fbpx Smiley face

FINDER, machine learning model designed by Google and Harvard University that detects restaurants with health risks

0

One of the reasons that arouse more reticence among the population when eating out is the possible lack of hygiene at the restaurant visited. Although fear is completely baseless, because as we have seen time and again in bacteriology testing the kitchens of the restaurants they are more hygienic than household, it is understandable that customers feel well, the end of the day no way to monitor that food preparation is being carried out according to the standards of food safety regulations.

These concerns could disappear in an instant if the new technology developed by company researchers Mountain View and of the School of Public Health T. H. Chan Harvard University came to the public.

In the recent study published in the journal NPJ Digital Medicine and entitled as "Machine Learning epidemiological: real-time detection of foodborne disease scale ', Adam SADILEK, Ashish Jha and presented the company FINDER tool (detector foodborne diseases in real time) able to use information search and location to warn of potentially dangerous restaurants.

The corresponding author, Ashish Jha, professor K. T. Li Global Health at the School of Public Health T. H. Chan and director of the Institute for Global Health at Harvard highlighted some of the possible applications of this new technological advance. These include, the healthcare savings You obtained by avoiding thousands of entries in the emergency rooms of hospitals in the world (and especially in the US. UU., field development of utility), and support and support provided to restaurants and health inspectors to detect and troubleshoot faster and more efficiently.

How does the system work? Really easy. Everything is based on the macrodatos added by users of mobile terminals that allow access to their positioning via GPS and Search History. In this way he software Subsequent searches can interpret the visit of a local that might indicate that the client has contracted a foodborne disease. For example: "How to relieve stomach pain", "Effects of spoiled food", "Drugs against diarrhea".

Anecdotal discern between coincidences and significant trends, the data are found contrasted with those of other diners. When you enter all information collected a pattern begins to emerge, then you can ensure that there is a health problem in the local object of study with a very high confidence level. Detection is made with a accuracy 85%.

Para medir dicho valor se usaron dos ciudades de EE. UU., Las Vegas y Chicago. FINDER generó una lista de restaurantes que potencialmente podrían estar provocando enfermedades y malestar a los clientes. Dicho listado fue, acto seguido, proporcionado a las autoridades inspectoras competentes, las cuales investigaron 61 casos propuestos por FINDER en la ciudad del estado de Nevada, y 71 en la megápolis de Illinois.

De estos, un 52.3% presentaron deficiencias en materia de salubridad e higiene. Un valor que duplica el promedio en las inspecciones realizadas motu proprio por las agencias de inspección y que sumaron más de 10 000 investigaciones.

FINDER superó con creces las inspecciones motivadas por las quejas de los propios clientes en todos los aspectos: precisión, escala y latencia. La causa de que esto sea así, según los investigadoras que firman el artículo, es que «la gente tiende a culpar el último restaurante que han visitado y de esta manera es probable que se entreguen hojas de reclamación en el restaurante que no es», algo que está adecuadamente documentado en la bibliografía científica preexistente.

El sistema no está libre de limitaciones, una de las más importantes es que el aprendizaje de máquina o machine learning solo presenta información valiosa después de que haya pasado un intervalo de tiempo dilatado, el equivalente al periodo de incubación de los patógenos o de aparición de los primeros síntomas.

En cualquier caso existe una mejora patente respecto a otros sistemas que se apoyan en el minado de datos. Si se compara FINDER con el modelo usado en Chicago, que extrae quejas directamente desde Twitter, el nuevo modelo informático es un 68% más efectivo. Parte de la culpa reside, no obstante, en la red social, que se ha ganado a pulso la mala fama por las quejas y disputas que en ella tienen lugar.

El potencial de la herramienta no se limita únicamente al sector de la restauración, FINDER se podrá adaptar en el futuro para hacer seguimientos muy dispares que sin duda tendrán efectos muy positivos sobre la sociedad. Lo esperamos con ansias.

3.5/5 - (2 votes)

Sobre el autor

Artículo realizado por el equipo de redacción de DiegoCoquillat.com. Cuenta con profesionales tanto en el terreno de la hostelería, gastronomía y turismo, como en de las nuevas tecnologías e innovación.

Suscríbete

Deja un comentario