completamente automatizados, el proceso puede incorporar "sistemas habilitados por IA", lo que hace que la velocidad de acción sea más rápida que los sistemas "solo humanos" (por ejemplo, inspección organoléptica), pero no puede igualar un sistema completamente automatizado donde La IA impulsa las propinas y las señales. Es importante señalar que todos los sistemas de IA, ya sean asistidos o totalmente automatizados, deben estar "entrenados" adecuadamente para identificar correctamente el objetivo.

También se pueden incorporar disparadores y alarmas en la segunda fase u "orientación" del proceso. Por ejemplo, en algún punto dentro de los procesos de un producto alimenticio se detecta una aberración. El sistema, que nuevamente utiliza IA para ayudar, puede responder instantáneamente con un disparador. El disparador podría, por ejemplo, hacer que la temperatura en un proceso crítico se ajuste ligeramente para permanecer dentro de los ajustes prescritos o provocar una alarma, cuando el proceso está totalmente fuera de las especificaciones.

Hacer más con el análisis de datos de IA

Una vez superada la fase de orientación del ciclo, los analistas y las PYME pueden examinar los datos generados para utilizarlos en el desarrollo de productos finales (informes, gráficos, cuadros, etc.). Estos datos también se pueden utilizar para la producción de cursos de acción, como cuando se entrena el modelo de IA. La IA permite a quienes necesitan información recibirla de forma más rápida y precisa, lo que permite una toma de decisiones y acciones más rápidas.

Dar indicaciones y dar propinas es posible sin IA, pero aumentaría significativamente el tiempo de toma de decisiones. Los análisis anteriores a la IA a menudo podían llevar semanas, meses o incluso años para que las conclusiones analíticas estuvieran completamente desarrolladas y difundidas, ya sea por parte del gobierno utilizando el tradicional "ciclo de inteligencia" o utilizando enfoques similares en inteligencia empresarial y procedimientos de toma de decisiones empresariales.

El "ciclo de inteligencia" tradicional se explica de forma más sencilla como un bucle que consta de cinco fases:

Planificación y dirección

1. Recopilación
2. Procesando
3. Análisis y producción (informes, resúmenes, gráficos, etc.)
4. Diseminación.

La "IA entrenada" trunca las primeras cuatro fases, lo que permite una difusión más rápida entre los responsables de la toma de decisiones. Considere primero la "planificación y dirección". Supongamos que un examen realizado únicamente por humanos de los datos relacionados con la seguridad alimentaria de su empresa (quizás utilizando medidas estadísticas tradicionales) arrojara una conclusión errónea. Por ejemplo, la conclusión fue "A", cuando en realidad la mejor conclusión fue "B". Como resultado de esta conclusión incorrecta, la planificación y la dirección también fueron erróneas, o tal vez no tan correctas como deberían haber sido. En otras palabras, "un tipo de error" puede significar que los productos alimenticios resultantes siguen siendo seguros pero lo hacen a un costo mayor del que se puede lograr. La IA a menudo puede "ver" la totalidad de los datos y analizar patrones y tendencias que podrían no ser evidentes para los analistas y estadísticos humanos. La IA ayuda a la correcta toma de decisiones en planificación y dirección. También ayuda a detectar anomalías sutiles a lo largo del camino (pensemos nuevamente en las indicaciones y las propinas). La IA ayuda a detectar errores y también puede ser capaz de desarrollar nuevos conocimientos que de otro modo podrían pasarse por alto.

La IA también puede ser de gran ayuda en la recopilación de datos. Una vez más, al observar la totalidad de los datos históricos y generados actualmente, los analistas que utilizan IA pueden detectar lagunas o redundancias. Por ejemplo, la IA puede determinar la recopilación de datos de una parte diferente de los muchos procesos que componen la producción segura de alimentos. La IA también puede ayudar a determinar si se pueden implementar economías de esfuerzo de forma segura.

En el último artículo de los autores 1 ,  analizamos un sistema de sensores impulsado por IA que utiliza un enfoque de la granja a la mesa en la seguridad alimentaria. Imagine los ahorros financieros si una o más muestras relacionadas con la seguridad alimentaria pudieran modificarse o incluso eliminarse a lo largo del camino de los alimentos desde la granja hasta la mesa, al tiempo que se redujera la probabilidad de enfermedades transmitidas por los alimentos. Dado que la cadena alimentaria es un "sistema de sistemas" muy complejo, es muy poco probable que una PYME por sí sola pueda idear y probar tal hipótesis, mientras que una IA bien entrenada podría identificar modificaciones aceptables. Por el contrario, la IA también podría concluir que los sitios o estrategias de prueba alternativos proporcionarían más datos procesables, quizás reduciendo aún más el potencial de productos contaminados.

La IA puede ser de gran ayuda en el procesamiento de datos, yendo más allá incluso de los métodos estadísticos tradicionales más potentes utilizados con big data. Se deben utilizar métodos estadísticos tradicionales de big data en el desarrollo preliminar del modelo y en el entrenamiento de la IA, pero esos métodos por sí solos ya no son capaces de manejar el volumen y la velocidad de los datos generados por un programa integral de seguridad alimentaria, donde, por ejemplo, todos los datos generados El punto va acompañado de datos geoespaciales y temporales.

La próxima columna de los autores examinará cómo la IA puede usarse de manera malévola para dañar a las empresas de alimentos y la seguridad de los productos que fabrican, y cómo se pueden aplicar soluciones a los problemas para mitigar este riesgo.

Fuente: food-safety.com