STELAR Tech Brief #3: Bias-tietoinen datan laajennus elintarvikkeiden vaaratekijöiden tunnistamiseksi

Maatalous- ja elintarviketurvallisuuden koneoppimisessa esiintyvät harhat – kuten luokkien epätasapaino, kielelliset vaihtelut ja tekstien pituuksien epäjohdonmukaisuus – heikentävät mallin tarkkuutta. Tässä artikkelissa esitellään jäsennelty prosessi, jolla näitä ongelmia pyritään lieventämään datan arvioinnin, puhdistuksen (kaksoiskappaleiden poisto, puuttuvien arvojen käsittely ominaisuuksien yhdistämisen avulla) ja kohdennetun datan laajennuksen avulla. Kymmenen menetelmän kehys (esim. synonyymien korvaaminen, tyylin siirto, tekstin tiivistäminen) tuottaa 16 synteettistä datapistettä viidessä luokassa, mikä parantaa tasapainotettua tarkkuutta merkittävästi. Hienosäädetyt BART-mallit ja ChatGPT 4.0 tuottavat johdonmukaista, vähähäviöistä synteettistä dataa. Tekniikat kuten täydennys, koodaus ja ominaisuuksien valinta parantavat kestävyyttä. Lähestymistapa vähentää laskennallisia kustannuksia säilyttäen samalla kontekstuaalisen tarkkuuden ja tarjoaa skaalautuvan, vastuullisen tekoälyratkaisun elintarvikkeiden vaaratekijöiden tunnistamiseen. Osa EU:n rahoittamaa STELAR-hanketta (tukitunnus: 101070122), jota johtaa Vivek Kumar Münchenin Bundeswehrin yliopistossa.