Optimización y Despliegue de la Inteligencia Artificial en la Industria Alimentaria

Se han publicado diversos artículos de investigación que destacan casos reales de aplicación del aprendizaje automático para la detección ágil de patógenos y la prevención de incidentes de contaminación (referencia 16), así como la sinergia entre la inteligencia artificial (IA) y las tecnologías blockchain para mejorar la trazabilidad y transparencia en la cadena de suministro de alimentos a nivel global (referencia 17). Estos estudios brindan ejemplos destacados que demuestran cómo la integración de estas tecnologías de IA asegura la responsabilidad al proporcionar a los usuarios respuestas rápidas y precisas ante cuestiones técnicas y de inocuidad alimentaria.

A partir de estos casos de éxito en la aplicación de IA (referencias 12–15, 18, 19), también podemos inferir que el éxito en la aplicación de tecnologías de IA al trabajo del Servicio de Inspección y Seguridad Alimentaria (FSIS) dependerá de un desarrollo e implementación efectivos de enfoques y métodos específicos de IA que se adapten a las necesidades particulares de los procedimientos operativos, tipos de productos, requisitos de inspección, sistemas de monitoreo y control, así como objetivos de gestión (referencias 14, 15, 18). Dado que el propósito de aplicar IA a la inspección y seguridad alimentaria es abordar los desafíos más complejos en materia de inocuidad y calidad alimentaria en diversos dominios, resulta esencial determinar con precisión qué enfoques y métodos de aplicación de IA deben ser seleccionados.

Los sistemas generales de aplicación de IA se pueden clasificar en estos grupos si se utilizarán para cualquiera de las siguientes tareas de ejemplo:

• Analizar datos
• Entender patrones
• Automatizar tareas repetitivas
• Extraiga información significativa de megaconjuntos de datos
• Permitir la creación de experiencias personalizadas entendiendo las preferencias y el comportamiento del usuario como un sistema de recomendación.
• Adapte y aprenda de nuevos datos para mejorar el rendimiento con el tiempo.
• Optimice la asignación y utilización de recursos
• Proporcionar ideas y recomendaciones
• Ayudar en la toma de decisiones
• Comprender y generar el lenguaje humano.
• Desarrollar interfaces y aplicaciones fáciles de usar, como reconocimiento de voz, control de gestos y reconocimiento facial.
• Fomentar la innovación abriendo nuevas posibilidades y vías para la investigación y el desarrollo.
• Optimice las rutas para los camiones de reparto
• Minimizar el consumo de combustible y los costos de transporte. ^9,14

Con base en esta información, las aplicaciones actuales de IA se pueden dividir en diez sistemas principales de IA que beneficiarán a las industrias de producción de alimentos reguladas en el futuro. Los diez sistemas de IA incluyen:

1. Inspección y control de calidad automatizados
2. Análisis predictivo para la planificación de inspecciones
3. Monitoreo y trazabilidad de la cadena de suministro y procesamiento de alimentos
4. Procesamiento de lenguaje natural para análisis de cumplimiento
5. Sistemas de alerta temprana para incidentes de seguridad alimentaria
6. Evaluación de riesgos y seguridad alimentaria asistida por IA
7. Actualizaciones dinámicas de cumplimiento normativo
8. Etiquetado inteligente y extracción de información del producto.
9. Capacitación y desarrollo de habilidades mejorados por IA
10. Integración de IoT para monitoreo en tiempo real.

Cada sistema se analiza en detalle a continuación.

