Sicurezza nel latte: l’intelligenza artificiale e l’IoT rivoluzionano il rilevamento delle frodi in tempo reale

Il latte rappresenta una fonte fondamentale di nutrienti essenziali, come proteine, vitamine e minerali, nella dieta globale, con l’India che si conferma il principale produttore mondiale coprendo il 24% della produzione totale. Tuttavia, la crescita costante della domanda ha spinto alcuni operatori verso pratiche non etiche, ricorrendo all’adulterazione per aumentare i volumi o mascherare una qualità scadente, un problema che ha assunto rilevanza mondiale dopo lo scandalo della melammina nel 2008. In questo contesto, uno studio indiano, pubblicato sulla rivista scientifica Food Control, propone una soluzione tecnologica avanzata per superare i limiti dei metodi di analisi tradizionali. Spesso, infatti, i sistemi di rilevamento convenzionali risultano troppo costosi o inadatti a un monitoraggio capillare, rendendo necessaria l’introduzione di strumenti rapidi e di facile utilizzo.

L’integrazione tra IoT e XAI

La sfida tecnologica affrontata dai ricercatori si basa sulla convergenza tra i sistemi Internet of Things (IoT) e la cosiddetta Intelligenza Artificiale Spiegabile, nota come XAI. Mentre i modelli di apprendimento automatico tradizionali operano spesso come una “scatola nera” imperscrutabile, la XAI si sforza di rendere comprensibili agli esseri umani i processi decisionali che portano a un determinato risultato. L’utilizzo del framework SHAP, acronimo di SHapley Additive exPlanations, permette di chiarire come il sistema arrivi a identificare un’anomalia, rafforzando la fiducia degli operatori nei confronti della tecnologia. Questa trasparenza è cruciale per un settore che richiede non solo precisione tecnica, ma anche la capacità di giustificare le azioni intraprese a tutela della sicurezza alimentare, in modo da condividerle.

Un sistema multisensore 

Il dispositivo presenta un multisensore progettato per misurare in tempo reale una vasta gamma di parametri critici del latte crudo. Il sistema integra sensori per il monitoraggio del pH, della conducibilità elettrica, della temperatura. Oltre a questi dati ambientali e chimici, la tecnologia è in grado di valutare simultaneamente i componenti strutturali del campione, come la percentuale di grassi, proteine, lattosio, la densità e i solidi non grassi. Questa capacità di acquisizione dati su più livelli permette di ricostruire un profilo estremamente dettagliato del prodotto, rendendo molto difficile per gli adulteranti passare inosservati durante le fasi di controllo.

Materiali e metodi

Per testare l’efficacia del sistema, i ricercatori hanno preparato un set di dati specifico progettando un dispositivo di acquisizione dati basato su microcontrollori e sensori IoT. Lo studio si è concentrato sull’identificazione di cinque tipologie distinte di adulteranti molto comuni e pericolosi: urea, amido, bicarbonato di sodio, maltodestrina e formaldeide. Queste sostanze, sebbene spesso aggiunte a fini puramente economici, comportano rischi gravissimi per la salute pubblica, potendo causare insufficienza renale sia negli adulti sia nei neonati. Si è perciò virato verso un approccio di apprendimento automatico basato su una tecnica “ensemble“, che combina le previsioni di diversi modelli per ridurre i rischi di classificazione errata e aumentare l’affidabilità complessiva del rilevamento.

Risultati sperimentali e confronto con le tecnologie esistenti

I risultati ottenuti dal modello proposto hanno dimostrato una superiorità statistica rispetto agli algoritmi convenzionali, raggiungendo un’accuratezza nel rilevamento degli adulteranti superiore al 96%. Questo metodo ensemble ha superato, in termini di prestazioni, altri classificatori standard come Random Forest, Light GBM e Extra Trees. Confrontando il nuovo sistema con i metodi spettroscopici e IoT già presenti nella letteratura scientifica, è emerso che i risultati sono assolutamente paragonabili a quelli delle tecnologie all’avanguardia, pur mantenendo costi di produzione e di gestione contenuti. Gli esperti hanno sottolineato che, nonostante il dataset limitato abbia impedito l’uso di reti neurali convoluzionali più complesse, l’attuale architettura basata su machine learning offre già un equilibrio ottimale tra precisione ed efficienza operativa.

Verso un monitoraggio onnipresente e trasparente

L’innovazione presentata dai ricercatori apre prospettive promettenti per rafforzare i controlli di qualità nell’intera industria lattiero-casearia, offrendo uno strumento capace di operare rapidamente e con precisione. La possibilità, inoltre, di effettuare misurazioni a basso costo rappresenta un’opportunità concreta per democratizzare la sicurezza alimentare, garantendo monitoraggi frequenti lungo tutta la catena di approvvigionamento. In futuro, lo sviluppo di dataset ancora più ampi potrebbe consentire l’impiego di tecniche di intelligenza artificiale più sofisticate, migliorando ulteriormente la sensibilità del sistema. Il messaggio per il settore è chiaro: la tecnologia può oggi fornire una difesa robusta contro le frodi, proteggendo l’integrità del mercato e, senza compromettere la salute dei consumatori finali.

Il presente contributo costituisce una sinossi tratta dal lavoro “XAI-empowered IoT multi-sensor system for real-time milk adulteration detection”, di Kashish Goyal, Parteek Kuman, Karun Verma, pubblicato su Food Control  https://doi.org/10.1016/j.foodcont.2024.110495