खाद्य उद्योग में AI का बढ़ता प्रभाव: सेफ़्टी से लेकर प्रोडक्ट इनोवेशन तक बदलाव

प्रोसेसेस में छपे एक रिव्यू के मुताबिक, आर्टिफिशियल इंटेलिजेंस (AI) फूड साइंटिस्ट के नए प्रोडक्ट बनाने और टेस्ट करने के तरीके को बदल रहा है। लैब में टेस्टिंग के लंबे राउंड पर ज़्यादा निर्भर रहने के बजाय, रिसर्चर अब AI सिस्टम का इस्तेमाल यह अनुमान लगाने के लिए कर रहे हैं कि इंग्रीडिएंट्स कैसे काम करेंगे, फूड फॉर्मूलेशन डिज़ाइन करेंगे, प्रोसेसिंग को बेहतर बनाएंगे और पर्सनलाइज़्ड न्यूट्रिशन को सपोर्ट करेंगे।

यह स्टडी, 'द डिजिटल ट्रांसफॉर्मेशन ऑफ़ फूड सिस्टम्स: ए रिव्यू ऑफ़ आर्टिफिशियल इंटेलिजेंस इन फूड टेक्नोलॉजी', 2006 से 2026 तक फूड टेक्नोलॉजी में AI के इस्तेमाल को ट्रैक करती है और इंग्रीडिएंट डिस्कवरी, फ्लेवर प्रेडिक्शन, ऑटोमेटेड मैन्युफैक्चरिंग और प्रिसिजन न्यूट्रिशन जैसे एरिया में मशीन लर्निंग, डीप लर्निंग, जेनरेटिव AI, डिजिटल ट्विन्स और फेडरेटेड लर्निंग का बढ़ता इस्तेमाल पाती है।

रिसर्चर्स के मुताबिक, यह सेक्टर ऐसी समस्याओं का सामना कर रहा है जिन्हें सिर्फ पारंपरिक तरीकों से हल करना मुश्किल है। दुनिया को क्लाइमेट स्ट्रेस, पानी की कमी, सस्टेनेबिलिटी की मांगों और ऐसे कंज्यूमर्स से निपटते हुए ज़्यादा खाना बनाना होगा जो हेल्दी, ज़्यादा कस्टमाइज़्ड डाइट चाहते हैं। इन बदलावों के बीच, AI फूड सिस्टम के उन हिस्सों को जोड़ने का एक तरीका बनकर उभरा है जिनकी अक्सर अलग-अलग स्टडी की जाती है, जिसमें फूड केमिस्ट्री, फैक्ट्री ऑपरेशन, सप्लाई चेन, एनवायरनमेंटल टारगेट और हेल्थ डेटा शामिल हैं। इस मकसद के लिए ग्राफ न्यूरल नेटवर्क, ट्रांसफॉर्मर, वेरिएशनल ऑटोएनकोडर, डिजिटल ट्विन और एजेंटिक AI जैसे टूल्स को टेस्ट किया जा रहा है, लेकिन रिव्यू में उन्हें रेडीमेड जवाबों के बजाय उभरते हुए टूल्स के तौर पर दिखाया गया है।

AI सॉर्टिंग और क्वालिटी चेक से इंग्रीडिएंट डिस्कवरी की ओर बढ़ता है

शुरुआती सिस्टम मुख्य रूप से क्वालिटी कंट्रोल, प्रोसेस मॉनिटरिंग, सेंसरी इवैल्यूएशन और शेल्फ-लाइफ प्रेडिक्शन को सपोर्ट करते थे। सपोर्ट वेक्टर मशीन, रैंडम फॉरेस्ट, डिसीजन ट्री, k-नीएरेस्ट नेबर और एक्सट्रीम लर्निंग मशीन जैसे पारंपरिक मशीन लर्निंग टूल्स ने फूड प्रोडक्ट्स को क्लासिफाई करने, मिलावट का पता लगाने, खराब होने का अनुमान लगाने और स्पेक्ट्रोस्कोपिक डेटा को एनालाइज करने में मदद की।