Sistema de IA 1: inspección automatizada y control de calidad

Los sistemas de visión por computadora impulsados ​​por IA podrían aplicarse para automatizar los sistemas de inspección de seguridad y control de calidad. Los algoritmos de inteligencia artificial pueden analizar datos visuales, como imágenes o videos de los alimentos de las cámaras, para identificar defectos, contaminación o irregularidades a lo largo de todo el proceso, desde el sacrificio de animales hasta el procesamiento, el envasado y la entrega post-mortem. Los sistemas de IA tienen un alto nivel de precisión, lo que ayudará a reducir la gran dependencia de la inspección manual y garantizará controles de calidad y seguridad alimentaria más rápidos y mejores. ²⁰  En este sistema, los algoritmos de aprendizaje automático deben entrenarse previamente en grandes conjuntos de datos para reconocer patrones asociados con criterios de calidad e inocuidad de los alimentos.

Los componentes principales de este sistema pueden incluir:

1. La visión por computadora  se utiliza para la inspección visual de productos alimenticios, lo que permite la identificación de imperfecciones del producto asociadas con problemas de seguridad alimentaria y no alimentaria. Estas imperfecciones pueden incluir contaminación fecal, septicemia/toxemia, muerte al llegar (DOA), cadáver, tumores metastásicos, hematomas, proceso inflamatorio (PI), sinovitis (articulaciones del corvejón) y otros objetos extraños o formas irregulares. Las herramientas de visión por computadora actuales incluyen cámaras con capacidades de imágenes de alta resolución.
2. Los algoritmos de aprendizaje automático  podrían integrarse con dispositivos de visión por computadora impulsados ​​por IA y entrenarse previamente en diversos conjuntos de datos para clasificar y predecir atributos de calidad e inocuidad de los alimentos basándose en características extraídas de imágenes. Las plataformas patentadas proporcionan marcos para desarrollar modelos de aprendizaje automático para la inspección de alimentos. Los principales proveedores ofrecen servicios de aprendizaje automático basados ​​en la nube para soluciones escalables.
3. La espectroscopia infrarroja o infrarroja cercana  se utiliza con mayor frecuencia en un laboratorio para analizar la composición química de los alimentos y proporcionar información sobre su frescura, madurez o contaminación. Varias empresas ofrecen soluciones de espectroscopia para análisis de alimentos. Los empleados del USDA y el personal de control de calidad de la planta podrían utilizar espectrómetros portátiles para inspecciones de seguridad alimentaria in situ en entornos industriales.
4. Las tecnologías de sensores inteligentes  pueden monitorear parámetros como temperatura, humedad, objetos extraños como contaminantes metálicos y otros para garantizar la seguridad y calidad de los alimentos. Los sensores de temperatura y humedad están disponibles comercialmente. Se podrían proporcionar sistemas de sensores basados ​​en IoT para un seguimiento ambiental integral. Se podrían utilizar detectores de metales para alimentos avanzados para la inspección automática de productos húmedos, calientes, refrigerados, enfriados o envasados ​​con películas metálicas.

La integración de estas tecnologías debería permitir el seguimiento en tiempo real y la toma de decisiones automatizada, agilizando los procesos de inspección y control. Sin embargo, es fundamental elegir el equipo en función de las necesidades específicas de la aplicación, la escala y los requisitos de integración. Es importante destacar que los usuarios siempre deben considerar factores como la privacidad de los datos y el cumplimiento normativo al implementar estas tecnologías para la seguridad alimentaria.

Sistema de IA 2: análisis predictivo para la planificación de inspecciones

Este sistema utiliza algoritmos de aprendizaje automático para analizar registros de datos históricos sobre resultados de inspecciones, incidentes de seguridad alimentaria y tendencias o patrones de cumplimiento. Podría permitir análisis predictivos de la probabilidad de que surjan problemas clave de seguridad alimentaria para optimizar la asignación de recursos y elaborar planes estratégicos. ^20,21

Algunos dispositivos y herramientas que podrían funcionar con este sistema de IA y que están disponibles en el mercado actual pueden incluir:

