Immagine copertina generata con l’intelligenza artificiale
L’intelligenza artificiale generativa e le ontologie digitali stanno aprendo nuove prospettive per la ricerca e sviluppo nel settore alimentare. La crescente complessità nella progettazione dei prodotti, insieme a requisiti sempre più articolati in materia di sicurezza alimentare e conformità normativa, obbliga le aziende a gestire quantità considerevoli di informazioni. Il problema, tuttavia, non riguarda soltanto la disponibilità dei dati, ma soprattutto la loro frammentazione. Integrare informazioni provenienti da fonti diverse e renderle comprensibili anche ai sistemi di AI potrebbe aiutare gli scienziati a prendere decisioni più consapevoli, ridurre il lavoro manuale e individuare i rischi con maggiore anticipo.
L’importanza dei dati evoluti nel food R&D
Lo sviluppo di un nuovo prodotto alimentare richiede oggi molto più della semplice ricerca della giusta combinazione di ingredienti, sapori e consistenze. I team di ricerca devono confrontarsi con documenti dei fornitori, risultati dei test, pubblicazioni scientifiche e normative specifiche per ciascun mercato. Informazioni che spesso si trovano in PDF, fogli di calcolo e comunicazioni separate, rendendo complicato ricostruire un quadro completo.
La situazione diventa ancora più articolata quando un’azienda intende commercializzare lo stesso prodotto in Paesi differenti. Ogni mercato può prevedere regole specifiche su allergeni, contaminanti, etichettatura e indicazioni nutrizionali. Secondo le stime dell’Organizzazione mondiale della sanità citate nell’analisi, nel 2021 gli alimenti non sicuri hanno provocato circa 866 milioni di malattie e 1,5 milioni di decessi nel mondo. Un quadro che evidenzia quanto la qualità delle informazioni sia importante anche per la tutela della salute.
Snellire i processi attraverso dati connessi
Una possibile risposta arriva dalle ontologie digitali, sistemi che organizzano le informazioni attraverso un vocabolario condiviso e collegamenti tra concetti differenti. Non si tratta semplicemente di creare un nuovo archivio, ma di fare in modo che dati provenienti da documenti diversi possano essere riconosciuti e interpretati come parti dello stesso insieme.
Un esempio riguarda la curcuma, che può comparire nei documenti con denominazioni differenti, come haldi, turmeric o Curcuma longa. Un’ontologia permette di riconoscere che si tratta dello stesso ingrediente e di collegarlo alle relative specifiche, ai fornitori, ai risultati dei controlli e alle normative applicabili. Tra gli strumenti esistenti figura FoodOn, un’ontologia aperta dedicata al settore alimentare, che raccoglie migliaia di classi relative a prodotti, origini vegetali e animali e processi produttivi.
Generative AI: vantaggi pratici e impatti sulla sicurezza
L’intelligenza artificiale generativa può contribuire concretamente alle attività di ricerca. Questi modelli sono in grado di leggere documenti dei fornitori, analizzare la letteratura scientifica, suggerire ingredienti alternativi e supportare la preparazione dei rapporti tecnici. Tuttavia, quando le informazioni di partenza sono frammentate, aumenta il rischio che l’AI non riconosca collegamenti importanti o produca risposte apparentemente plausibili, ma non corrette.
L’integrazione con le ontologie consente di ridurre questo problema, fornendo ai modelli una base di informazioni strutturate e verificabili. L’AI può così collegare un ingrediente al suo fornitore, ai test effettuati, alle caratteristiche richieste e alle normative da rispettare. Le risposte diventano più semplici da controllare, perché è possibile risalire alle informazioni utilizzate per elaborarle.
Decidere meglio, ridurre il lavoro manuale
L’automazione permette ai ricercatori di dedicare meno tempo alla ricerca e alla verifica manuale dei documenti, concentrandosi maggiormente sulle attività scientifiche. L’intelligenza artificiale può formulare proposte, confrontare alternative e organizzare informazioni che altrimenti richiederebbero numerosi passaggi.
Questo non significa, però, che il giudizio umano possa essere sostituito. Nell’esempio riportato da Vicky Dodani, cofondatore di Agrizy, un sistema AI aveva suggerito una bevanda proteica a base di proteine isolate di pisello, calcio e stabilizzanti. Sulla carta, la formulazione rispettava tutti gli obiettivi nutrizionali. Durante le prove di laboratorio, tuttavia, il trattamento termico provocava l’aggregazione delle proteine, con conseguente deposito visibile e una consistenza farinosa. Il gruppo di ricerca ha quindi dovuto modificare la quantità di minerali e il sistema stabilizzante.
Anticipare i rischi con dati evoluti e intelligenza artificiale
Uno dei vantaggi più importanti dei dati connessi riguarda la possibilità di individuare potenziali problemi già durante la progettazione, anziché scoprirli soltanto quando un prodotto finito arriva in laboratorio. Un esempio è rappresentato dalle proteine derivate dal riso: questo cereale tende ad assorbire arsenico inorganico dal terreno e dall’acqua più facilmente rispetto a molti altri cereali. Un sistema informativo integrato può quindi segnalare il rischio prima ancora della realizzazione di un lotto pilota.
Lo stesso principio vale quando cambia una ricetta: le conseguenze sugli allergeni e sulle possibili contaminazioni crociate possono emergere immediatamente. Individuare queste criticità nelle prime fasi permette di limitare rilavorazioni, ritardi e richiami dei prodotti. Resta comunque indispensabile che ogni proposta dell’AI venga verificata in laboratorio e approvata da personale qualificato. La tecnologia suggerisce, ma la responsabilità delle decisioni scientifiche e normative rimane umana.
Come agire: focus su dati integrati e AI in R&D food
Per le aziende alimentari, la priorità non dovrebbe essere semplicemente adottare il modello di intelligenza artificiale più potente, ma costruire una base informativa ordinata, coerente e accessibile. La pulizia dei dati, l’uniformità delle denominazioni e la capacità di collegare informazioni provenienti da fonti differenti rappresentano condizioni essenziali per ottenere risultati concreti.
Un sistema di questo tipo può contribuire ad accorciare i tempi di sviluppo, conservare il patrimonio di conoscenze aziendali anche quando cambiano i ricercatori e integrare sicurezza e conformità normativa fin dalle prime fasi della progettazione. La competitività nel food R&D dipenderà quindi anche dalla capacità di rendere i dati comprensibili tanto alle persone quanto alle macchine.
Fonte: YourStory