सपोर्ट वेक्टर मशीनों का इस्तेमाल कॉफी की किस्मों को क्लासिफाई करने, ऑलिव ऑयल जैसे हाई-वैल्यू फूड्स के ओरिजिन को वेरिफाई करने और अनाज में फंगल कंटैमिनेशन का पता लगाने के लिए किया गया है। रैंडम फॉरेस्ट और डिसीजन ट्री ने फ्रोजन फूड प्रोडक्शन में शेल्फ-लाइफ प्रेडिक्शन, खराब होने की मॉनिटरिंग और एनर्जी फोरकास्टिंग को सपोर्ट किया है। K-नीएरेस्ट नेबर और इलेक्ट्रॉनिक नोज़ सिस्टम को ऑयल रिकग्निशन, टी क्वालिटी असेसमेंट और माइक्रोबियल ग्रोथ प्रेडिक्शन में इस्तेमाल किया गया है।

पेपर में बताया गया है कि इस सेक्टर का गहरा बदलाव डीप लर्निंग से शुरू हुआ। कन्वोल्यूशनल न्यूरल नेटवर्क ने ऑटोमेटेड विज़ुअल इंस्पेक्शन, डिफेक्ट डिटेक्शन, एग्रीकल्चरल ग्रेडिंग और पैथोजन आइडेंटिफिकेशन को इनेबल किया। रिकरेंट न्यूरल नेटवर्क और लॉन्ग शॉर्ट-टर्म मेमोरी मॉडल ने फर्मेंटेशन, कोल्ड चेन मॉनिटरिंग और माइक्रोबियल ग्रोथ मॉडलिंग में टाइम-सीरीज़ फोरकास्टिंग को बेहतर बनाया। इन टूल्स ने मैनुअल फीचर सिलेक्शन पर डिपेंडेंस कम की और कॉम्प्लेक्स, बदलते फूड सिस्टम को एनालाइज करने की एबिलिटी को बेहतर बनाया।

हालांकि, एक खास हालिया बदलाव AI मॉडल की ओर है जो मॉलिक्यूलर लेवल पर काम कर सकते हैं। ग्राफ न्यूरल नेटवर्क फूड मॉलिक्यूल को एटम और बॉन्ड के स्ट्रक्चर के रूप में दिखा सकते हैं, जिससे रिसर्चर लैबोरेटरी टेस्टिंग से पहले टॉक्सिसिटी, फंक्शनल प्रॉपर्टीज़ और टेस्ट रिसेप्टर इंटरैक्शन का अनुमान लगा सकते हैं। ट्रांसफॉर्मर और नेचुरल लैंग्वेज प्रोसेसिंग मॉडल, जो ओरिजिनली टेक्स्ट के लिए बनाए गए थे, अब केमिकल लैंग्वेज, रेसिपी जेनरेशन और मॉलिक्यूलर प्रेडिक्शन पर अप्लाई किए जा रहे हैं।

जेनरेटिव मॉडल, जिसमें जेनरेटिव एडवर्सरियल नेटवर्क और वेरिएशनल ऑटोएनकोडर शामिल हैं, का इस्तेमाल नए प्लांट-बेस्ड प्रोटीन स्ट्रक्चर को एक्सप्लोर करने, फ्लेवर प्रोफाइल को डिजिटाइज़ करने और बॉटैनिकल इंग्रेडिएंट्स का इस्तेमाल करके एनिमल-डिराइव्ड प्रोडक्ट्स के टेक्सचर और माउथफील को सिमुलेट करने के लिए किया जा रहा है। रिव्यू में कहा गया है कि इससे फ़ूड इनोवेशन को पहले अनुमान लगाओ और फिर बनाओ मॉडल की ओर धकेला गया है, जहाँ AI फ़िज़िकल टेस्टिंग शुरू होने से पहले कैंडिडेट को स्क्रीन और डिज़ाइन करता है।

AI से चलने वाले इंग्रीडिएंट की खोज कमर्शियली सबसे ज़रूरी डेवलपमेंट में से एक है। रिव्यू में ऐसे सिस्टम पर ज़ोर दिया गया है जो बायोएक्टिव पेप्टाइड, फ़ंक्शनल प्रोटीन, नैचुरल स्वीटनर, फ़्लेवर मॉड्यूलेटर और प्रीबायोटिक कंपाउंड की पहचान करने के लिए बड़े बायोलॉजिकल और केमिकल डेटासेट को स्कैन कर सकते हैं। इससे फ़ंक्शनल फ़ूड और दूसरे प्रोटीन बनाने में लगने वाला समय और लागत कम हो सकती है।