1. Plataformas de análisis predictivo .
2. Las soluciones de visibilidad de la cadena empresarial  podrían utilizarse para optimizarla, incluida la predicción de posibles problemas de seguridad alimentaria en las cadenas de procesamiento y suministro de alimentos.
3. Se podrían crear modelos personalizados de aprendizaje automático  utilizando marcos populares y adaptarlos para enfrentar desafíos específicos de seguridad alimentaria. Algunos modelos destacan en el aprendizaje profundo y el procesamiento de datos a gran escala, mientras que otros son más adecuados para aplicaciones tradicionales de aprendizaje automático con conjuntos de datos más pequeños.
4. Los sistemas de monitoreo basados ​​en IoT  podrían usarse para monitorear las condiciones ambientales, rastrear el movimiento de productos y predecir riesgos potenciales con la ayuda de sensores. Pueden ser adecuados para monitorear buenas prácticas comerciales, estándares de procesos de saneamiento, procedimientos operativos estándar de saneamiento (POES) y procesos de verificación de defensa alimentaria en empresas de alimentos.
5. Las herramientas de software de análisis de datos  brindan visualizaciones interactivas, capacidades de inteligencia empresarial y opciones para tipos de gráficos y visualizaciones. El software de análisis de datos está diseñado para la recopilación, manipulación, integración, análisis y presentación de datos comerciales y, actualmente, no funciona con inteligencia artificial. Será necesaria la integración de la recopilación de datos de otros dispositivos impulsados ​​por IA para construir una mejor plataforma de análisis de datos para la automatización de grandes análisis de datos de seguridad y calidad de los alimentos en el futuro. Otras plataformas de análisis podrían integrar la tecnología de inteligencia artificial y usarse directamente para analizar grandes conjuntos de datos, mejorar la trazabilidad y las capacidades de monitoreo.

Estas herramientas analizan datos de diversas fuentes, incluidos registros de producción, información de la cadena de suministro y datos de control de calidad, y estarán impulsadas por tecnología de inteligencia artificial para obtener mejores resultados de seguridad alimentaria en el futuro.

Sistema de IA 3: procesamiento de alimentos y seguimiento y trazabilidad de la cadena de suministro

Las tecnologías de inteligencia artificial actuales se pueden aplicar para rastrear y monitorear el procesamiento y movimiento de productos alimenticios, proporcionando visibilidad en tiempo real del procesamiento de alimentos y las cadenas de suministro para mejorar la trazabilidad para la inocuidad alimentaria. ²² Esto podría facilitar una respuesta más rápida en caso de contaminación o retirada de alimentos. Estos procesos automáticos impulsados ​​por IA podrían realizarse utilizando tecnologías como la identificación por radiofrecuencia (RFID), sensores y análisis de datos, como se muestra arriba. Algunos dispositivos y herramientas nuevos disponibles para este propósito incluyen:

1. Las plataformas Blockchain  son sistemas de contabilidad digital compartidos y resistentes a manipulaciones que se utilizan para registrar transacciones y compartir información. La cadena de bloques de la Iniciativa de Trazabilidad de Alimentos de Walmart es un ejemplo de dicho sistema y se utiliza para una trazabilidad segura y transparente en todas las cadenas de suministro y procesamiento de alimentos de la corporación.
2. Las soluciones de seguimiento y localización  incluyen soluciones disponibles comercialmente, como una solución de planificación de la cadena de suministro basada en la nube que se escala para adaptarse al crecimiento empresarial y se integra con otros sistemas propios y de terceros. Podría proporcionar visibilidad y trazabilidad de extremo a extremo en la cadena de suministro de alimentos, así como brindar a los ejecutivos y tomadores de decisiones información para tomar decisiones basadas en datos e impulsar iniciativas estratégicas.
3. Los sistemas de monitoreo basados ​​en IoT  incluyen plataformas para integrar sensores y dispositivos a lo largo de la cadena de suministro para monitorear condiciones como la temperatura y la humedad.
4. El análisis de datos impulsado por IA  integra la IA para analizar grandes conjuntos de datos, mejorando la trazabilidad y las capacidades de monitoreo.
5. Las soluciones de tecnología RFID  ayudan a rastrear y rastrear productos a lo largo de la cadena de suministro.

