નફો:
- ફૂડ એન્જિનિયરિંગમાં એઆઈ ક્યાં ઝડપી થઈ રહ્યું છે અને ક્યાં જોખમી છે તેનું જોખમ આધારિત વર્ગીકરણ
- ખોરાક સલામતી, પોષણ અને કાયદાને ભ્રમિત કરતા એલએલએમના જોખમને ઓળખવાની ક્ષમતા
- પ્રયોગશાળા, ખાદ્ય સુરક્ષા સિદ્ધાંતો અને કાયદા સાથે AI આઉટપુટને માન્ય કરો અને નૈતિક સિદ્ધાંતોને લાગુ કરવામાં સક્ષમ બનો
શુક્રવારની બપોર છે, તમે ડેરી ફેક્ટરીની R&D ઓફિસમાં છો. માર્કેટિંગ ટીમ સોમવાર સવાર સુધીમાં "ખાંડ-મુક્ત, પ્રોબાયોટિક પીવાલાયક દહીં" માટે ડ્રાફ્ટ લેબલ માંગે છે. એક ઈજનેર ઉત્સાહપૂર્વક AI ચેટ ટૂલને પૂછે છે: "હું આ પ્રોડક્ટમાં કેટલા મિલિગ્રામ એસ્પાર્ટમ મૂકી શકું, ટર્કિશ ફૂડ કોડેક્સની મર્યાદા શું છે?" સેકંડમાં મોડેલ વિશ્વાસપૂર્વક જવાબ આપે છે: "એસ્પાર્ટેમની મહત્તમ મર્યાદા 600 mg/kg છે, કોડેક્સ લેખ 12/3 અનુસાર માન્ય છે." જવાબ સરળ, વિશ્વાસપાત્ર અને વ્યાવસાયિક લાગે છે. એકમાત્ર સમસ્યા: ઘટક સંખ્યા કાલ્પનિક છે, મર્યાદા ઉત્પાદન શ્રેણી દ્વારા બદલાય છે, અને આથો ડેરી ઉત્પાદનોમાં મીઠાશનો ઉપયોગ તેના પોતાના પ્રતિબંધો ધરાવે છે. આ એકમ આ ક્ષણનું બરાબર વર્ણન કરે છે, કેવી રીતે AI ના "આત્મવિશ્વાસપૂર્ણ પરંતુ અચકાસાયેલ" આઉટપુટનું સંચાલન કરવું.
એક કેન્દ્રિય સિદ્ધાંત આ મોડ્યુલમાં પુનરાવર્તિત થશે: AI આઉટપુટ એ એક પ્રસ્તાવ છે, એક બ્લુપ્રિન્ટ, એક પ્રારંભિક બિંદુ; ખાદ્ય સુરક્ષા સિદ્ધાંતો અને સત્તાવાર કાયદા (ટર્કિશ ફૂડ કોડેક્સ) સાથે ચકાસ્યા વિના લેબોરેટરી પરિણામનો ઉપયોગ અંતિમ નિર્ણય, લેબલ અથવા ઉત્પાદન માટેના આધાર તરીકે ક્યારેય કરી શકાતો નથી. તમે વરિષ્ઠ ઇન્ટર્નની જેમ AI વિશે વિચારી શકો છો: ઝડપી, ઉત્પાદક, સારી રીતે વાંચેલું, પરંતુ સહી સત્તા વિના. એન્જિનિયર તરીકે, તમે તેના ડ્રાફ્ટની ચકાસણી કરો અને તેના પર સહી કરો.
એલએલએમ શું કરે છે અને શું નથી કરતું?
લાર્જ લેંગ્વેજ મોડલ (LLM) એ વિશાળ ટેક્સ્ટ ડેટા પર "આગામી શબ્દની આગાહી" ના સિદ્ધાંત પર પ્રશિક્ષિત સિસ્ટમ્સ છે. આ તેમને અમુક નોકરીઓમાં અસાધારણ અને અન્ય માટે જોખમી બનાવે છે.
