Pelnas:
- Rizika pagrįsta klasifikacija, kur AI spartėja, o kur rizikinga maisto inžinerijoje
- Gebėjimas atpažinti riziką, kad LLM gali haliucinuoti maisto saugą, mitybą ir teisės aktus
- Patvirtinti dirbtinio intelekto produkciją pagal laboratorijos, maisto saugos principus ir teisės aktus bei mokėti taikyti etikos principus
Penktadienio popietė, jūs esate pieno gamyklos tyrimų ir plėtros biure. Rinkodaros komanda nori, kad iki pirmadienio ryto būtų etiketės juodraštis „becukris, probiotikų geriamasis jogurtas“. Inžinierius susijaudinęs klausia AI pokalbių įrankio: „Kiek mg aspartamo galiu dėti į šį produktą, kokia yra Turkijos maisto kodekso riba? Per kelias sekundes modelis pateikia patikimą atsakymą: „Didžiausia aspartamo riba yra 600 mg/kg, leidžiama pagal Kodekso 12/3 straipsnį“. Atsakymas atrodo sklandus, įtikinamas ir profesionalus. Vienintelė bėda: ingrediento numeris fiktyvus, riba skiriasi priklausomai nuo produktų kategorijos, o saldiklių naudojimas fermentuotuose pieno produktuose turi savo apribojimus. Šiame skyriuje aprašomas būtent šis momentas, kaip valdyti „patikimą, bet nepatikrintą“ AI išvestį.
Šiame modulyje pasikartos vienas pagrindinis principas: AI išvestis yra pasiūlymas, planas, atspirties taškas; Laboratorijos rezultatai niekada negali būti naudojami kaip galutinio sprendimo, etiketės ar gamybos pagrindas, jei jis nėra patikrintas pagal maisto saugos principus ir oficialius teisės aktus (Turkish Food Codex). Galite galvoti apie AI kaip vyresnysis praktikantas: greitas, produktyvus, gerai skaitomas, bet neturintis parašo teisės. Jūs, kaip inžinierius, patikrinate jo projektą ir pasirašote.
Ką daro LLM ir ko nedaro?
Didelės kalbos modeliai (LLM) yra sistemos, parengtos remiantis principu „numatyti kitą žodį“ esant dideliems teksto duomenims. Dėl to tam tikruose darbuose jie yra išskirtiniai, o kitus – pavojingi.
LLM sekasi gerai
LLM daro jus nepatikimus
Teksto rengimas, procedūrų rašymas, apibendrinimas
Tiksli skaitinė riba ir dozės atšaukimas
Idėjų generavimas ir minčių šturmas
Cituoju galiojančio įstatymo straipsnį
Sudėtingo teksto supaprastinimas, vertimas
Maistinės vertės skaičiavimas be klaidų
Struktūrinės lentelės/šablono kūrimas
Konkrečių produktų saugumo sprendimų priėmimas
Kontrolinis sąrašas ir klausimų generavimas
Šaltinio ir nuorodos tikslumas
LLM „nežino, ko nežino“. Jei neprisimena įmokų limito, jis nepalieka jo tuščio; sukuria skaičių, kuris atrodo statistiškai pagrįstas. Tai vadinama haliucinacijomis ir yra rizikingiausias elgesys maisto inžinerijoje.
Haliucinacijos: trys su maistu susiję pavojai
Maisto srityje haliucinacijos pasireiškia trimis kritinėmis formomis:
- Pritaikoma priedo riba / dozė: modelis gali nurodyti konservanto ribą „500 mg/kg“, kai iš tikrųjų ji yra 150 mg/kg. Tai yra tiesioginė vartotojų sveikatos ir teisės pažeidimų rizika.
- Sugalvotas teisės akto straipsnis: pateikia nuorodas, kurių iš tikrųjų nėra, pvz., „Turkijos maisto kodekso reglamento 7/b straipsnis“. Skaičius atrodo realus, bet jo negalima patikrinti.
- Neteisinga maistinė vertė: neteisingai apskaičiuoja baltymų, energetinę ar cukraus vertę 100 g produkto; Dėl to atsiranda etiketės ir mitybos teiginių klaidų.
