استفاده از هوش مصنوعی برای پیش‌بینی کمبود بالقوه مواد غذایی

کمبود ریزمغذی ها بیش از دو میلیارد نفر در سراسر جهان از جمله ۳۴۰ میلیون کودک را مبتلا کرده است. این کمبود ویتامین ها و مواد معدنی می تواند عواقب جدی برای سلامتی داشته باشد. اما تشخیص زودهنگام کمبودها برای درمان مؤثر مستلزم خونگیری گران قیمت و زمان بر و آزمایشات آزمایشگاهی است.
تحقیقات جدید رویکرد کارآمدتری را ارائه می دهد. الیزابت باندی، دانشمند کامپیوتر و همکارانش در دانشگاه هاروارد از داده‌های ماهواره‌ای در دسترس عموم و هوش مصنوعی برای تعیین دقیق مناطق جغرافیایی که در آن جمعیت‌ها در معرض خطر کمبود ریزمغذی‌ها هستند، استفاده کردند. این تجزیه و تحلیل به طور بالقوه می تواند راه را برای مداخلات اولیه بهداشت عمومی هموار کند.
سیستم‌های هوش مصنوعی موجود می‌توانند از داده‌های ماهواره‌ای برای پیش‌بینی مسائل امنیتی غذایی محلی استفاده کنند، اما معمولاً بر ویژگی‌های قابل مشاهده مستقیم تکیه می‌کنند. به عنوان مثال، بهره وری کشاورزی را می توان از دیدگاه پوشش گیاهی تخمین زد. محاسبه در دسترس بودن ریز مغذی ها سخت تر است. پس از مشاهده تحقیقاتی که نشان می‌دهد مناطق نزدیک جنگل‌ها دارای تنوع غذایی بهتری هستند، باندی و همکارانش الهام گرفتند تا نشانگرهای کمتر شناخته شده برای سوءتغذیه بالقوه را شناسایی کنند. کار آنها نشان می‌دهد که ترکیب داده‌هایی مانند پوشش گیاهی، آب و هوا و حضور آب می‌تواند نشان دهد که جمعیت‌ها در کجا کمبود آهن، ویتامین B12 یا ویتامین A دارند.
این تیم اندازه‌گیری‌های ماهواره‌ای خام را بررسی کردند و با مقامات بهداشت عمومی محلی مشورت کردند، سپس از هوش مصنوعی برای غربال کردن داده‌ها و مشخص کردن ویژگی‌های کلیدی استفاده کردند. به عنوان مثال، یک بازار مواد غذایی که بر اساس جاده ها و ساختمان های قابل مشاهده استنباط می شود، برای پیش بینی سطح خطر یک جامعه حیاتی بود. سپس محققان این ویژگی ها را با مواد مغذی خاصی که در جمعیت چهار منطقه در سراسر ماداگاسکار وجود نداشت، مرتبط کردند. آنها از داده‌های نشانگر زیستی واقعی برای آموزش و آزمایش برنامه هوش مصنوعی خود استفاده کردند.
هدف محققان توسعه نرم افزاری است که این تجزیه و تحلیل را به سایر کشورهایی که داده های ماهواره ای عمومی دارند گسترش دهد.