એલએલએમ સારું કરે છે
એલએલએમ તમને અવિશ્વસનીય બનાવે છે
ટેક્સ્ટ ડ્રાફ્ટિંગ, પ્રક્રિયા લેખન, સારાંશ
ચોક્કસ સંખ્યાત્મક મર્યાદા અને ડોઝ રિકોલ
વિચાર જનરેશન અને મંથન
વર્તમાન કાયદાના લેખને ટાંકીને
જટિલ ટેક્સ્ટ, અનુવાદને સરળ બનાવવું
ભૂલ-મુક્ત પોષણ મૂલ્યની ગણતરીઓ કરવી
સંરચિત ટેબલ/ટેમ્પલેટ બનાવવું
ચોક્કસ ઉત્પાદનો માટે વિશિષ્ટ સુરક્ષા નિર્ણયો લેવા
ચેકલિસ્ટ અને પ્રશ્ન જનરેશન
સ્ત્રોત અને સંદર્ભ ચોકસાઈ
એલએલએમ "તે જાણતો નથી કે તે શું જાણતો નથી". જો તેને યોગદાનની મર્યાદા યાદ ન હોય, તો તે તેને ખાલી છોડતો નથી; આંકડાકીય રીતે વાજબી લાગે તેવી સંખ્યાને ફેબ્રિકેટ કરે છે. તેને આભાસ કહેવામાં આવે છે અને તે ફૂડ એન્જિનિયરિંગમાં સૌથી જોખમી વર્તન છે.
આભાસ: ત્રણ ખોરાક-વિશિષ્ટ જોખમો
ફૂડ ડોમેનમાં, આભાસ ત્રણ જટિલ સ્વરૂપોમાં થાય છે:
- ફિટિંગ એડિટિવ લિમિટ/ડોઝ: જ્યારે તે વાસ્તવમાં 150 મિલિગ્રામ/કિલો હોય ત્યારે મોડલ "500 મિલિગ્રામ/કિલો" ની પ્રિઝર્વેટિવ લિમિટ આપી શકે છે. આ સીધું ગ્રાહક આરોગ્ય અને કાનૂની ઉલ્લંઘન જોખમ છે.
- બનાવટી કાયદાનો લેખ: એવા સંદર્ભો ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી, જેમ કે "ટર્કિશ ફૂડ કોડેક્સ રેગ્યુલેશન લેખ 7/b". સંખ્યા વાસ્તવિક લાગે છે પરંતુ ચકાસી શકાતી નથી.
- ખોટું પોષણ મૂલ્ય: 100 ગ્રામ ઉત્પાદન દીઠ પ્રોટીન, ઊર્જા અથવા ખાંડના મૂલ્યની ખોટી રીતે ગણતરી કરે છે; આ લેબલ અને પોષણના દાવાની ભૂલો તરફ દોરી જાય છે.
ધ્યાન આપો: LLM દ્વારા આપવામાં આવેલ કોઈપણ સંખ્યાત્મક મર્યાદા, કોડેક્સ આઇટમ નંબર અથવા પોષક મૂલ્યનો મૂળ સત્તાવાર સ્ત્રોત (તુર્કી ફૂડ કોડેક્સ સંબંધિત સંદેશાવ્યવહાર/નિયમન, તુર્કી પ્રજાસત્તાકના કૃષિ અને વનીકરણ મંત્રાલયનું પ્રકાશન)ની પુષ્ટિ વિના ઉપયોગ કરી શકાતો નથી. માત્ર કારણ કે મોડેલ "ખાતરી" લાગે છે તેનો અર્થ એ નથી કે તે સચોટ છે.
શ્રમનું જોખમ આધારિત વિભાજન
એઆઈને જોખમ અક્ષ સાથે વર્ગીકૃત કરવું જ્યાં તેનો મુક્તપણે ઉપયોગ કરી શકાય અને જ્યાં કડક માન્યતા જરૂરી છે તે અભિગમ છે જે વ્યવહારમાં શ્રેષ્ઠ કાર્ય કરે છે.
