Raport EFSA: model obliczeniowy FFRAUD-ER do identyfikacji zagrożeń bezpieczeństwa żywności związanych z oszustwami

EFSA opublikowała raport z projektu „FFRAUD-ER: Opracowanie modelu obliczeniowego do identyfikacji incydentów oszustw żywnościowych jako czynników napędzających pojawiające się zagrożenia dla bezpieczeństwa żywności”.

Znaczenie projektu w kontekście strategicznym EFSA

Jednym z oczekiwanych rezultatów strategicznych celów EFSA jest zwiększenie możliwości analizy ryzyka pod względem wiedzy, doświadczenia, metodologii i danych, aby utrzymać znaczenie instytucji w przyszłości. Dlatego też dla EFSA kluczowe jest zbadanie i ocena wdrożenia zaawansowanych technologii, które ułatwiają identyfikację pojawiających się zagrożeń w łańcuchu dostaw żywności. EFSA stale dąży do opracowywania, ustanawiania i testowania ram identyfikacji i analizy incydentów oszustw żywnościowych jako czynników napędzających pojawiające się zagrożenia dla bezpieczeństwa żywności i pasz.

Główne cele projektu FFRAUD-ER

Głównymi celami tego projektu była ocena praktycznej stosowalności i możliwości modelu obliczeniowego w identyfikowaniu pojawiających się zagrożeń dla bezpieczeństwa żywności, wynikających z oszustw żywnościowych oraz usprawnienie metodologii identyfikacji ryzyka poprzez integrację najnowocześniejszych technik przetwarzania języka naturalnego i uczenia głębokiego. Ponadto projekt ma zapewnić wsparcie dla EFSA i innych sieci w proaktywnym zarządzaniu zagrożeniami, które mogą wpływać na integralność globalnego łańcucha dostaw żywności.

Metodologia: Identyfikacja źródeł danych i ich etykietowanie

Projekt rozpoczął się od obszernej fazy analizy źródeł zastanych (desk research), której celem była identyfikacja i ustalenie priorytetów dla źródeł danych kluczowych dla zrozumienia oszustw żywnościowych i ich skutków dla bezpieczeństwa żywności. Rozważane źródła danych obejmowały bazy danych dotyczące oszustw żywnościowych, bazy danych dotyczące bezpieczeństwa żywności, zasoby akademickie oraz platformy mediów społecznościowych. Zastosowano podejście oparte na Wielokryterialnej Analizie Decyzji (MCDA), które doprowadziło do wyboru czterech głównych źródeł: Raportów JRC, Bazy Danych Informacji o Ryzyku Oszustw Żywnościowych (Food Fraud Risk Information Database), systemu RASFF oraz bazy danych HorizonScan.

Po wyborze źródeł danych wdrożono rygorystyczny proces etykietowania danych. Obejmowało to kompleksowe kontrole jakości i wstępne przetwarzanie danych, aby zapewnić wykorzystanie tylko tych najbardziej trafnych i dokładnych. Dane poddano oczyszczeniu i redukcji, co pozwoliło na kategoryzację do ośmiu odrębnych kategorii zagrożeń żywnościowych i zapewniło efektywny proces etykietowania. To kluczowe zadanie zostało wykonane przez zewnętrznych ekspertów ds. żywności, a następnie zweryfikowane przez przedstawicieli EFSA, JRC i DG SANTE, zapewniając dokładność i spójność. Ustanowiono wspólne wytyczne dotyczące etykietowania danych, które zostały uzgodnione przez wszystkie zainteresowane strony, aby zachować jednolitość w całym zbiorze danych.

Opracowanie modelu obliczeniowego

Opracowanie modelu obliczeniowego stanowiło znaczącą fazę projektu. Przeprowadzono szeroko zakrojone badania w celu określenia najbardziej odpowiedniego podejścia uczenia maszynowego, przy czym zespół projektowy zdecydował się na uczenie głębokie ze względu na złożoność zadania przetwarzania języka naturalnego (NLP). Zidentyfikowano i oceniono sześć najnowocześniejszych modeli NLP: BERT, XLNet, GPT-3, ELECTRA, T5 oraz ELMo. Modele te zostały wytrenowane i przetestowane na etykietowanym zbiorze danych, przy czym XLNet okazał się najlepszy, osiągając wynik F1-Score na poziomie 95% oraz wynik ROC/AUC na poziomie 98%. Metryki te zostały wybrane w porozumieniu z EFSA, aby były zgodne z ich kryteriami oceny ryzyka.

Doskonalenie modelu i rekomendacje

Po wstępnym opracowaniu modelu nastąpił etap iteracyjnego doskonalenia. Do modelu XLNet wprowadzono nowe dane, a obszary wymagające poprawy zidentyfikowano w drodze dyskusji z EFSA i zainteresowanymi stronami. Model został ponownie wytrenowany, uwzględniając techniki ponownego etykietowania i generowania danych syntetycznych, aby poprawić jego wydajność przy jednoczesnym zachowaniu solidnych wyników. Sformułowano rekomendacje dotyczące postępowania z danymi poufnymi, proponując dwa potencjalne scenariusze. Pierwszy to rozwiązanie scentralizowane, w którym model jest zintegrowany z aplikacją internetową utrzymywaną przez EFSA. Drugi to rozwiązanie zdecentralizowane, w którym poszczególne organizacje analizują wyniki niezależnie i przekazują swoje rezultaty z powrotem do EFSA.

Zastosowanie modelu i analiza wyników

Wykorzystując nowo pozyskane dane dotyczące incydentów oszustw żywnościowych, model obliczeniowy wykazał swoją zdolność do identyfikowania pojawiających się zagrożeń dla bezpieczeństwa żywności. Został wdrożony wraz z metodami regresji logistycznej, alokacji wag i dekompozycji sezonowej, aby wspierać EFSA i sieci identyfikacji pojawiających się zagrożeń w analizie otoczenia. Dane wykorzystane w tych zastosowaniach obejmowały miesięczny raport dotyczący oszustw żywnościowych JRC oraz raporty Komisji Europejskiej, które zawierały podejrzenia oszustw transgranicznych udostępniane w Sieci Ostrzegania i Współpracy (ACN). Chociaż metody te wykazały znaczny potencjał, ich ostateczna skuteczność wzrośnie wraz z szerszym zasięgiem danych (w ujęciu czasowym), ich zwiększonej jakości i lepszej strukturze.

Podsumowanie i wnioski

Stwierdzono, że opracowany model obliczeniowy jest solidnym narzędziem, które potrafi rozróżnić, czy jakikolwiek nowy incydent oszustwa żywnościowego stwarza ryzyko dla bezpieczeństwa żywności. Ponadto, stosując model obliczeniowy wraz z innymi wspomagającymi technikami statystycznymi lub analitycznymi, projekt wykazał zdolność modelu do wspierania EFSA w szybkiej ocenie incydentów związanych z bezpieczeństwem żywności i wykrywaniu potencjalnych pojawiających się zagrożeń.

Źródło: https://www.efsa.europa.eu/en/supporting/pub/en-9301

Zespół FoodFakty na bieżąco prowadzi monitoring zafałszowań żywności, suplementów diety i opakowań w bazie Probase 360. Klienci bazy codziennie otrzymują alert o produktach zafałszowanych i mogą niezwłocznie podejmować działania prewencyjne oraz korzystać z modułu analitycznego bazy.

Dowiedz się więcej o Strefie Managera i narzędziach ProBase 360.