La integración de la tecnología de inteligencia artificial con estas herramientas permite el monitoreo en tiempo real, el análisis de datos y la identificación proactiva de problemas potenciales en las cadenas de procesamiento de alimentos, mejorando así la trazabilidad del cumplimiento de la inocuidad alimentaria.

Sistema de IA 4: procesamiento del lenguaje natural para análisis de cumplimiento

Este sistema utiliza algoritmos de procesamiento del lenguaje natural (NLP) para analizar datos basados ​​en texto, incluidas regulaciones, informes y comunicaciones. ²³  Esto puede agilizar el proceso de extracción de conocimientos de los documentos reglamentarios, facilitando así el análisis del cumplimiento y garantizando el cumplimiento de las normas de seguridad alimentaria. Esta tecnología se ha aplicado con éxito para la inspección de seguridad alimentaria.

Hay varias herramientas disponibles en el mercado:

1. Plataformas de PNL.
2. Las soluciones de cumplimiento normativo  incluyen plataformas patentadas que utilizan IA y PNL para analizar las regulaciones, garantizando el cumplimiento en la industria alimentaria.
3. Los modelos de PNL personalizados  están diseñados para interpretar las normas de seguridad alimentaria y los documentos de cumplimiento.
4. Los sistemas de gestión de documentos  integran PNL impulsado por IA para un análisis eficiente de grandes volúmenes de documentos relacionados con el cumplimiento.
5. Las herramientas de análisis semántico  utilizan el análisis semántico, un subconjunto de PNL, para comprender el contexto y el significado de los documentos de cumplimiento.

Estas herramientas mejoran la velocidad y precisión del análisis de cumplimiento, ayudando a las empresas a mantenerse informadas sobre los requisitos reglamentarios y garantizando el cumplimiento de los estándares de seguridad alimentaria.

Sistema de IA 5: Sistemas de alerta temprana para incidentes de seguridad alimentaria

Desarrollar un sistema de alerta temprana basado en inteligencia artificial para analizar diversas fuentes de datos ha sido un sueño científico para los inspectores de inocuidad alimentaria. ²⁴  Estos sistemas de alerta temprana impulsados ​​por IA aprovechan diversas fuentes de datos para detectar a tiempo posibles incidentes o brotes de inocuidad de los alimentos. Algunos equipos y herramientas utilizados para este propósito incluyen:

1. Los sensores de IoT  pueden generar automáticamente datos ambientales en tiempo real.
2. Las plataformas de análisis predictivo  utilizan algoritmos de aprendizaje automático para predecir posibles problemas de seguridad alimentaria en las plantas de procesamiento y suministro de alimentos.
3. Las plataformas blockchain  mejoran la trazabilidad, permitiendo una rápida identificación de las fuentes de incidentes de inocuidad.
4. Los modelos de aprendizaje automático  se pueden entrenar para reconocer patrones indicativos de posibles riesgos de inocuidad.
5. Las plataformas de integración de datos  integran y analizan datos de diversas fuentes, lo que permite la creación instantánea de alertas tempranas integrales.

Todas estas herramientas permiten monitoreo, análisis y alertas en tiempo real, lo que ayuda a las empresas a responder rápidamente a incidentes emergentes de seguridad alimentaria y mitigar riesgos potenciales.

