تاثیر هوش مصنوعی در پیش بینی صنعت غذا

تیتر۲۰- بر اساس یک مطالعه جدید، تکنیک‌‌‌های یادگیری ماشین (Machine Learning‌‌) ‌می‌توانند با موفقیت برای شناسایی بهتر شیوع ناامنی غذایی در سراسر جهان مدت‌‌‌ها قبل از وقوع آنها به کار گرفته شوند. در علم یادگیری ماشین، به موضوع طراحی ماشین‌‌‌هایی پرداخته می‌شود که با استفاده از مثال‌‌‌های داده شده به آنها و تجربیات خودشان، بیاموزند. در واقع، در این علم تلاش می‌شود تا با بهره‌‌‌گیری از الگوریتم‌‌‌ها، یک ماشین به شکلی طراحی شود که بدون آنکه صراحتا برنامه‌‌‌ریزی و تک‌تک اقدامات به آن دیکته شود بتواند بیاموزد و عمل کند. در یادگیری ماشین، به جای برنامه‌‌‌نویسی همه چیز، داده‌‌‌ها به یک الگوریتم عمومی داده می‌‌‌شوند و این الگوریتم است که بر اساس داده‌‌‌هایی که به آن داده شده منطق خود را می‌‌‌سازد.

اما اهمیت این موضوع در چیست؟ با پیش‌بینی بحران‌های مربوط به نا‌امنی موادغذایی، تخصیص به موقع کمک‌‌‌های بشردوستانه می‌تواند موضوع مرگ یا زندگی در طول بحران غذایی باشد. نحوه جمع‌آوری اطلاعات و زمان پاسخگویی ما می‌تواند تفاوت چشمگیری را ایجاد کند. یک مطالعه جدید در Science Advances، مجله انجمن آمریکایی برای پیشرفت علم، متنی مرتبط با این موضوع را با استفاده از بیش از ۱۱ میلیون مقاله خبری متمرکز بر کشورهای دچار ناامنی غذایی، بین سال‌های ۱۹۸۰ تا ۲۰۲۰ منتشر کرد.

این مطالعه نحوه گزارش خبرنگاران در مورد ناامنی غذایی و علل مرتبط با آن را تجزیه و تحلیل کرد. محققان دریافتند که بین سال‌های ۲۰۰۹ تا ۲۰۲۰ و در ۲۱ کشور، شاخص‌‌‌های خبری درواقع پیش‌بینی‌های طبقه‌‌‌بندی فاز یکپارچه(IPC‌) مربوط به ناامنی غذایی را بهبود بخشیدند به طوری که در سطح منطقه خاصی از یک کشور تا ۱۲ ماه زودتر در دسترس قرار می‌گیرند. نتیجه نهایی یک سیستم هشدار اولیه است که پوشش‌های خبری را استخراج می‌کند تا شیوع بحران غذایی را با دقت بیشتری نسبت به سیستم‌های هشدار سنتی که در حال حاضر در ۳۷ کشور ناامن غذایی در آفریقا، آسیا و آمریکای لاتین استفاده می‌شود، پیش‌بینی کند.

ساموئل فریبرگر، دانشمند علوم داده در گروه بانک جهانی و یکی از نویسندگان این مقاله، در یک مصاحبه مطبوعاتی اظهار کرد که مدل‌های سنتی امنیت غذایی، بر اقدامات ریسکی متکی هستند که اغلب به تاخیر افتاده، قدیمی یا ناقص هستند. فریبرگر می‌‌‌گوید: از لحاظ تاریخی، وقتی به داده‌‌‌ها و پیش‌بینی‌‌‌های این متخصصان نگاه می‌‌‌کنید، کاملا مبهم هستند. او خاطرنشان می‌کند که این مدل‌‌‌ها به معیارهای عینی یا شاخص‌‌‌های قیمت مواد غذایی تکیه می‌کنند، که این امر منجر به شکاف‌‌‌های اطلاعاتی برای کشورهای فقیرتر می‌شود که در آنها داده‌‌‌های موادغذایی به خوبی جمع‌‌‌آوری نمی‌‌‌شوند یا به دلیل کمبود منابع، درگیری‌های داخلی یا خارجی یا شوک‌‌‌های اقلیمی اصلا در آن کشورها داده‌ای وجود ندارد.

