في عصر يتسم بالتعقيد السريع والتحديات المتزايدة، أصبحت تقنيات الذكاء الاصطناعي (Artificial Intelligence) ضرورة ملحة لتحليل البيانات المعقدة. يتوسع استخدام هذه التقنيات ليشمل مجالات متعددة خارج علوم الحاسوب، بما في ذلك مجال هندسة الغذاء، حيث يتزايد الطلب على توقعات دقيقة وموثوقة تفي بمعايير الجودة العالية.

ولكن لبلوغ هذه الدقة، تحتاج النماذج الذكية إلى التعقيد المتزايد، مما يثير الكثير من القلق بين المستخدمين والمطورين. لذا، تتجلى أهمية ظهور الذكاء الاصطناعي القابل للتفسير (XAI) كمساعد في فهم كيفية اتخاذ القرارات من قبل الذكاء الاصطناعي، مما يسهل تفسير النماذج سواء للمطورين أو المستخدمين.

ومع ذلك، فإن استخدام XAI في هندسة الغذاء لا يزال محدوداً، مما يقلل من موثوقية النماذج. على سبيل المثال، يمكن للنماذج المعتمدة على التصوير الطيفي أن تكشف عن الملوثات أو تقيم مستوى الف freshness، لكن العمليات الغامضة التي تتسم بها تلك النماذج تمنع اعتمادها بشكل أوسع.

تقنيات XAI مثل SHAP (Shapley Additive Explanations) وGrad-CAM (Gradient-weighted Class Activation Mapping) تعمل على تحديد أية أطوال موجية طيفية أو مناطق في الصور تساهم أكثر في التنبؤات، مما يعزز الشفافية ويساعد المفتشين في التحقق من تقييمات الذكاء الاصطناعي.

هذه الورقة الاستقصائية تقدم تصنيفاً للأبحاث المتعلقة بجودة الغذاء باستخدام تقنيات XAI، حيث يتم تنظيمها وفقاً لأنواع البيانات وطرق التفسير، مما يوجه الباحثين نحو اختيار الأساليب المناسبة. كما نسلط الضوء على الاتجاهات والتحديات والفرص المتاحة لتشجيع تبني XAI في هندسة الغذاء. هل أنت مستعد لاكتشاف كيف يمكن أن تغير هذه التقنيات مستقبل جودة الغذاء؟ شاركونا آراءكم في التعليقات!