Sistema de IA 6: Evaluación de riesgos e inocuidad alimentaria asistida por IA

La evaluación de riesgos para la inocuidad de los alimentos es un proceso que requiere mucho tiempo. Los modelos de evaluación de riesgos de inocuidad alimentaria basados ​​en IA pueden proporcionar apoyo óptimo para este propósito. Estos modelos podrían usarse para analizar diversos factores de riesgo, como métodos de producción, condiciones de transporte y datos históricos de seguridad, para priorizar inspecciones e intervenciones basadas en riesgos potenciales. ^12,25  Algunos equipos y herramientas utilizados para este propósito están disponibles en el mercado e incluyen:

1. Las plataformas de evaluación de riesgos  aprovechan la IA para evaluar los riesgos en la cadena de suministro de alimentos, considerando factores como la contaminación, las condiciones de transporte y el cumplimiento normativo.
2. Las herramientas de análisis predictivo  utilizan algoritmos de aprendizaje automático para el modelado predictivo, lo que ayuda en la evaluación de riesgos basada en datos históricos.
3. Los modelos de aprendizaje automático personalizados  utilizan marcos adaptados a factores de riesgo específicos que son relevantes para las inspecciones de seguridad alimentaria.
4. Sistemas de monitoreo y plataformas de análisis de datos basados ​​en IoT  .

AI System 7: Actualizaciones dinámicas de cumplimiento normativo

Las tecnologías de inteligencia artificial actuales pueden ayudar a los usuarios a mantenerse actualizados sobre las regulaciones cambiantes y los requisitos de cumplimiento mediante el monitoreo de los cambios regulatorios, la interpretación de las actualizaciones y la garantía automática del cumplimiento en tiempo real. ²⁶  Estas tecnologías podrían usarse junto con las políticas, regulaciones y estándares de seguridad alimentaria en evolución del USDA-FSIS para ajustar los procesos internos y tomar acciones correctivas correctas. Los dispositivos, herramientas y enfoques para estos fines incluyen:

1. Las soluciones de cumplimiento normativo  aprovechan la IA para rastrear e interpretar los cambios regulatorios, proporcionando actualizaciones en tiempo real para el cumplimiento.
2. Se pueden aplicar plataformas de análisis de texto y PNL  para analizar y extraer información de textos regulatorios para actualizaciones automáticas.
3. Los sistemas de gestión de cumplimiento personalizados  utilizan plataformas impulsadas por inteligencia artificial para rastrear y adaptarse a los cambios regulatorios.
4. Los sistemas de gestión de documentos  utilizan herramientas mejoradas con IA para facilitar el seguimiento y la actualización de la documentación de cumplimiento.
5. Las plataformas automatizadas de monitoreo de cumplimiento  automatizan el monitoreo de cumplimiento, asegurando que las organizaciones estén informadas rápidamente sobre los cambios en las regulaciones.

Estas herramientas permiten a las empresas mantenerse ágiles en respuesta a los cambiantes panoramas regulatorios, garantizando el cumplimiento continuo de los estándares de inocuidad alimentaria.

Sistema AI 8: etiquetado inteligente y extracción de información del producto

Se podrían aprovechar las tecnologías de inteligencia artificial para automatizar la extracción de información del producto a partir de etiquetas y empaques, ^20,23,27, lo que mejoraría la precisión en la captura de detalles como ocho características de las etiquetas, nueve alérgenos alimentarios y advertencias de alérgenos, fechas de producción y vencimiento, declaraciones nutricionales, leyendas de inspección, información del fabricante, etc. La IA realiza etiquetado inteligente y extracción de información de productos alimenticios mediante el uso de tecnologías como la visión por computadora y la PNL. Los dispositivos y herramientas necesarios para este fin incluyen:

1. Los sistemas de inspección por visión por computadora  están equipados con inteligencia artificial para leer e interpretar etiquetas, lo que garantiza información precisa del producto.
2. Las herramientas de reconocimiento óptico de caracteres  pueden extraer texto de imágenes, lo que permite extraer información del producto de las etiquetas.
3. Las plataformas de PNL  pueden procesar información textual para extraer detalles relevantes de las descripciones de productos.
4. Los modelos de aprendizaje automático personalizados  reconocen y extraen información específica del producto.
5. Las soluciones de etiquetado inteligente  proporcionan tecnologías de etiquetado inteligente que incorporan información digital en el embalaje del producto, que se puede extraer mediante IA.

