Hoe Explainable AI voedsel­vei­lig­heid verbetert

Kunstmatige intelligentie speelt een steeds grotere rol in voedselveiligheid, maar de werking ervan blijft vaak een ‘zwarte doos’. Wageningen Food Safety Research (WFSR) onderzoekt hoe Explainable AI meer inzicht kan geven in de beslissingen van AI-systemen. Dit is belangrijk bij toepassingen zoals de controle op verboden stoffen in de voedselketen.

AI bij de controle op groeihormonen

Voor de controle op verboden groeihormonen in runderen worden chemisch-analytische methoden gebruikt, zoals massaspectrometrie. Onderzoekers van WFSR trainden een AI-model om urinemonsters van koeien te analyseren en sporen van deze stoffen te detecteren. Het neurale netwerk bereikte een nauwkeurigheid van 90%, vergelijkbaar met bestaande statistische methoden.

Om te begrijpen hoe AI tot deze conclusies kwam, gebruikten de onderzoekers het speltheoretische framework SHAP. Dit bracht in kaart welke chemische structuren het belangrijkst waren voor de analyse. “Domeinexperts hebben bevestigd dat die analyse correct is,” zegt dr. ir. Bas van der Velden, teamleider Data Science bij WFSR.

AI die zichzelf uitlegt

Het onderzoek laat zien dat Explainable AI kan helpen om AI-toepassingen in voedselveiligheid transparanter en betrouwbaarder te maken. Momenteel gebeurt uitleg vaak achteraf, maar er wordt ook gewerkt aan AI-modellen die hun eigen beslissingen direct inzichtelijk kunnen maken.

"Biologen hebben andere informatie nodig dan voedselverwerkers," stelt Van der Velden. AI die op maat uitleg geeft, kan helpen om besluitvorming binnen de voedselketen beter te onderbouwen en verder te optimaliseren.

Wur.nl