Dėmesio: bet koks LLM pateiktas skaitinis limitas, Codex prekės numeris ar maistinė vertė negali būti naudojami be patvirtinimo iš pirminio oficialaus šaltinio (Atitinkamas Turkijos maisto kodekso komunikatas / reglamentas, Turkijos Respublikos žemės ūkio ir miškininkystės ministerijos leidinys). Tai, kad modelis atrodo „tikrai“, nereiškia, kad jis tikslus.
Rizika pagrįstas darbo pasidalijimas
AI klasifikavimas pagal rizikos ašį, kur jis gali būti laisvai naudojamas ir kur reikalingas griežtas patvirtinimas, yra metodas, kuris praktiškai veikia geriausiai.
Quest
Rizikos lygis
AI vaidmuo
Privalomas patikrinimas
Produkto pavadinimas / koncepcijos idėja
žemas
laisvai samdomas gamintojas
Rinkodaros apžvalga
Procedūra/SOP projektas
žemas-vidutinis
juodraščio rašytojas
Kokybės vadovo patvirtinimas
Jutimų testo anketos projektas
žemas
asistentas
MTEP kontrolė
Priedo dozavimas
aukštas
Tik pasiūlymas
Kodekso limitas + laboratorija
RVASVT kritinis valdymo taškas (CCP)
labai aukštas
Tiesiog idėjų sąrašas
RVASVT komanda + sprendimų medis
Alergeno deklaracija
labai aukštas
juodraštis
Recepto atsekamumas + teisės aktai
Terminio apdorojimo parametras (F vertė)
labai aukštas
Pasiūlymas
Proceso autoritetas + patvirtinimas
Taisyklė paprasta: kuo labiau produkcija tiesiogiai paliečia vartotojų sveikatą, atitiktį reikalavimams ar gamybos saugą, tuo labiau būtinas žmogaus patikrinimas.
Silpnas raginimas / Stiprus raginimas
Tas pats poreikis, paklaustas dviem skirtingais būdais, duoda labai skirtingą rezultatų kokybę.
SILPNAS raginimas: "Kokio konservanto turėčiau dėti į jogurtą ir kiek?" Problema: modelis sugalvoja tikslią dozę, nenurodo šaltinio, neatsižvelgia į produkto kategoriją ir jūs nežinote patikrinimo taško.
STIPRUS PARAŠYMAS: "Išvardykite galimas apsaugines fermentuoto pieno produkto (geriamojo jogurto) KATEGORIJAS ir kiekvienos iš jų funkciją. NEREKOMENDUOKITE tikslios dozės; vietoj to pridėkite pastabą prie kiekvieno priedo "Nuo kurio Turkijos maisto kodekso pranešimo turėtų būti patvirtinta riba". Formuokite išvestį kaip patikrinimo kontrolinį sąrašą. Jei kyla abejonių, rašykite "būtinas patvirtinimas". Kodėl jis stiprus: nebandykite pritaikyti modelio, o struktūrizuoti jį. Jis įterpia patikrinimo veiksmą išvestyje. Sprendimas lieka inžinieriui.
Skirtumas tas, kad vietoj to, kad modelis „spręstų“, jūs „padarote juodraštį ir nubrėžiate patvirtinimo kelią“.
Etika, komercinė paslaptis ir formulių konfidencialumas
Etinis DI naudojimo aspektas yra toks pat svarbus kaip ir techninis aspektas. Kaip inžinieriui, vienas vertingiausių jo įmonės turtų yra slaptos formulės ir receptai.
ETIKOS KONTROLĖS SĄRAŠAS (prieš rašant raginimą):[ ] Ar šiame ragelyje rašau slaptas / patentuotas formulių normas?[ ] Ar dalinuosi kliento specifikacijomis?[ ] Ar žinau įrankio duomenų naudojimo politiką?[ ] Ar yra rizika, kad produkcija bus perkelta į gamybą / etiketę be patikrinimo?[ ] Ar priimu sprendimą, kuris turi įtakos vartotojo sveikatai?
Tikslių receptų įkainių įvedimas į viešą AI įrankį gali reikšti, kad komercinė paslaptis atiteks trečiųjų šalių serveriams. Geras įprotis klausti abstrahuojant konfidencialią informaciją („A prisideda X%, B prisideda Y %)“.