उदाहरण के लिए, बायोएक्टिव पेप्टाइड की खोज में, AI प्लेटफ़ॉर्म स्टेबिलिटी, परमीएबिलिटी, फ़ंक्शन और बायोलॉजिकल एक्टिविटी के लिए पेप्टाइड सीक्वेंस को तेज़ी से स्क्रीन कर सकते हैं। ये सिस्टम उन इंग्रीडिएंट की खोज में मदद करते हैं जो मसल रिकवरी, इन्फ़्लेमेशन, गट हेल्थ, एंटीहाइपरटेंसिव इफ़ेक्ट या एंटीऑक्सीडेंट एक्टिविटी में मदद कर सकते हैं। यह तरीका मेडिकल एप्लीकेशन में तेज़ी से आगे बढ़ा है लेकिन फ़ूड टेक्नोलॉजी के लिए यह तेज़ी से काम का होता जा रहा है।

फ्लेवर प्रेडिक्शन में, AI मॉडल अब मॉलिक्यूलर स्ट्रक्चर को मीठा, कड़वा, खट्टा और उमामी जैसी टेस्ट कैटेगरी से जोड़ सकते हैं। इससे फूड साइंटिस्ट को बेहतर प्लांट-बेस्ड फूड डिजाइन करने, प्रोटीन प्रोडक्ट में कड़वाहट कम करने और सुरक्षित या हेल्दी स्वीटनर की पहचान करने में मदद मिल सकती है। स्टडी में बताया गया है कि यह टेक्नोलॉजी शुरुआती खोज के दौरान सब्जेक्टिव सेंसरी पैनल पर निर्भरता कम करती है, हालांकि फिजिकल वैलिडेशन अभी भी ज़रूरी है।

जेनरेटिव AI और डिजिटल ट्विन्स फूड मैन्युफैक्चरिंग को इंडस्ट्री 5.0 की ओर ले जा रहे हैं

जेनरेटिव AI रिसर्चर को रेसिपी, मेन्यू और इंडस्ट्रियल फ़ॉर्मूलेशन डिजाइन करने में मदद करके फूड फ़ॉर्मूलेशन को बदल रहा है जो फ्लेवर, न्यूट्रिशन, कॉस्ट, सस्टेनेबिलिटी और सप्लाई-चेन की दिक्कतों को बैलेंस करते हैं। LLM और ट्रांसफॉर्मर-बेस्ड सिस्टम ट्रेडिशनल प्रोडक्ट डेवलपमेंट साइकिल की तुलना में तेज़ी से नए फूड कॉन्सेप्ट प्रपोज़ करने के लिए इंग्रीडिएंट्स, कुकिंग मेथड, कंज्यूमर ट्रेंड और साइंटिफिक डेटा का एनालिसिस कर सकते हैं।

फूडसर्विस और प्रोडक्ट डेवलपमेंट में, AI का इस्तेमाल कम कार्बन वाले मेन्यू डिजाइन करने और कंज्यूमर सैटिस्फैक्शन बनाए रखते हुए नए फ़ॉर्मूलेशन बनाने के लिए किया गया है। रिव्यू में बताया गया है कि जेनरेटिव सिस्टम एक साथ हज़ारों इंग्रीडिएंट कॉम्बिनेशन को एक्सप्लोर कर सकते हैं, बजाय इसके कि टेक्नोलॉजिस्ट को लिमिटेड कॉम्बिनेशन को मैन्युअली टेस्ट करने की ज़रूरत हो। इससे कुछ मामलों में प्रोडक्ट डेवलपमेंट की टाइमलाइन महीनों से घटकर हफ़्तों में आ सकती है।

