Алгоритм учует беду

Ежегодно в мире регистрируется около 600 млн случаев пищевых отравлений, 420 тыс. из них заканчиваются смертью. Отчасти это происходит из-за того, что по традиции сначала фиксируется событие, а затем следует отложенная ответная мера.

Выйти из полноэкранного режима

Развернуть на весь экран

Партия оказывается на полке, люди заболевают, и только после этого производитель инициирует отзыв. Можно ли развернуть эту логику назад: предсказать отравление до того, как первый пациент попадет в больницу? Нейросети, обученные на спутниковых снимках, метеоданных, геномах бактерий и даже отзывах в соцсетях, уже сегодня демонстрируют такую возможность. Как алгоритмы учатся предотвращать катастрофы и что мешает полномасштабному внедрению, «Ъ-Наука» беседует с экспертом по пищевой безопасности и инновационным разработкам в сфере пищевого производства и общественного питания Константином Деревсковым.

— Константин Андреевич, что уже реально умеют сегодня технологии предсказания?

— Вопрос интересный, по своей сути они очень похожи на метеорологический прогноз, только мы предсказываем не дождь, а вероятность микробной атаки на продукт. Система обучена на гигантских архивах, в которых содержатся данные о миллионах тонн сырья, каждом зафиксированном отравлении и каждой жалобе на вкус или запах из социальных сетей. На основе этого она смогла выявить опасные цепочки событий. Допустим, алгоритм видит заказ на куриное филе от конкретного поставщика, которое поедет три дня в вагоне с определенной влажностью в южный регион. Прогноз выдает предупреждение, что сочетание всех этих условий повышает риск сальмонеллезного заражения в четыре раза по сравнению со среднестатистическим. Получается, что мы узнаем об угрозе не по факту, а в тот момент, когда продукт еще даже не упакован или только загружен в машину. На продвинутых заводах данные от ИИ используют в качестве основания для немедленных действий — например, дополнительной санитарной обработки кузова или возврата сырья поставщику. В пилотных проектах фиксируют снижение частоты отзывов на десятки процентов. Однако до полной автоматизации, где компьютер без участия человека давал бы команду остановить линию, мы пока не дошли; слишком высока цена ошибки, да и не везде пока хватает качественных данных для столь точных предсказаний.

— Какие типы данных ученые и компании уже научились анализировать, чтобы предвидеть будущие отравления?

— Все, что мы умеем анализировать, делится на несколько больших пластов. Первый и самый очевидный — это микробиология (включает в себя информацию о том, какие микроорганизмы присутствуют в пробах, как выглядят их колонии и какова их численность). Второе — технология (такие алгоритмы, как мониторинг на линии, температура пастеризации, давление, скорость разлива…). Третье — логистика (место, количество, температура при транспортировке, наличие остановок, возможные нарушения режима; именно тут часто находят самые неожиданные корреляции).

Дальше начинается интересное. Сегодня мы активно используем климатические и даже спутниковые данные. Например, если в регионе выращивания сырья были затяжные дожди, а потом резко наступило тепло, модели начинают «нервничать» и выдают повышенные риски по плесневым токсинам. И самый, на мой взгляд, интригующий слой — это анализ интернета. Алгоритмы собирают посты, отзывы, поисковые запросы. Человек еще не дошел до врача, не сдал анализы, но уже написал в соцсетях «живот болит» или «тошнит после обеда в столовой»; система это видит, накапливает и может дать опережающий сигнал за несколько дней до официальной вспышки. Европейские коллеги недавно опубликовали результаты ретроспективного исследования, во время которого удалось предсказать вспышку сальмонеллеза на три недели раньше, чем сработала классическая эпидемиология. Так что спектр действительно большой, но суть простая: мы заставляем ИИ смотреть туда, куда человек либо не догадается посмотреть, либо физически не успеет.

— Над какими научными темами сейчас работают исследователи в этой области? Какие задачи еще не решены?

— Одна из горячих тем — раннее обнаружение порчи сырья с помощью «искусственного обоняния». Разрабатываются биосенсорные платформы, которые улавливают летучие органические соединения, выделяемые плесенью, и предсказывают развитие плесневых грибков и концентрацию микотоксинов с точностью до 90% и выше. Другое направление — спектроскопия с нейросетями. Существуют платформы, комбинирующие Рамановскую спектроскопию и сверточные нейронные сети. Они определяют начало порчи мяса, молока и овощей до появления видимых признаков (точность классификации — выше 93%). Осталась пока нерешенной задача заставить эти методы стабильно работать за пределами лаборатории, в реальных цехах (со всей их вариативностью). Это отдельная и пока не закрытая проблема — ложные срабатывания. Если алгоритм трижды подряд выдал тревогу, которая не подтвердилась, на четвертый раз технолог с высокой вероятностью проигнорирует сигнал, даже если он окажется истинным. Здесь важно оптимальное соотношение между способностью системы обнаруживать истинные события и частотой ошибочных срабатываний; именно это и является препятствием для успешного внедрения на производстве.

