האם אומת הסטארט-אפ יכולה לדאוג לביטחון תזונתי?

משבר הסלמונלה בישראל הוא רק קצה הקרחון של משבר עולמי בתעשיית המזון, המתמקד בבטיחות המזון ואספקתו לאוכלוסייה (ביטחון תזונתי). מחקר שהתפרסם ב-Harvard Business Review קובע, כי הגידול הנוכחי באוכלוסיית העולם יעלה את הביקוש למזון מ-59% עד ל-98% בשנת 2050. לפיכך, לא רחוק הוא יום הדין, שבו הגידול באוכלוסייה יעלה על הגידול באספקת המזון עד כי ייווצר מצב שבו לא יהיה די מזון כדי לכלכל את כולם. נכון לעכשיו לא ברור עדיין אם תעשיית המזון בעולם תוכל לעמוד בדרישות.

אחד התחומים החמים ביותר, אשר נקרא לדגל כדי לענות על המשבר הגלובלי הצפוי בתעשיית המזון, הוא תחום הבינה המלאכותית. מודלים חכמים, המשתלבים לאורך כל שרשרת האספקה, החל משלב זריעת הזרעים ועד המוצרים הארוזים והמוגמרים המגיעים למדפי הסופרמרקט, חוזים תקלות, זיהומים ושינויים, וכך מייעלים ומזרזים את ייצור ואספקת המזון ומבטיחים את שלמותו ובטיחותו.

באומת הסטארט-אפ, החורתת על דגלה את הקידום הטכנולוגי, יותר מראוי שהרשויות ותעשיית המזון יובילו פיתוח ואימוץ המתודולוגיות והכלים הטכנולוגיים המתקדמים ביותר, שלא רק ינטרו את בטיחות המזון, אלא גם יציעו יכולות חיזוי ומניעה של התפרצויות מחלות, משברים ואסונות נוספים.

חיזוי זיהום הסלמונלה הבא

טכנולוגיות בינה מלאכותית יודעות לחזות אפשרות של התפתחות מחלה במוצר מזון, דוגמת מחלת הסלמונלה. טכנולוגיות עיבוד תמונה מזהות פגמים במוצר בזמן אמת ומאפשרות להגדיל את היקף הבדיקות הנעשות בקו הייצור ואת הדיוק שלהן. קיימות טכנולוגיות חדשות שיכולות אפילו "לטעום" ו"להריח" מוצרי מזון ולקבוע אם הם עומדים בדרישות האיכות, אם הם רקובים, בוסריים או מקולקלים. מודלים אחרים של בינה מלאכותית מאפשרים לקבוע את רמתם של רכיבים שונים, שמשפיעים על המרקם או הצבע של מזון או משקה. לדוגמה, ישנם מודלים המאפשרים לנבא את רמת הקצף והכהות של בירה.

לא רחוק הוא יום הדין, שבו הגידול באוכלוסייה יעלה על הגידול באספקת המזון עד כי ייווצר מצב שבו לא יהיה די מזון כדי לכלכל את כולם. נכון לעכשיו לא ברור עדיין אם תעשיית המזון בעולם תוכל לעמוד בדרישות

מחקרים חדשים בתחום הבינה מלאכותית מציעים חיזוי של התפתחות מחלה חיידקית במוצרי מזון על ידי עיבוד של מדדים סביבתיים הקיימים לאורך כל שרשרת האספקה, דוגמת מזג אוויר, לחות וכדומה. הם מאפשרים לקבוע מה יהיה אורך חיי המדף של המוצרים, מה הסיכוי שלהם להתקלקל והאם קיים סיכון בצריכתם. אם נמצא באחד המוצרים חיידק סלמונלה לדוגמה, המודל ילמד את המאפיינים של המוצר, ידע לזהות את הדפוס שמאפשר את התרבות החיידק, לחזות באילו מוצרים יכולה להתפתח המחלה ולמנוע את התפשטותה.

מה דרוש על מנת שבינה מלאכותית תהיה נפוצה יותר בתעשייה?

טכנולוגית בינה מלאכותית יכולה למנוע את משבר הסלמונלה הבא, אך קיימים לא מעט אתגרים בדרך לאימוצה. ראשית, מודלים של בינה מלאכותית זקוקים לנפח רב של נתונים איכותיים על מנת ללמוד את המאפיינים שלו ואת רמת האיכות הדרושה בו. מפעלי מזון רבים ייתכן ויידרשו לשינוי טכנולוגי וארגוני נרחב ולביצוע תהליכי דיגיטליזציה על מנת שיהיה ביכולתם לאסוף די נתונים. חברות רבות בתעשיית המזון עדיין עובדות באופן ידני ולא אוספות נתונים באופן מסודר ועקבי. המחסור בנתונים, השונות הגבוהה בין קווי הייצור, המוצרים והרכיבים, הם אתגר לא פשוט. בנוסף, כדי לפתור בעיות מורכבות, בחלק מהמקרים המפעל יידרש להצטייד בהתקני IoT, חיישנים, מצלמות ורכיבים נוספים שמאפשרים ניטור של קווי הייצור והשינוע, דבר שכרוך בעלות נוספת. יתר על כן, מפעל נדרש לגייס מומחים ואנשי טכנולוגיה שיכולים לקדם את הנושא.

התעשייה המסורתית נמצאת בתחילת הדרך בהשקעתה בטכנולוגיות בינה מלאכותית. משבר הסלמונלה הנוכחי לימד חברות רבות שיכולות החיזוי הן קריטיות, שכן הנזק הבריאותי לציבור, לצד הנזק הכלכלי והתדמיתי הם אדירים, וכי מדובר בנזקים שגדלים יותר אם החברה מאחרת בהודעתה לציבור ובנקיטת צעדים מתאימים.

אפשר גם להתחיל בקטן

כפי שציינתי, אימוץ טכנולוגיות בינה מלאכותית דורש שינוי טכנולוגי וארגוני, אך מפעל לא חייב לבצע מהפכה בכלל קווי הייצור שלו כדי ליהנות מהן. ניתן להחיל מודלים של בינה מלאכותית בקווי ייצור מסוימים בלבד או בשלבים מסוימים בשרשרת האספקה, שכן הללו בלאו הכי דורשים מאפיינים ייחודיים משלהם. הטכנולוגיה כיום נגישה יותר וניתן להתחיל "בקטן" ולצמוח באזורים בהם קיים איסוף נתונים סדור במפעל. יתרה מכך, קיימות כיום חברות מתמחות שיכולות לספק מומחים, מתודולוגיות ושירותים בתחום ואפילו לסייע בהקמת מרכזי מצוינות שיקדמו את הנושא במפעל בקצב שלו, דבר שיכול לקצר ולייעל מאד את התהליך.

הכותבת היא מדענית נתונים בחברת Data Science Group (DSG).