Estas herramientas ayudan a automatizar la extracción de información del producto, garantizando un etiquetado preciso y brindando a los consumidores información transparente y detallada sobre los productos alimenticios.

AI System 9: Capacitación y desarrollo de habilidades mejorados por IA

Se podrían desarrollar programas de capacitación impulsados ​​por inteligencia artificial para mejorar las habilidades de los inspectores y el personal ofreciéndoles simulaciones virtuales y rutas y experiencias de aprendizaje personalizadas, interactivas y adaptables. ^20,23,28  Los módulos de capacitación asistidos por IA pueden contribuir a la mejora continua del conocimiento y las capacidades de inspección sobre inocuidad alimentaria. Por ejemplo:

1. Las rutas de aprendizaje personalizadas  podrían incorporar algoritmos de inteligencia artificial que analicen los datos de los alumnos individuales para crear rutas de capacitación personalizadas, abordando lagunas de conocimiento específicas y centrándose en temas relevantes en materia de inocuidad alimentaria.
2. Las simulaciones interactivas,  como las aplicaciones de realidad virtual (VR) o realidad aumentada (AR) impulsadas por IA, simulan escenarios del mundo real y permiten a los alumnos practicar protocolos de seguridad alimentaria en un entorno libre de riesgos.
3. Los sistemas de aprendizaje adaptativo  incluyen plataformas impulsadas por IA que adaptan la dificultad y el contenido de los módulos de capacitación en función del progreso individual, garantizando que los estudiantes se sientan desafiados y comprometidos adecuadamente.
4. La PNL  se puede integrar para facilitar conversaciones, cuestionarios y evaluaciones interactivas, mejorando la experiencia de aprendizaje general.
5. El análisis de datos para el seguimiento del rendimiento  podría implicar el seguimiento y la evaluación del progreso de los alumnos mediante análisis de IA, proporcionando información sobre áreas que pueden requerir un enfoque o mejora adicional.

La formación mejorada con IA no solo mejora la eficacia de la educación sobre inocuidad alimentaria, sino que también permite un seguimiento y una adaptación continuos a las necesidades cambiantes, lo que contribuye a una fuerza laboral más capacitada y conocedora en la industria alimentaria.

AI System 10: integración de IoT para monitoreo en tiempo real

Como se mencionó anteriormente, los algoritmos de IA podrían usarse para analizar datos de sensores de IoT para garantizar condiciones óptimas para la inocuidad alimentaria en todas las cadenas de procesamiento y suministro de alimentos. Esta tecnología ya se ha aplicado para el seguimiento ambiental. ¹⁴  Esta sinergia mejora la seguridad alimentaria al garantizar condiciones óptimas y permitir intervenciones oportunas. Algunos equipos y herramientas utilizados para este fin y disponibles en el mercado incluyen:

1. Las plataformas de IoT  ayudan a conectar, gestionar y analizar datos de dispositivos de IoT utilizados en el seguimiento de la inocuidad alimentaria.
2. Las redes de sensores inalámbricos  monitorean parámetros como temperatura, humedad y más, en tiempo real.
3. Los dispositivos informáticos de borde  permiten el procesamiento local de datos en el borde, lo que reduce la latencia y mejora las capacidades de monitoreo en tiempo real.
4. Las plataformas de análisis de datos  analizan y obtienen información de la gran cantidad de datos generados por los dispositivos de IoT.
5. Las plataformas de tecnología Blockchain  aprovechan los datos de IoT para mejorar la trazabilidad y la transparencia en tiempo real.

Estas herramientas y equipos permiten una integración perfecta de IoT con IA, lo que garantiza que el monitoreo de la inocuidad alimentaria no solo sea en tiempo real sino también basado en datos, lo que permite la toma de decisiones proactiva y la mitigación de riesgos.