— Одна из проблем предиктивной аналитики — редкие случаи инцидентов. Отравления случаются не каждый день. Как алгоритмы могут «увидеть» редкие события и научиться их распознавать, не путая их с обычным «шумом» в данных, который встречается гораздо чаще?

— Исследователи борются с этим синтетическим увеличением выборки, где создают правдоподобные искусственные примеры редких событий. Есть другой вариант: ансамблевые методы с фокусировкой на ошибках второго рода. Третий — методы анализа выживаемости, которые оценивают не просто «случится — не случится», а временную дистанцию до возможного инцидента.

— Используют ли ученые для прогнозирования пищевых рисков те же архитектуры ИИ, что и в других сферах, или здесь нужны принципиально иные подходы?

— Те же самые архитектуры работают весьма неплохо. Сверточные сети (CNN) используются для анализа изображений дефектов и микроорганизмов; рекуррентные сети (RNN) и LSTM — для временных рядов, где важна динамика изменений. Архитектура Transformer, известная по языковым моделям, успешно применяется для прогнозирования содержания афлатоксина в молоке на основе многомерных данных. Графовые нейросети (GNN) моделируют сложные взаимосвязи в цепочках поставок. Ансамбли деревьев (XGBoost, Random Forest) остаются «золотым стандартом» для табличных данных с четкими признаками. Никакой принципиально новой архитектуры не требуется, скорее адаптация существующих.

— Константин Андреевич, скажите, можно ли сегодня предсказать вспышку заболеваемости задолго до того, как первый пациент попадет в больницу?

— Да, и примеры уже есть в научной литературе. Канадская исследовательская группа экспериментально показала, что комбинация анализа активности в соцсетях (поисковых запросов и жалоб) и метагеномного анализа сточных вод на наличие бактерий дает опережающий сигнал. Пики бактериальной нагрузки в сточных водах появлялись за одну-пять недель до официального объявления вспышки. То есть мы видим, что технологически можно получить предупреждение за несколько дней или даже недель.

— Какие данные для построения прогнозов остаются недоступными или неструктурированными и что мешает их собрать?

— Я бы сказал, что здесь мешает… разобщенность информации. Данные разбросаны по разным ведомствам, лабораториям, компаниям, каждый участник цепочки боится раскрывать внутреннюю информацию из-за конкурентных или юридических рисков. Технических ограничений никаких, сенсоры и базы данных есть у всех. Разработаны даже технологии федеративного обучения, позволяющие обучать общую модель без централизованного сбора сырых данных. Но без добровольного сотрудничества и изменения регуляторных рамок эти технологии не заработают в полную силу.

— Где в этой области сегодня возможен научный прорыв? Какое открытие могло бы кардинально изменить ситуацию с пищевой безопасностью в мире?

— На мой взгляд, прорыв может быть в области федеративного обучения в масштабе отрасли. Если несколько крупных производств согласятся на совместное обучение модели, не раскрывая друг другу свои коммерческие данные, получится глобальный предиктивный движок, недосягаемый для одиночных систем. Второе — дешевые мультиспектральные сенсоры со встроенным ИИ, которые уже на конвейере распознают бактериальную контаминацию (смешение) по оптическому сигналу. Пока такие системы стоят от 2 до 10 млн руб. на линию. Но когда их цена упадет до уровня хорошего смартфона (50–100 тыс. руб.), произойдет революция. Или возможен еще один путь: полная интеграция «омиксных» данных (геномика, протеомика, метаболомика) в прогностические модели. Так мы сможем предсказывать поведение патогена до его попадания в продукт.

— Как результаты исследований внедряются на реальных производствах?

— Такие примеры есть, хотя компании не всегда их публикуют. Один из документированных случаев — крупный производитель молочной продукции, внедривший систему на основе градиентного бустинга. Модель анализировала показатели сырого молока (количество соматических клеток, общую бактериальную обсемененность, историю ферм-поставщиков) и за две недели до планового лабораторного контроля выдала предупреждение о риске превышения допустимого уровня бактерий. Традиционный протокол не показал бы отклонений еще 12 дней. Производство перенаправило партию на усиленную пастеризацию и избежало выпуска продукта с пониженной стойкостью. Инцидента удалось избежать, хотя формально брака еще не было.

— Если говорить о горизонте пяти-семи лет, то насколько реально создать систему, которая будет автоматически собирать данные с цехов, складов, транспорта и санэпидемсводок и выдавать предупреждения о будущем отравлении?

— Вполне реально, но с оговоркой, что предупреждения будут вероятностными, а не стопроцентными. Цифровой двойник всего производства — это задача, технически реализуемая. Уже сейчас есть прототипы для отдельных цепочек (например, овощи или готовая кулинария). За пять-семь лет, с падением цен на аппаратуру и ростом вычислительных мощностей, такие системы станут доступны крупным и части средних предприятий при условии появления отраслевых стандартов валидации и облачных решений как услуги. Вопрос не в технологии, а в экономике и культуре. Готов ли бизнес платить за предсказание рисков, которые могут и не случиться? Но первые ласточки уже летают.

Пресс-служба Российского биологического университета (РОСБИОТЕХ)