ક્વેસ્ટ
જોખમ સ્તર
AI ભૂમિકા
ફરજિયાત ચકાસણી
ઉત્પાદન નામ/વિભાવના વિચાર
નીચું
ફ્રીલાન્સ નિર્માતા
માર્કેટિંગ સમીક્ષા
પ્રક્રિયા/એસઓપી ડ્રાફ્ટ
નિમ્ન-મધ્યમ
ડ્રાફ્ટ લેખક
ગુણવત્તા મેનેજરની મંજૂરી
સંવેદનાત્મક પરીક્ષણ પ્રશ્નાવલિ ડ્રાફ્ટ
નીચું
સહાયક
આર એન્ડ ડી નિયંત્રણ
એડિટિવ ડોઝ
ઉચ્ચ
માત્ર સૂચન
કોડેક્સ મર્યાદા + પ્રયોગશાળા
HACCP જટિલ નિયંત્રણ બિંદુ (CCP)
ખૂબ ઊંચી
ફક્ત વિચારોની સૂચિ
HACCP ટીમ + નિર્ણય વૃક્ષ
એલર્જન ઘોષણા
ખૂબ ઊંચી
ડ્રાફ્ટ
પ્રિસ્ક્રિપ્શન ટ્રેસેબિલિટી + કાયદો
હીટ ટ્રીટમેન્ટ પેરામીટર (એફ-વેલ્યુ)
ખૂબ ઊંચી
સૂચન
પ્રક્રિયા સત્તા + માન્યતા
નિયમ સરળ છે: ઉપભોક્તા આરોગ્ય, નિયમનકારી અનુપાલન અથવા ઉત્પાદન સલામતીને જેટલો વધુ આઉટપુટ સીધો સ્પર્શે છે, તેટલી વધુ હિતાવહ માનવીય ચકાસણી છે.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
એક જ જરૂરિયાત, જ્યારે બે અલગ-અલગ રીતે પૂછવામાં આવે છે, ત્યારે પરિણામોની ખૂબ જ અલગ ગુણવત્તા આપે છે.
નબળા પ્રોમ્પ્ટ: "મારે દહીંમાં કયું પ્રિઝર્વેટિવ નાખવું જોઈએ અને કેટલું?" સમસ્યા: મોડેલ ચોક્કસ ડોઝની શોધ કરે છે, સ્ત્રોત આપતું નથી, ઉત્પાદન કેટેગરીને ધ્યાનમાં લેતું નથી, અને તમે ચકાસણીના મુદ્દાને જાણતા નથી.
સ્ટ્રોંગ પ્રોમ્પ્ટ: "આથેલા દૂધના ઉત્પાદન (પીવા યોગ્ય દહીં) અને દરેકના કાર્ય માટે સંભવિત રક્ષણાત્મક શ્રેણીઓની સૂચિ બનાવો. ચોક્કસ માત્રાની ભલામણ કરશો નહીં; તેના બદલે દરેક ઉમેરણ માટે એક નોંધ ઉમેરો 'જેમાંથી ટર્કિશ ફૂડકોડેક્સ સૂચના મર્યાદાની પુષ્ટિ થવી જોઈએ'. આઉટપુટને ફોર્મેટ કરો. 'જ્યાં શંકા હોય ત્યાંથી ચકાસણીની યાદીમાં શંકા' લખો. તે શા માટે મજબૂત છે: મોડેલને ફિટ કરવાનો પ્રયાસ કરશો નહીં, પરંતુ તેને સ્ટ્રક્ચર કરો તે આઉટપુટમાં ચકાસણીના પગલાને એમ્બેડ કરે છે. નિર્ણય એન્જિનિયર પર રહે છે.
તફાવત એ છે કે મોડેલને "નિર્ણય" બનાવવાને બદલે તમે "તેનો ડ્રાફ્ટ બનાવો અને ચકાસણી પાથ દોરો".