Referencias

1. Servicio de Inspección y Seguridad Alimentaria del Departamento de Agricultura de EE. UU. (USDA-FSIS). “Plan Estratégico del Servicio de Inspección y Seguridad Alimentaria 2023-2026”. Enero de 2023.  https://www.fsis.usda.gov/sites/default/files/media_file/documents/Strategic%20Plan%202023-2026.pdf .
2. Mosallam, A. y AE Hassanien. “Una revisión completa sobre la seguridad alimentaria y la detección de bacterias patógenas en los alimentos”. Revista de la Universidad King Saud: Ciencias de la información y la informática . 2020.
3. Buntain, BJ “Desafíos emergentes en la protección de la salud pública y la seguridad alimentaria: necesidades veterinarias en el Servicio de Inspección y Seguridad Alimentaria del USDA”. Revista de Educación Médica Veterinaria 31, no. 4 (2004): 334–340.
4. Fung, F., H.-S. Wang y S. Menon. “Seguridad alimentaria en el siglo XXI”. Revista de Ciencias Biomédicas  41, no. 2 (2018): 88–95.
5. Keener, L., SM Nicholson-Keener y T. Koutchma. “Armonización de la legislación y los reglamentos para lograr la inocuidad de los alimentos: perspectiva de Estados Unidos y Canadá”. Revista de Ciencias de la Alimentación y la Agricultura 94, no. 10 (2014): 1947-1953.
6. Benson, SM “Guía para mejorar la respuesta federal a los brotes de enfermedades transmitidas por alimentos asociados con productos frescos”. Revista de Derecho de Alimentos y Medicamentos 65, no. 3 (2010): 503–524.
7. Red federal de noticias. Construyendo una base para su futuro de IA . 2023.  https://federalnewsnetwork.com/cme-event/federal-insights/building-a-foundation-for-your-ai-future/ .
8. Lenniy, D. “IA en la agricultura: el futuro de la agricultura”. 12 de diciembre de 2023. Intellias.  https://intellias.com/artificial-intelligence-in-agriculture/ .
9. Ding, H., J. Tian, ​​W. Yu, DI Wilson, BR Young, X. Cui, X. Xin, Z. Wang y W. Li. “La Aplicación de la Inteligencia Artificial y Big Data en la Industria Alimentaria”. Alimentos 12, núm. 24 (2023): 4511.
10. Acuff, JC, JS Dickson, JM Farber, EM Grasso-Kelley, C. Hedberg, A. Lee y M. Zhu. “Práctica y progreso: actualizaciones sobre brotes, avances en investigación y tecnologías de procesamiento para la seguridad de los alimentos con baja humedad”. Revista de Protección de Alimentos 86, no. 1 (2023): 100018.
11. Qian, C., SI Murphy, RH Orsi y M. Wiedmann. “¿Cómo puede la IA ayudar a mejorar la seguridad alimentaria?” Revisión anual de ciencia y tecnología de los alimentos 14 (2023): 517–538.
12. Singh, AV, G. Bansod, M. Mahajan, P. Dietrich, SP Singh, K. Rav, A. Thissen, AM Bharde, D. Rothenstein, S. Kulkarni y J. Bill. “Transformación Digital en Toxicología: Mejora de la Comunicación y la Eficiencia en la Evaluación de Riesgos”. ACS Omega 8, núm. 24 (2023): 21377–21390.
13. Mavegam Tango Assoumou, BO, C. Coughenour, A. Godbole e I. McDonough. “Inseguridad alimentaria para personas mayores en los EE. UU.: una revisión sistemática de la literatura”. Nutrición en Salud Pública 26, núm. 1 (2023): 229–245.
14. Benammar, M., A. Abdaoui, SHM Ahmad, F. Touati y A. Kadri. “Una plataforma modular de IoT para el monitoreo de la calidad del aire interior en tiempo real”. Sensores 18, núm. 2 (2018): 581.