در یک نمونه، مطالعه آنها نشان می‌دهد که چگونه عبارات خبری مرتبط با هجوم آفات کشاورزی در سال ۲۰۱۶ که در ۲۰ کشور آفریقایی گسترش یافت و محصولات را از بین ‌‌‌برد، در مناطقی که بیشتر در معرض خطر قرار گرفته‌‌‌اند، پنج ماه قبل از اینکه IPC آن را یک بحران تلقی کند، افزایش یافت. در آن زمان کرم ارتشی مخوف گیاهخوار پاییزی مانند آتش‌سوزی در سراسر آفریقا پخش شد. این حشره مهاجم که اولین بار در اوایل سال ۲۰۱۶ در آفریقا گزارش شد، در بیش از ۲۰ کشور آفریقایی از جمله سودان جنوبی و آفریقای جنوبی وجود دارد. بسیاری از محصولات اصلی مانند ذرت را از بین برد، به طوری که خسارت این آفت تنها به مزارع ذرت بالغ بر ۳ میلیارد دلار در ۱۲ ماه تخمین زده می‌شود. به گفته فریبرگر، این می‌تواند «پیامدهای عمیقی» بر نحوه تخصیص کمک‌‌‌های بشردوستانه به مناطق برای کمک به جلوگیری از بحران غذایی قریب‌‌‌الوقوع داشته باشد و تاکید کرد که حتی هفته‌‌‌ها می‌توانند تفاوت بزرگی ایجاد کنند.

طبق گزارش دفتر سازمان ملل متحد برای هماهنگی امور بشردوستانه، به موقع بودن، عامل اصلی اثربخشی بودجه‌های بشردوستانه و متضمن حفظ جان و معیشت مردم و همچنین به حداکثر رساندن تاثیر این کمک‌هاست. یک تحلیل منتشر شده در سال ۲۰۲۲ در مجله BMJ Global Health استفاده از داده‌ها را برای «برنامه‌ریزی و تصمیم‌گیری مبتنی بر شواهد» به عنوان «ضرورت برای موفقیت کمک‌های بین‌المللی» در بحران‌های بشردوستانه تعیین می‌کند.

از آنجا که تغییرات آب و هوایی منجر به افزایش خطر حوادث بلایای طبیعی در سراسر جهان می‌شود، که اغلب منجر به مشکلاتی در رابطه با در دسترس بودن، استفاده و پایداری مواد غذایی می‌شود، برخی سازمان‌های فعال در رابطه با بلایای طبیعی مانند تیم غیردولتی Rubicon مدعی هستند که آمادگی آگاهانه در این خصوص می‌تواند نجات‌بخش و موثر باشد. آرت دلاکروز، مدیرعامل تیم روبیکون می‌گوید، هنگامی که فاجعه‌ای رخ می‌دهد، یکی از آن چیزهایی که مردم به آن تکیه می‌کنند، دسترسی آنها به آب و غذاست. هوش مصنوعی به خوبی می‌تواند این موضوع را پیش‌بینی کند و مانع ایجاد شکاف بین مردم و زنجیره تامین مواد غذایی در زمان رخ دادن بلایای طبیعی شود.

دلاکروز می‌گوید: هر چه جامعه زمان و منابع بیشتری برای توسعه یک طرح داشته باشد، برای پاسخگویی به «اثرات آبشاری» خطرات پیش‌بینی‌نشده مجهزتر است. دلاکروز می‌‌‌گوید: باتوجه به افزایش جمعیت جهانی و فراهم کردن نیازهای مردمی، استفاده از هوش مصنوعی در صنایع غذایی می‌تواند تامین محصولات غذایی را در دست بگیرد. همچنین استفاده از فناوری هوش مصنوعی در صنعت مواد غذایی به سرعت در زندگی روزمره ما نفوذ می‌کند. از کشت غذا تا توزیع، پخت و مصرف غذا، مرحله‌‌‌ای نیست که تحت‌تاثیر هوش مصنوعی قرار نگیرد./دنیای اقتصاد