Intelligenza artificiale (AI) applicata alla vita reale, questo è il focus di IntelliSys 2020 (Intelligent Systems Conference), conferenza internazionale alla quale Omnys ha partecipato nell’ambito del Natural Language Processing (NLP).
Organizzata ad Amsterdam, fin dal 2013 IntelliSys è un importante forum internazionale che riunisce ricercatori e professionisti provenienti da diversi campi con lo scopo di esplorare i ruoli fondamentali, le interazioni e gli impatti pratici dell'Intelligenza Artificiale (AI). Un evento di rilievo nel quale vengono organizzati speech di esperti del settore, workshop e presentazioni di case study di ricercatori innovativi, provenienti da oltre 50 Paesi, selezionati in base all’originalità, all’innovazione e all’autorevolezza della ricerca.
Nell’edizione 2020 (3-4 settembre), diversa dal solito a causa del Covid-19 e trasformata in un format virtuale, Omnys è stata scelta per presentare la sua ricerca inerente l’utilizzo di tecniche di Deep Learning e Machine Learning (come Convolutional Neural Network e LSTM, Random Forest e SVM) per valutare l’incidenza delle reazioni allergiche che possono nascere dalla difficile comprensione delle informazioni presenti nelle etichette alimentari.
Negli ultimi tempi, infatti, la letteratura mostra che le intolleranze alimentari colpiscono un'ampia porzione della popolazione mondiale e la diagnosi, come la prevenzione (che parte dalla corretta comprensione delle etichette), diventano essenziali per evitare possibili reazioni allergiche. I consumatori e gli operatori del settore chiedono quindi strumenti utili per mettere in guardia le persone sulla composizione dei prodotti commerciali.
In questo scenario, Omnys ha dimostrato come l’applicazione dell'elaborazione del linguaggio naturale (NLP) possa essere molto utile per classificare gli alimenti nel giusto gruppo di intolleranze, in base ai loro ingredienti.
Per la ricerca quindi sono state valutate e confrontate, su prodotti commerciali reali, diverse tecniche di deep learning, come Linear Support Vector Machine (Linear SVM), Random Forest, Dense Neural Networks (Dense NN), Convolutional Neural Networks (CNN) e Long short-term memory (LSTM) con diverse tecniche di estrazione delle features, come Bag of Word (BoW), Term Frequency-Inverse Document Frequency (TF-IDF) e Word2Vec, con l'obiettivo di creare una metodologia-guida per lavori e studi futuri. Alla fine, sono stati raggiunti risultati interessanti, indentificando come baseline: Linear SVM e Dense NN con Bag of Words o con la combinazione di Bag of Words, TF-IDF e Word2Vec.
Il case study è stato poi scelto e pubblicato nella serie Springer "Advances in Intelligent Systems and Computing" che racchiude le migliori ricerche trattate in importanti conferenze, simposi e congressi, nell’ambito dell’Intelligent Systems and Applications, dal titolo: Food Classification for Inflammation Recognition Through Ingredient Label Analysis: A Real NLP Case Study.
La pubblicazione è disponibile a questo link: https://link.springer.com/chapter/10.1007/978-3-030-55187-2_15
