Faida:
- Uainishaji unaotegemea hatari ambapo AI inaongeza kasi na mahali ambapo ni hatari katika uhandisi wa chakula
- Uwezo wa kutambua hatari ya LLMs kuhatarisha usalama wa chakula, lishe na sheria
- Thibitisha pato la AI kwa maabara, kanuni za usalama wa chakula na sheria, na uweze kutumia kanuni za maadili.
Ni Ijumaa alasiri, uko katika ofisi ya R&D ya kiwanda cha maziwa. Timu ya masoko inataka lebo ya "mtindi usio na sukari, usio na sukari" kufikia Jumatatu asubuhi. Mhandisi anauliza kwa msisimko zana ya mazungumzo ya AI: "Ni mg ngapi za aspartame ninaweza kuweka kwenye bidhaa hii, kikomo cha Kodeksi ya Chakula cha Kituruki ni nini?" Ndani ya sekunde mfano hutoa jibu la uhakika: "Kikomo cha juu cha aspartame ni 600 mg/kg, inaruhusiwa kulingana na kifungu cha 12/3 cha Codex." Jibu linaonekana laini, la kushawishi na la kitaaluma. Shida pekee: nambari ya kingo ni ya uwongo, kikomo kinatofautiana na kategoria ya bidhaa, na utumiaji wa tamu katika bidhaa za maziwa yenye rutuba ina vizuizi vyake. Kitengo hiki kinaelezea hasa wakati huu, jinsi ya kudhibiti matokeo ya "ya uhakika lakini ambayo hayajathibitishwa" ya AI.
Kanuni moja kuu itajirudia katika moduli hii yote: matokeo ya AI ni pendekezo, mchoro, mahali pa kuanzia; Matokeo ya maabara hayawezi kamwe kutumika kama msingi wa uamuzi wa mwisho, lebo au uzalishaji bila kuthibitishwa na kanuni za usalama wa chakula na sheria rasmi (Turkish Food Codex). Unaweza kufikiria AI kama mwanafunzi mkuu: haraka, tija, kusoma vizuri, lakini bila mamlaka ya saini. Kama mhandisi, unathibitisha rasimu yake na kuitia sahihi.
LLM inafanya nini na haifanyi nini?
Miundo mikubwa ya lugha (LLM) ni mifumo iliyofunzwa juu ya kanuni ya "kutabiri neno linalofuata" kwenye data kubwa ya maandishi. Hii inawafanya kuwa wa kipekee katika kazi fulani na hatari kwa zingine.
LLM inafanya vizuri
LLM inakufanya usiaminike
Uandishi wa maandishi, uandishi wa utaratibu, muhtasari
Kikomo sahihi cha nambari na kumbukumbu ya kipimo
Uzalishaji wa mawazo na uchanganuzi wa mawazo
Inanukuu kifungu cha sheria cha sasa
Kurahisisha maandishi changamano, tafsiri
Kufanya mahesabu ya thamani ya lishe bila makosa
Kuunda jedwali/kiolezo kilichopangwa
Kufanya maamuzi ya usalama mahususi kwa bidhaa mahususi
Orodha ya ukaguzi na uundaji wa maswali
Usahihi wa chanzo na marejeleo
LLM "haijui ambayo haijui". Ikiwa hatakumbuka kikomo cha mchango, haachii wazi; hutengeneza nambari inayoonekana kuwa sawa kitakwimu. Hii inaitwa hallucination na ndiyo tabia hatari zaidi katika uhandisi wa chakula.
Udanganyifu: hatari tatu za chakula mahususi
Katika kikoa cha chakula, ukumbi hutokea katika aina tatu muhimu:
- Kikomo/kipimo cha nyongeza kinachofaa: Muundo unaweza kutoa kikomo cha kihifadhi cha "500 mg/kg" wakati kwa hakika ni 150 mg/kg. Hii ni hatari ya moja kwa moja ya afya ya watumiaji na ukiukaji wa kisheria.
- Nakala ya sheria iliyoundwa: Hutoa marejeleo ambayo kwa hakika hayapo, kama vile "Kifungu cha 7/b cha Kanuni ya Kanuni ya Chakula cha Kituruki". Nambari inaonekana halisi lakini haiwezi kuthibitishwa.
- Thamani ya lishe isiyo sahihi: huhesabu kimakosa protini, nishati au thamani ya sukari kwa 100 g ya bidhaa; Hii inasababisha makosa ya lebo na lishe.