નીતિશાસ્ત્ર, વેપાર રહસ્ય અને સૂત્ર ગુપ્તતા
AI ના ઉપયોગનું નૈતિક પરિમાણ તેના તકનીકી પરિમાણ જેટલું જ મહત્વપૂર્ણ છે. એક એન્જિનિયર તરીકે, તેમની કંપનીની સૌથી મૂલ્યવાન સંપત્તિમાંની એક તેના ગુપ્ત સૂત્રો અને વાનગીઓ છે.
એથિક્સ ચેકલિસ્ટ (પ્રોમ્પ્ટ લખતા પહેલા):[ ] શું હું આ પ્રોમ્પ્ટ પર ગુપ્ત/પેટન્ટેડ ફોર્મ્યુલા રેટ લખું છું?[ ] શું હું ગ્રાહક-વિશિષ્ટ સ્પષ્ટીકરણો શેર કરું છું?[ ] શું હું ટૂલની ડેટા વપરાશ નીતિ જાણું છું?[ ] શું ચકાસણી વિના ઉત્પાદન/લેબલ પર આઉટપુટ સ્થાનાંતરિત કરવાનું જોખમ છે?[ ] જે નિર્ણય લેવાથી હું આરોગ્યને અસર કરી રહ્યો છું?
સાર્વજનિક AI ટૂલમાં ચોક્કસ પ્રિસ્ક્રિપ્શન રેટ ટાઈપ કરવાનો અર્થ એ થઈ શકે છે કે ટ્રેડ સિક્રેટ તૃતીય-પક્ષ સર્વર્સ પર જાય છે. ગુપ્ત માહિતીને અમૂર્ત કરીને પૂછવાની સારી ટેવ છે ("A યોગદાન X%, B યોગદાન Y%)."
ટીપ: તમારા સંકેતો "જાહેર/અનામી" રાખો. વાસ્તવિક દરોને બદલે ચલ (X, Y) નો ઉપયોગ કરો; તમારી પોતાની સ્પ્રેડશીટમાં છુપાયેલા નંબરોને રાખીને તર્ક અને બંધારણ માટે મોડેલનો ઉપયોગ કરો. આ રીતે તમે વિચારો મેળવો છો અને ગુપ્ત રાખો છો.
મીની કેસ
નાસ્તા ઉત્પાદકના એક ઇન્ટર્ન એન્જિનિયરે AI ને નવા અનાજ બારના લેબલ માટે ન્યુટ્રિશનલ ટેબલ માટે પૂછ્યું. મોડેલે 40g બાર માટે "8g પ્રોટીન, 180kcal" ટાંક્યું, અને ચાર્ટ વ્યાવસાયિક દેખાતો હતો. મંજૂર કરતા પહેલા, ગુણવત્તા મેનેજરે ટીમને જાતે રેસીપીની ગણતરી કરી: વાસ્તવિક મૂલ્ય 5.2 ગ્રામ પ્રોટીન અને 165 kcal હતી. AI એ સમાન ઉત્પાદનોની "સરેરાશ" ની આગાહી કરી; આ ઉત્પાદન માટે વાસ્તવિક રેસીપી નથી. જો ચાર્ટ ચકાસણી વિના છાપવામાં આવ્યો હોય, તો પોષણની ખોટી રજૂઆત કાનૂની ઉલ્લંઘન અને ઉપભોક્તાનો વિશ્વાસ ગુમાવનાર બંને હશે. આ ઘટના પછી, ટીમે લેખિત પ્રક્રિયામાં "AI ન્યુટ્રિશનલ ટેબલ = ડ્રાફ્ટ, રેસીપીથી ગણતરી = વાસ્તવિક" નિયમ ઉમેર્યો.
સામાન્ય ભૂલો
- AI દ્વારા આપવામાં આવેલ યોગદાન મર્યાદા અથવા કોડેક્સ આઇટમ નંબરની ચકાસણી કર્યા વિના તેને રિપોર્ટ/લેબલ પર મૂકવું.
