Framework AI Prevede i Rischi per la Sicurezza Alimentare a Livello Cittadino con Dati Sparsi

Uno studio recente presenta un modello basato su Transformer per prevedere rischi dettagliati per la sicurezza alimentare a livello cittadino, affrontando problemi legati a risorse di ispezione limitate e dati di campionamento sparsi. Questa ricerca, disponibile su arXiv, combina più di 11 milioni di registrazioni di ispezione con dati demografici, economici e ambientali provenienti dall'Annuario Statistico. Utilizzando un approccio di pre-addestramento in tre fasi, impiega la supervisione parziale tramite l'intervallo di Wilson e il raffinamento delle etichette semi-supervisionato per sfruttare al meglio i dati storici nonostante campioni locali inadeguati. Test condotti su dati del 2022 indicano che questo metodo supera significativamente le baseline esistenti. Inoltre, un esperimento sul campo con l'Amministrazione Provinciale per la Regolazione del Mercato dello Zhejiang ha mostrato miglioramenti nelle applicazioni pratiche.