Смарт-система контролю алергенів у харчових продуктах методами і засобами штучного інтелекту
Анотація
Наведено підхід до побудови смарт-системи контролю алергенів у харчових продуктах на підставі аналізу фактичних зображень етикеток із використанням сучасних мультимодальних моделей штучного інтелекту (ШІ). Забезпечено персоналізоване оцінювання ризиків для користувача з урахуванням його індивідуального профілю алергенів, харчових обмежень та добових потреб. Запропонована система з контролю алергенів реалізує повний цикл оброблення зображення: завантаження або фотографування етикетки, автоматичне отримання інгредієнтів і потрібних характеристик, нормалізацію термінів, визначення потенційних алергенів, оцінювання рівня ризику та формування зрозумілих пояснень. Структура даних охоплює профіль користувача, історію сканувань етикеток продуктів, метадані зображень та структуровані результати ШІ, що забезпечує відтворюваність аналізу й можливість ретроспективної перевірки. Архітектура системи містить вебклієнт на Next.js, серверну частину на NestJS із чергами BullMQ, базу даних PostgreSQL і S3-сховище для зображень. Такий розподіл компонентів забезпечує масштабованість, стійкість до навантажень і можливість модульного розширення, зокрема – інтеграції нутріціологічної аналітики або рекомендаційних сервісів. Запропонована система поєднує мультимодальний аналіз етикеток із персоналізованою моделлю оцінювання ризику, що забезпечує значно вищу точність порівняно з традиційними каталогами інгредієнтів. Ключовим елементом є механізм нормалізації термінів, який дає змогу коректно зіставляти різні варіанти написання інгредієнтів і прихованих алергенів. Важливою складовою частиною також є збереження "сирої" відповіді моделі разом із версією алгоритму та промпту (запит, який користувач надає ШІ), що створює умови для відтворюваності результатів і наукової перевірки системи в майбутньому. Розроблений підхід, подібно до запропонованих у науковій літературі гібридних систем семантичного пошуку, демонструє високу практичну ефективність і його можна інтегрувати у різні прикладні середовища. Практична цінність результатів полягає в можливості впровадження системи у персональних сервісах харчової безпеки, медичних рекомендаційних платформах та інфраструктурах цифрової охорони здоров'я. Технологічна гнучкість архітектури системи відкриває перспективи масштабування рішення до мобільних застосунків, розширених модулів нутрітивної аналітики та систем персоналізованих рекомендацій. Отже, запропонована модель архітектури сприяє розвитку інтелектуальних інструментів контролю харчових алергенів і формує підґрунтя для подальшого вдосконалення алгоритмів мультимодального аналізу та персоналізованого оцінювання ризиків.
Завантаження
Посилання
Adedeji, A. A., Priyesh, P. V., & Odugbemi, A. A. (2024). The magnitude and impact of food allergens and the potential of AI based non destructive testing methods in their detection and quantification. Foods, 23–35. URL: https://www.mdpi.com/2304-8158/13/7/994
Du, Y., Sun, L., & Wang, H. (2022). Scene text recognition in real-world images: A review and benchmark. Pattern Recognition, 122, article ID 108302. URL: https://www.sciencedirect.com/science/article/abs/pii/S0031320321004829?via%3Dihub
European Commission. (2021). Ethics Guidelines for Trustworthy AI. URL: https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
Kwan, Z., Zhang, W., Wang, Z., Ng, A. B., & See, S. (2024). Nutrition estimation for dietary management: A transformer approach with depth sensing. arXiv preprint arXiv:2406.01938. URL: https://arXiv.org/abs/2406.01938
Li, J., Li, D., Liu, H., Lee, Y. J., et al. (2023). BLIP-2: Bootstrapping Language-Image Pre-Training with Frozen Image Encoders and Large Language Models. URL: https://arXiv.org/abs/2301.12597
Long, S., He, X., & Yao, C. (2021). Scene text detection and recognition: The deep learning era. International Journal of Computer Vision, 129(1), 161–184. URL: https://link.springer.com/article/10.1007/s11263-020-01369-0
Microsoft Research. (2024). Florence-2: Advancing Multimodal Foundation Models for Computer Vision. URL: https://arXiv.org/abs/2404.12391
OpenAI. (2023). GPT-4 Technical Report. URL: https://arXiv.org/abs/2303.08774
Ordovas, J. M., & Ferguson, L. R. (2022). Personalized nutrition: A review of current state and future opportunities. Nutrients, 14(4), article ID 906. URL: https://www.mdpi.com/2072-6643/14/4/906
Rasheed, H., Khan, A., Maheen, M., & Khan, S. H. (2023). A comprehensive survey of multimodal learning for image-text understanding. Information Fusion, 95, 101–125. URL: https://www.sciencedirect.com/science/article/abs/pii/S1566253523000143?via%3Dihub
Shrestha, A., & Mahmood, A. (2019). Review of deep learning algorithms and architectures. IEEE Access, 7, 53040–53065. URL: https://ieeexplore.ieee.org/document/8694781
Sicherer, S. H., & Sampson, H. A. (2021). Food allergy: A review and update on epidemiology, pathogenesis, diagnosis, prevention, and management. Journal of Allergy and Clinical Immunology, 147(4), 1161–1176. URL: https://pubmed.ncbi.nlm.nih.gov/29157945/
