IA per la sicurezza alimentare: il rapporto FAO
Il rapporto FAO del 2025 ‘Artificial Intelligence for Food Safety – A Literature Synthesis, Real-World Applications and Regulatory Frameworks‘, sviluppato insieme a ricercatori della Wageningen University & Research, fornisce una delle valutazioni più complete su come l’intelligenza artificiale stia ridisegnando la governance della sicurezza alimentare globale (van Meer et al., 2025). Il rapporto offre una rassegna scientifica, descrive casi di studio pratici provenienti dalle principali autorità nazionali e analizza il panorama normativo internazionale. L’IA si posiziona così non come una tecnologia di un futuro distante, ma come uno strumento attuale con profonde implicazioni per migliorare l’efficienza, la capacità predittiva e la resilienza dei sistemi di sicurezza alimentare in tutto il mondo, mettendo allo stesso tempo in guardia contro il suo uso prematuro o non regolamentato.
Sintesi della letteratura: mappatura dei domini applicativi dell’IA
Il rapporto FAO si basa su una revisione di 133 pubblicazioni scientifiche sottoposte a peer review, il cui numero è rapidamente aumentato a partire dal 2012. L’analisi classifica le applicazioni dell’IA in tre domini principali:
- il più rilevante è la ‘consulenza scientifica‘, dove gli algoritmi di machine learning (ML) e deep learning (DL) stanno rivoluzionando i processi di laboratorio. Queste applicazioni spaziano dall’uso di reti neurali convoluzionali (CNN) per identificare patogeni di origine alimentare in immagini microscopiche all’impiego di random forest per prevedere la virulenza di ceppi di Salmonella in carne di pollo macinata, a partire dai dati genomici (Karanth et al., 2022; Kang, Park, & Chen, 2020). L’IA aiuta inoltre la ricerca fondamentale, come la modellizzazione del bioaccumulo di metalli pesanti negli ecosistemi suolo-coltura e la comprensione dei fattori ambientali che portano alla contaminazione microbica (Hu et al., 2020; Toro et al., 2022);
- il secondo dominio, ‘ispezione e controllo alle frontiere‘, sebbene meno esplorato, mostra un potenziale significativo per migliorare il processo decisionale basato sul rischio. I modelli vengono in questo caso utilizzati per verificare l’autenticità degli alimenti – come distinguere le specie ittiche mediante spettroscopia Fourier transform nel vicino infrarosso – e per prevedere quali carichi di alimenti importati presentino il rischio più elevato per la sicurezza, così da consentire campionamenti mirati e un’allocazione più efficiente delle risorse (Liu, Liu, Li, & Wang, 2023; Wu et al., 2023a);
- il terzo dominio comprende le ‘attività delle autorità competenti‘, dove l’analisi basata su IA di dati non strutturati provenienti da fonti come social media, notiziari e fatture elettroniche consente l’individuazione precoce di focolai di malattie di origine alimentare e l’identificazione di preoccupazioni emergenti dei consumatori (Chen & Zhang, 2022; Sadilek et al., 2018).
Fonte: foodtimes.it