15. Deng, X., C. Shuhao y AL Horn. “Resumen de aplicaciones emergentes del aprendizaje automático en la seguridad alimentaria”. Revista Anual de Ciencia y Tecnología de los Alimentos 25, no. 12 (marzo de 2021): 513–538.
16. Harris, M. “Aprendizaje automático e inteligencia artificial para la identificación de patógenos y la detección de resistencia a los antibióticos: avances en el diagnóstico de infecciones del tracto urinario”. BioMed  3, no. 2 (2023) 246–255.
17. Patela, D., A. Sinhaa, T. Bhansalia, U. Ga y V. Sa. “Blockchain en la cadena de suministro de alimentos”. Procedia Ciencias de la Computación 215 (2022): 321–330.
18. Kapoor, N., R. Lacson y R. Khorasani. “Aplicaciones de flujo de trabajo de la inteligencia artificial en radiología y descripción general de las herramientas disponibles”. Revista del Colegio Americano de Radiología 17, no. 11 (2022): 1363-1370.
19. Holzinger, A., K. Keiblinger, P. Holub, K. Zatloukal y HN Müller. “AI for Life: Tendencias en inteligencia artificial para biotecnología”. Biotecnología 74 (2023): 16–24.
20. Tian, ​​J. “Visión por computadora y aprendizaje automático para sistemas de detección inteligentes”. Sensores 23, núm. 9 (2023): 4214.
21. Badal, YT y RK Sungkur. “Modelado predictivo y análisis de las calificaciones de los estudiantes utilizando algoritmos de aprendizaje automático. Educación y tecnologías de la información 28, no. 3 (2023): 3027–3057.
22. Bosona, T. y G. Gebresenbet. “El papel de la tecnología Blockchain en la promoción de sistemas de trazabilidad en la producción y cadena de suministro agroalimentaria”. Sensores 23, núm. 11 (2023): 5342.
23. Rocca, R., N. Tamagnone, S. Fekih, X. Contla y N. Rekabsaz. “Procesamiento del lenguaje natural para la acción humanitaria: oportunidades, desafíos y el camino hacia la PNL humanitaria”. Fronteras en Big Data  6 (2023): 1082787.  https://www.frontiersin.org/articles/10.3389/fdata.2023.1082787/full .
24. MacIntyre, CR, X. Chen, M. Kunasekaran, A. Quigley, S. Lim, H. Stone, HY Paik, L. Yao, D. Heslop, W. Wei, I. Sarmiento y D. Gurdasani. “Inteligencia artificial en salud pública: el potencial de los sistemas de alerta temprana de epidemias”. Revista de Investigación Médica Internacional 3 (2023): 3000605231159335.
25. Eisenbrand, G. “Problemas actuales y perspectivas en materia de seguridad alimentaria y evaluación de riesgos”. Toxicología humana y experimental 34, no. 12 (2015): 1286-1290.
26. Parimbelli, E., S. Wilk, R. Cornet, P. Sniatala, K. Sniatala, SLC Glaser, I. Fraterman, AH Boekhout, M. Ottaviano y M. Peleg. “Una revisión del apoyo de la inteligencia artificial y la ciencia de datos para el tratamiento del cáncer”. Inteligencia artificial en medicina 117 (2021): 102111.
27. White-Dzuro, CG, JD Schultz, C. Ye, JR Coco, JM Myers, C. Shackelford, ST Rosenbloom, D. Fabbri. “Extracción de información médica de formularios impresos de evaluación de COVID-19”. Revista de Informática Clínica Aplicada  12, núm. 1 (2021): 170–178.
28. Truong, H., D. Qi, A. Ryason, AM Sullivan, J. Cudmore, S. Alfred, SB Jones, JM Parra, S. De y DB Jones. “¿Sabe su equipo cómo responder de forma segura ante un incendio en un quirófano? Resultados de una capacitación en simulación de realidad virtual mejorada con IA”. Endoscopia Quirúrgica 36, ​​núm. 5 (2022): 3059–3067.

Por: Davis W. Cheng, Ph.D.  es un Inspector Supervisor de Seguridad del Consumidor