Tahadhari: Kikomo chochote cha nambari, nambari ya bidhaa ya Kodeksi au thamani ya lishe iliyotolewa na LLM haiwezi kutumika bila uthibitisho kutoka kwa chanzo rasmi cha asili (Taarifa/kanuni husika, uchapishaji wa Wizara ya Kilimo na Misitu ya Jamhuri ya Uturuki). Kwa sababu tu mfano unaonekana "uhakika" haimaanishi kuwa ni sahihi.
Mgawanyiko wa kazi unaotegemea hatari
Kuainisha AI pamoja na mhimili wa hatari wa mahali ambapo inaweza kutumika kwa uhuru na ambapo uthibitisho mkali unahitajika ndiyo njia inayofanya kazi vyema kimatendo.
Jitihada
Kiwango cha hatari
Jukumu la AI
Uthibitishaji wa lazima
Jina la bidhaa / wazo la dhana
chini
mzalishaji wa kujitegemea
Ukaguzi wa masoko
Utaratibu/rasimu ya SOP
chini-kati
mwandishi wa rasimu
Idhini ya msimamizi wa ubora
Rasimu ya dodoso la jaribio la hisia
chini
msaidizi
Udhibiti wa R&D
Kipimo cha ziada
juu
Pendekezo pekee
Kikomo cha Codex + maabara
Hatua muhimu ya kudhibiti HACCP (CCP)
juu sana
Orodha tu ya mawazo
Timu ya HACCP + mti wa maamuzi
Tamko la mzio
juu sana
rasimu
Ufuatiliaji wa maagizo + sheria
Kigezo cha matibabu ya joto (thamani ya F)
juu sana
Pendekezo
Mamlaka ya mchakato + uthibitishaji
Sheria ni rahisi: zaidi pato linagusa moja kwa moja afya ya watumiaji, kufuata udhibiti au usalama wa uzalishaji, ndivyo uthibitishaji wa kibinadamu unavyokuwa muhimu zaidi.
Agizo dhaifu / Ukumbusho thabiti
Hitaji sawa, linapoulizwa kwa njia mbili tofauti, hutoa ubora tofauti wa matokeo.
TAARIFA DHAIFU: "Ni kihifadhi kipi napaswa kuweka kwenye mtindi na kiasi gani?" Tatizo: Mtindo huvumbua kipimo halisi, haitoi chanzo, hauzingatii kitengo cha bidhaa, na hujui uhakika wa uthibitishaji.
UHAKIKI MKALI: "Orodhesha Ktego zinazoweza kuwa za kinga za bidhaa ya maziwa iliyochachushwa (mtindi wa kunywewa) na kazi ya kila moja. USIPENDEKEE kipimo halisi; badala yake ongeza dokezo kwa kila kiongezi 'Kikomo cha arifa ya FoodCodex ya Kituruki kinapaswa kuthibitishwa'. Weka muundo kama orodha ya uthibitishaji inayohitajika. Ambapo bila shaka andika 'uthibitisho' wa 'chanzo'. Kwa nini ina nguvu: Usijaribu kutoshea mfano, lakini uunde Inapachika hatua ya uthibitishaji katika matokeo. Uamuzi unabaki kwa mhandisi.
Tofauti ni kwamba badala ya kufanya mfano "kuamua", "unaifanya kuwa rasimu na kuchora njia ya uthibitishaji".
Maadili, siri ya biashara na usiri wa fomula
Kipimo cha kimaadili cha matumizi ya AI ni muhimu kama vile mwelekeo wake wa kiufundi. Kama mhandisi, moja ya mali muhimu zaidi ya kampuni yake ni kanuni zake za siri na mapishi.
ORODHA YA UKAGUZI YA MAADILI (kabla ya kuandika kidokezo):[ ] Je, ninaandika viwango vya siri/hati miliki vya fomula kwa onyesho hili?[ ] Je, ninashiriki maelezo mahususi ya mteja?[ ] Je, ninajua sera ya matumizi ya data ya zana hii?[ ] Je, kuna hatari ya kuhamisha pato kwa uzalishaji/lebo bila uthibitishaji?[ ] Je, ninashiriki uamuzi kuhusu afya ya mtumiaji?
