擔心你的闖入牆可能沒有一個出色的食品安全記錄？谷歌新的人工智能（AI）系統可以幫助您擺脫恐懼 - 或確認最糟糕的情況。
由Mountain View公司和哈佛大學TH Chan公共衛生學院的研究人員領導的一項研究描述了一種機器學習模型 - FINDER（實時食源性疾病檢測器） - 利用搜索和位置數據來識別“潛在不安全”的餐館。他們的論文（“ 機器學習流行病學：大規模食源性疾病的實時檢測 ”）今天發表在npj數字醫學雜誌上。
“食源性疾病很常見，成本高昂，並且每年都有數千名美國人在急診室就診。這項由谷歌開發的新技術可以幫助餐館和當地 衛生部門 在問題變得更加嚴重之前更快地發現問題，“Ashish Jha，哈佛陳學院全球健康教授，哈佛全球衛生研究所所長， 說過。
正如該研究的作者所解釋的那樣，FINDER從選擇共享其位置數據的用戶那裏獲取匿名和聚合日誌。它識別指示食物中毒的搜索查詢（例如，“如何減輕胃痛”），然後查找執行這些搜索的用戶訪問的餐館。最後，對於每個適用的餐廳，它計算了在他們的搜索中停留並隨後顯示食源性疾病證據的人的比例。
一個挑戰是處理搜索詞歧義。研究人員指出，谷歌搜索“腹瀉”可能與食物中毒有關，但並未傳達有關症狀細節的信息。他們的解決方案是一個受監督的機器學習分類器，利用其他信號 - 包括響應查詢顯示的結果，對這些結果的彙總點擊以及打開的網頁的內容 - 以85％的準確度識別與疾病相關的搜索。
FINDER在兩個城市進行了測試：拉斯維加斯和芝加哥。他們各自的衛生部門提供了FINDER自動識別的餐館清單，檢查員對健康守則的違規行爲進行了調查。在拉斯維加斯，共完成了5,038次檢查，其中61次是由FINDER提出的; 在芝加哥完成的5,880次檢查中，有71次是由FINDER帶來的。
在谷歌和哈佛的人工智能系統確定的所有餐廳中，52.3％被視爲檢查時不安全，而基線餐廳則爲24.7％。此外，FINDER餐廳在所有風險指定中被評爲不安全，並且有更多的重大和重大違規行爲。
最後，FINDER在精確度，規模和潛伏期（人們生病和確定爆發之間經過的時間）方面優於基於投訴的檢查和例行檢查。並且它設法將食源性疾病的位置更好地歸因於特定場所而不是客戶。
研究人員寫道：“以前的研究表明，人們往往會責怪最後一家餐館，因此很可能會對錯誤的餐館提起訴訟。” “FINDER方法比個人客戶投訴更強大，因爲它聚集了來自參觀場地的衆多人的信息。”
這不是一個完美的系統。由於食源性疾病往往具有相對較長的潛伏期，並且在延遲後出現症狀，因此FINDER僅在經過足夠的時間後才達到峯值置信度。在風險較低的場所，FINDER確定餐廳被識別爲不安全的可能性高於高風險場所。
但測試表明，與使用Twitter數據挖掘的高級投訴系統相比，測試結果提高了68％，包括芝加哥自己的數據挖掘。
研究人員寫道：“我們的結果證明，今天衛生部門可以使用這種工具更快地查明和調查爆發可能發生的地點。” 公共衛生部門可以擴大這種模式，以減輕美國各地食源性疾病的負擔，也可以用來協助監測全球各種其他疾病。