Στο 16ο επεισόδιο του podcast «Τεχνο-λογικά», ο Στάθης Καλούδης, επίκουρος καθηγητής στο τμήμα Επιστήμης Τροφίμων και Διατροφής του Πανεπιστημίου Αιγαίου, αναλύει τη σύζευξη της υψηλής τεχνολογίας με τον παραδοσιακό τομέα των τροφίμων. Η συζήτηση αποκαλύπτει ότι η επιστήμη των τροφίμων σήμερα δεν περιορίζεται μόνο στη χημεία και στη βιολογία, αλλά εκτείνεται πλέον και στον προγραμματισμό, στη φυσική και στην ανάλυση δεδομένων μεγάλης κλίμακας.
Το πρώτο κομμάτι της συζήτησης επικεντρώνεται στις υπολογιστικές προσομοιώσεις. Ο κ. Καλούδης εξηγεί ότι πρόκειται για τη χρήση υπολογιστικών μοντέλων για την επίλυση περίπλοκων μαθηματικών, φυσικών και χημικών προβλημάτων. Παρομοιάζει τη διαδικασία με την αεροδυναμική εξέλιξη στη Φόρμουλα 1, όπου η ψηφιακή προσομοίωση αντικαθιστά τις δαπανηρές και χρονοβόρες φυσικές δοκιμές. Στην επιστήμη των τροφίμων, αυτό σημαίνει ότι μπορούμε να προβλέψουμε φαινόμενα όπως η μεταφορά θερμότητας, η ροή υγρών ή οι χημικές αντιδράσεις σε μια γραμμή παραγωγής, χωρίς να σπαταλήσουμε πρώτες ύλες. Ένα εξαιρετικά εύστοχο παράδειγμα που παραθέτει είναι η αποθήκευση σιτηρών σε μεγάλα μεταλλικά σιλό. Χρησιμοποιώντας υπολογιστικά μοντέλα, οι βιομηχανίες μπορούν να προβλέψουν πότε και υπό ποιες συνθήκες υγρασίας θα υπάρξει κίνδυνος εμφάνισης μούχλας ή εντόμων, ρυθμίζοντας τον εξαερισμό με τον πιο ενεργειακά αποδοτικό τρόπο, διασφαλίζοντας έτσι τη διατροφική ασφάλεια του προϊόντος.
Στη συνέχεια, η συζήτηση περνά στον τομέα της μηχανικής μάθησης. Ο καλεσμένος διαχωρίζει τις τρεις κύριες μεθοδολογίες μάθησης. Στην επιβλεπόμενη μάθηση, δίνουμε στον υπολογιστή «παραδείγματα» (δεδομένα) για να μάθει να αναγνωρίζει μοτίβα. Χρησιμοποιεί το παράδειγμα της ζυθοποιίας, όπου αλγόριθμοι παρακολουθούν συνεχώς τις δεξαμενές ζύμωσης. Όταν μια παρτίδα αποκλίνει από το πρότυπο της «καλής» μπύρας, το σύστημα ειδοποιεί έγκαιρα, εξασφαλίζοντας τη σταθερότητα στη γεύση που απαιτεί ο καταναλωτής. Στη μη επιβλεπόμενη μάθηση, το σύστημα καλείται να ομαδοποιήσει δεδομένα από μόνο του. Εδώ αναφέρεται στη χρήση τεχνολογίας eye-tracking σε εργαστήρια μελέτης καταναλωτή, όπου ο υπολογιστής αναλύει πού εστιάζει το βλέμμα μας σε μια συσκευασία, βοηθώντας τις εταιρείες να κατανοήσουν τη συμπεριφορά του αγοραστή. Τέλος, η ενισχυτική μάθηση (reinforcement learning) παρουσιάζεται ως το μέλλον της ρομποτικής. Όπως ένα παιδί μαθαίνει να περπατάει προσπαθώντας να φτάσει σε έναν στόχο, έτσι και τα ρομπότ εκπαιδεύονται μέσω δοκιμής και λάθους για να εκτελούν εργασίες με ανθρώπινη ευελιξία, από την απομάκρυνση ζιζανίων στο χωράφι έως τη συσκευασία σε γραμμές παραγωγής.
Το τελευταίο σκέλος της συζήτησης αφορά την ανάλυση περιεχομένου στα κοινωνικά δίκτυα. Με δισεκατομμύρια χρήστες να μοιράζονται γνώμες, τα social media αποτελούν έναν πλούτο πληροφοριών για τη διατροφική συμπεριφορά. Ο κ. Καλούδης περιγράφει πώς χρησιμοποιούνται εργαλεία τεχνητής νοημοσύνης για να «διαβάζουν» εκατοντάδες χιλιάδες δημοσιεύσεις, ανιχνεύοντας αναδυόμενες τάσεις –όπως η περιβόητη «σοκολάτα Ντουμπάι»– και αναλύοντας το καταναλωτικό συναίσθημα. Μέσα από την ανάλυση δικτύων, εντοπίζονται οι «μικρο-influencers», οι οποίοι, παρά τους λιγότερους followers, έχουν τεράστιο αντίκτυπο σε στοχευμένες κοινότητες ειδικού ενδιαφέροντος.
Κλείνοντας, ο κ. Καλούδης υπογραμμίζει τον διττό ρόλο της τεχνολογίας. Όπως ένα μαχαίρι, έτσι και τα εργαλεία τεχνητής νοημοσύνης μπορούν να χρησιμοποιηθούν είτε για να βελτιώσουν την ποιότητα της διατροφής μας, είτε απλώς για να εξυπηρετήσουν το καθαρό κέρδος εις βάρος της υγείας. Το μέλλον της διατροφής μας εξαρτάται από το πώς ο άνθρωπος θα επιλέξει να «προγραμματίσει» και να κατευθύνει αυτές τις εξελίξεις.
