STELAR Tech Brief nr 3: Biasmedveten dataaugmentering för identifiering av livsmedelsrisker

Biaser inom maskininlärning för livsmedelssäkerhet inom jordbrukssektorn – såsom obalans mellan klasser, språkliga variationer och inkonsekvenser i textlängd – försämrar modellens noggrannhet. Denna artikel presenterar en strukturerad arbetsprocess för att mildra dessa problem genom datagranskning, datarensning (borttagning av dubbletter, hantering av saknade värden genom blandning av egenskaper) och målinriktad dataförstärkning. Ett ramverk med tio metoder (t.ex. ersättning av synonymer, stilöverföring och textsammanfattning) genererar 16 syntetiska datapunkter fördelade på fem klasser, vilket avsevärt förbättrar den balanserade noggrannheten. Finjusterade BART-modeller och ChatGPT 4.0 producerar konsistenta syntetiska data med låg förlust. Tekniker som utfyllnad, kodning och val av egenskaper förbättrar robustheten. Metoden minskar beräkningskostnaderna samtidigt som den upprätthåller kontextuell noggrannhet, vilket ger en skalbar och ansvarsfull AI-lösning för identifiering av livsmedelsrisker. En del av det EU-finansierade STELAR-projektet (bidrags-ID: 101070122), lett av Vivek Kumar vid Bundeswehruniversitetet i München.