- ચોકસાઈ સાથે મોડેલના "નિશ્ચિત" અને પ્રવાહી ટોનનું મિશ્રણ.
- સાર્વજનિક AI સાધનોમાં ગુપ્ત સૂત્ર ગુણોત્તર લખવું.
- ઉચ્ચ જોખમી નિર્ણયો (CCP, એલર્જન, હીટ ટ્રીટમેન્ટ) સંપૂર્ણપણે AI પર છોડી દેવા.
- રેસીપીમાંથી પોષક મૂલ્યની ગણતરી કરવાને બદલે AI આગાહી પર આધાર રાખવો.
- એક માત્ર સાચા જવાબ તરીકે એક જ પ્રોમ્પ્ટ જવાબ સ્વીકારવો અને વિકલ્પ/સ્રોતની શોધ ન કરવી.
- "હું તે પછીથી કરીશ" કહીને ચકાસણીનું પગલું છોડવું અને સમયના દબાણ હેઠળ ઉત્પાદન તરફ આગળ વધવું.
સારાંશમાં
- AI એ ફૂડ એન્જિનિયરિંગમાં એક શક્તિશાળી પ્રવેગક છે, પરંતુ તે એક વરિષ્ઠ ઇન્ટર્ન છે, નિર્ણય લેનાર નથી.
- એલએલએમ ચોક્કસ મર્યાદા, નિયમનકારી પદાર્થ અને પોષક મૂલ્યના આભાસ પેદા કરી શકે છે; પ્રવાહિતા ચોકસાઈની કોઈ ગેરંટી નથી.
- જોખમના આધારે કાર્યોનું વર્ગીકરણ કરો: ઓછા જોખમમાં મુક્તપણે ઉપયોગ કરો, ઉચ્ચ જોખમમાં (ડોઝ, સીસીપી, એલર્જન, હીટ ટ્રીટમેન્ટ) હંમેશા માનવ + કાયદા + પ્રયોગશાળા સાથે ચકાસો.
- શક્તિશાળી પ્રોમ્પ્ટ મોડેલને નિર્ણય લેવા માટે નહીં, પરંતુ ડ્રાફ્ટ બનાવવા અને ચકાસણીનો માર્ગ બતાવવા દબાણ કરે છે.
- વેપારનું રહસ્ય અને ફોર્મ્યુલાની ગુપ્તતા જાળવવી; વાસ્તવિક દરોને બદલે અનામી ચલો સાથે કામ કરો.
- અધિકૃત સ્ત્રોત અને પ્રયોગશાળા સાથે પુષ્ટિ ન થાય ત્યાં સુધી દરેક AI આઉટપુટ માત્ર એક ડ્રાફ્ટ છે.
એપ્લિકેશન કાર્ય
તમારા (અથવા કાલ્પનિક) ફૂડ બિઝનેસમાં 8 જુદા જુદા કાર્યોને ઓળખો જ્યાં તમને છેલ્લા મહિનામાં AI ની મદદ મળી શકે. દરેક કાર્યને આ એકમમાં જોખમ-આધારિત કોષ્ટક પર મૂકો: ઓછું, મધ્યમ, ઊંચું અથવા ખૂબ ઊંચું જોખમ. દરેક ઉચ્ચ અને અત્યંત જોખમી કાર્ય માટે, કોષ્ટકમાં લખો કે કયો સત્તાવાર સ્ત્રોત (ટર્કિશ ફૂડ કોડેક્સ સંબંધિત સંદેશાવ્યવહાર), કઈ પ્રયોગશાળા પરીક્ષણ અને કયા નિષ્ણાતની મંજૂરી સાથે AI આઉટપુટની ચકાસણી કરવી જોઈએ. છેલ્લે, તમારી ટીમનો ઉપયોગ કરવા માટે "AI આઉટપુટ માન્યતા નિયમો" ની 5-આઇટમ સૂચિ બનાવો અને ખાતરી કરો કે તેમાંથી ઓછામાં ઓછું એક વેપાર ગુપ્ત/ગોપનીય સંબંધિત છે.