Kuandika viwango kamili vya maagizo kwenye zana ya umma ya AI kunaweza kumaanisha kuwa siri ya biashara huenda kwa seva za watu wengine. Ni tabia nzuri kuuliza kwa kuondoa taarifa za siri ("A huchangia X%, B huchangia Y%)."
Kidokezo: Weka mawaidha yako "ya umma/bila kujulikana." Tumia kutofautiana (X, Y) badala ya viwango halisi; Tumia kielelezo kwa mantiki na muundo, ukiweka nambari zilizofichwa kwenye lahajedwali yako mwenyewe. Kwa njia hii unapata mawazo na kuweka siri.
kesi ndogo
Mhandisi mfanyakazi katika mtengenezaji wa vitafunio aliuliza AI kwa meza ya lishe kwa lebo ya bar mpya ya nafaka. Mfano huo ulinukuu "protini 8g, 180kcal" kwa bar ya 40g, na chati ilionekana kuwa ya kitaalamu. Kabla ya kuidhinisha, meneja wa ubora alikuwa na timu ya kuhesabu kichocheo kwa mikono: thamani halisi ilikuwa 5.2 g protini na 165 kcal. AI ilitabiri "wastani" wa bidhaa zinazofanana; Hii sio kichocheo halisi cha bidhaa. Ikiwa chati ingechapishwa bila uthibitishaji, uwakilishi wa upotoshaji wa lishe utakuwa ukiukaji wa kisheria na kupoteza imani ya watumiaji. Baada ya tukio hili, timu iliongeza sheria "Jedwali la lishe la AI = rasimu, hesabu kutoka kwa mapishi = halisi" kwa utaratibu ulioandikwa.
Makosa ya kawaida
- Kuiweka kwenye ripoti/lebo bila kuthibitisha kikomo cha mchango au nambari ya bidhaa ya Codex iliyotolewa na AI.
- Kuchanganya sauti ya "uhakika" na kioevu kwa usahihi.
- Kuandika uwiano wa fomula za siri katika zana za umma za AI.
- Kuacha maamuzi ya hatari kubwa (CCP, allergener, matibabu ya joto) kabisa kwa AI.
- Kutegemea utabiri wa AI badala ya kuhesabu thamani ya lishe kutoka kwa mapishi.
- Kukubali jibu moja la haraka kama jibu pekee sahihi na sio kutafuta mbadala/chanzo.
- Kuruka hatua ya uthibitishaji kwa kusema "nitafanya baadaye" na kuendelea na uzalishaji chini ya shinikizo la wakati.
Kwa muhtasari
- AI ni kichochezi chenye nguvu katika uhandisi wa chakula, lakini ni mwanafunzi wa darasani, sio mtu wa kufanya maamuzi.
- LLMs zinaweza kutoa hisia za kikomo sahihi, dutu ya udhibiti, na thamani ya lishe; Ufasaha sio hakikisho la usahihi.
- Panga kazi kulingana na hatari: tumia kwa uhuru katika hatari ndogo, katika hatari kubwa (kipimo, CCP, allergener, matibabu ya joto) daima thibitisha kwa sheria + ya binadamu + maabara.
- Kidokezo chenye nguvu kinalazimisha modeli kutofanya uamuzi, lakini kutoa rasimu na kuonyesha njia ya uthibitishaji.
- Kudumisha siri ya biashara na usiri wa fomula; Fanya kazi na vigeu visivyojulikana badala ya viwango halisi.
- Kila pato la AI ni rasimu tu hadi ithibitishwe na chanzo rasmi na maabara.
Jukumu la maombi
Tambua kazi 8 tofauti katika biashara yako (au ya kuwazia) ya chakula ambapo unaweza kupata usaidizi kutoka kwa AI katika mwezi uliopita. Weka kila kazi kwenye jedwali lenye msingi wa hatari katika kitengo hiki: hatari ya chini, ya kati, ya juu au ya juu sana. Kwa kila kazi yenye hatari kubwa na ya juu sana, andika kwenye jedwali ni chanzo gani rasmi (Taarifa ya Turkish Food Codex husika), ni uchunguzi upi wa kimaabara na ni kwa kibali gani cha kitaalam pato la AI linapaswa kuthibitishwa. Hatimaye, unda orodha ya vipengee 5 ya "sheria za uthibitishaji wa matokeo ya AI" ili timu yako itumie na uhakikishe kuwa angalau mojawapo inahusiana na siri/siri ya biashara.