Patarimas: raginimus palikite kaip viešą / anoniminį. Vietoj faktinių kursų naudokite kintamąjį (X, Y); Naudokite modelį logikai ir struktūrai, paslėptus skaičius išsaugokite savo skaičiuoklėje. Taip pasisemsite idėjų ir išsaugosite paslaptį.
mini dėklas
Vieno užkandžių gamintojo inžinierius stažuotojas paprašė AI pateikti maistinės vertės lentelę naujo grūdų batonėlio etiketei. Modelis nurodė „8 g baltymų, 180 kcal“ 40 g batonėlyje, o diagrama atrodė profesionaliai. Prieš patvirtindamas kokybės vadovas pavedė komandai rankiniu būdu apskaičiuoti receptą: tikroji vertė buvo 5,2 g baltymų ir 165 kcal. AI numatė panašių produktų „vidurkį“; Tai nėra tikrasis produkto receptas. Jei diagrama būtų atspausdinta be patikrinimo, klaidingas mitybos pateikimas būtų teisinis pažeidimas ir vartotojų pasitikėjimo praradimas. Po šio incidento komanda prie rašytinės procedūros pridėjo taisyklę „AI mitybos lentelė = juodraštis, skaičiavimas pagal receptą = faktinis“.
Dažnos klaidos
- Uždėkite jį ant ataskaitos / etiketės nepatikrinus įmokų limito arba Kodekso elemento numerio, kurį suteikė AI.
- Tiksliai maišant modelio „užtikrintą“ ir skystą toną.
- Slaptų formulių santykio įrašymas į viešus AI įrankius.
- Didelės rizikos sprendimus (CCP, alergeną, terminį apdorojimą) paliekame tik dirbtiniam intelektui.
- Pasikliauti AI prognoze, o ne skaičiuoti maistinę vertę pagal receptą.
- Vieno greito atsakymo priėmimas kaip vienintelis teisingas atsakymas ir neieškojimas alternatyvos/šaltinio.
- Praleiskite patvirtinimo veiksmą sakydami „padarysiu tai vėliau“ ir pereikite prie gamybos, kai spaudžiamas laikas.
Apibendrinant
- AI yra galingas maisto inžinerijos greitintuvas, tačiau jis yra vyresnysis praktikantas, o ne sprendimų priėmėjas.
- LLM gali sukelti tikslios ribos, reguliuojamosios medžiagos ir maistinės vertės haliucinacijas; Sklandumas negarantuoja tikslumo.
- Klasifikuokite užduotis pagal riziką: naudokite laisvai esant mažai rizikai, esant didelei rizikai (dozė, CCP, alergenas, terminis apdorojimas) visada patikrinkite pagal žmogaus + teisės aktus + laboratoriją.
- Galingas raginimas verčia modelį ne priimti sprendimą, o parengti juodraštį ir parodyti kelią į patikrinimą.
- Išlaikyti komercinės paslapties ir formulių konfidencialumą; Dirbkite su anoniminiais kintamaisiais, o ne su realiais įkainiais.
- Kiekviena AI išvestis yra tik juodraštis, kol nepatvirtina oficialus šaltinis ir laboratorija.
Taikymo užduotis
Nurodykite 8 skirtingas užduotis savo (arba įsivaizduojamo) maisto versle, kur galėtumėte sulaukti pagalbos iš dirbtinio intelekto praėjusį mėnesį. Padėkite kiekvieną užduotį ant rizikos pagrįstos lentelės šiame skyriuje: maža, vidutinė, didelė arba labai didelė rizika. Už kiekvieną didelės ir labai didelės rizikos užduotį įrašykite į lentelę, kuris oficialus šaltinis (Turkish Food Codex atitinkamas komunikatas), kuris laboratorinis tyrimas ir su kokiu eksperto leidimu AI išvestis turėtų būti patikrinta. Galiausiai sukurkite 5 elementų „AI išvesties patvirtinimo taisyklių“ sąrašą, kad jūsų komanda galėtų naudotis, ir įsitikinkite, kad bent viena iš jų yra susijusi su komercine paslaptimi / konfidencialumu.