बड़ी फ़ूड कंपनियाँ पहले से ही स्नैक डेवलपमेंट, फ़्लेवर ट्रेंड एनालिसिस और इंग्रीडिएंट सिलेक्शन में मशीन लर्निंग और जेनरेटिव AI का इस्तेमाल कर रही हैं। रिव्यू में नए प्रोडक्ट लॉन्च को सपोर्ट करने के लिए कंज्यूमर सेंटिमेंट, ग्लोबल फ़्लेवर ट्रेंड और इंग्रीडिएंट अवेलेबिलिटी को स्कैन करने के लिए इस्तेमाल किए जाने वाले AI सिस्टम के उदाहरण दिए गए हैं। ये सिस्टम फ़ूड साइंटिस्ट को खत्म नहीं करते हैं, लेकिन वे शुरुआती फ़ॉर्मूलेशन के काम को तेज़ कर सकते हैं और ऐसे ऑप्शन पहचान सकते हैं जिन्हें इंसानी टीमें बेहतर बना सकती हैं।

मैन्युफैक्चरिंग लेवल पर, AI फ़ूड इंडस्ट्री को इंडस्ट्री 4.0 से इंडस्ट्री 5.0 की ओर ले जा रहा है। इंडस्ट्री 4.0 कनेक्टिविटी, ऑटोमेशन, IoT सिस्टम, बिग डेटा और रोबोटिक्स पर फ़ोकस करता है। इंडस्ट्री 5.0 में ह्यूमन-सेंट्रिक डिज़ाइन, सस्टेनेबिलिटी और रेज़िलिएंस शामिल है। इस मॉडल में, AI सिर्फ़ ह्यूमन ऑपरेटर्स की जगह लेने के बजाय उन्हें सपोर्ट करता है।

डिजिटल ट्विन्स (DTs), जो किसी फ़िज़िकल प्रोडक्ट, प्रोसेस या प्रोडक्शन सिस्टम का लाइव वर्चुअल मॉडल है, इस बदलाव के लिए बहुत ज़रूरी है। फ़ूड मैन्युफैक्चरिंग में, DTs रियल टाइम में बेकिंग, एक्सट्रूज़न, फ़र्मेंटेशन, कूलिंग, ड्राइंग और दूसरे ऑपरेशन्स को सिमुलेट कर सकते हैं। वे मैन्युफैक्चरर्स को वर्चुअली बदलावों को टेस्ट करने, प्रोडक्ट की क्वालिटी का अनुमान लगाने, एनर्जी के इस्तेमाल को ऑप्टिमाइज़ करने और खराबी होने से पहले मशीनरी को एडजस्ट करने की सुविधा देते हैं।

DTs फूड प्रोड्यूसर्स को पिछली सस्टेनेबिलिटी असेसमेंट से आगे बढ़कर लाइव ऑपरेशनल कंट्रोल की ओर बढ़ने में मदद कर सकते हैं। IoT सेंसर, AI मॉडल और फिजिक्स-बेस्ड सिमुलेशन को जोड़कर, कंपनियां प्रोडक्शन के दौरान टेम्परेचर, नमी, एनर्जी के इस्तेमाल, इक्विपमेंट वाइब्रेशन और प्रोडक्ट की क्वालिटी को मॉनिटर कर सकती हैं, जिससे वेस्ट कम करने, सेफ्टी बेहतर करने और रिसोर्स के इस्तेमाल को ऑप्टिमाइज़ करने में मदद मिलती है।

कोलैबोरेटिव रोबोटिक्स इस बदलाव का एक और हिस्सा है। AI-इनेबल्ड रोबोट्स को फूड प्रोसेसिंग एनवायरनमेंट में इंसानों के साथ सुरक्षित रूप से काम करने के लिए डिज़ाइन किया जा रहा है। रिजिड ऑटोमेशन के विपरीत, कोलैबोरेटिव सिस्टम फूड प्रोडक्ट्स की नेचुरल वेरिएबिलिटी के हिसाब से ढलने के लिए सेंसर और मशीन विज़न का इस्तेमाल करते हैं। यह पोल्ट्री प्रोसेसिंग जैसे कामों में खास तौर पर ज़रूरी है, जहां बायोलॉजिकल मटीरियल आकार और टेक्सचर में अलग-अलग होते हैं।

AI-ड्रिवन सेंसर कैलिब्रेशन और सॉफ्ट सेंसर भी फूड मैन्युफैक्चरिंग की एक बड़ी समस्या को हल करते हैं: फिजिकल सेंसर गर्मी, नमी और सफाई केमिकल्स वाले खराब एनवायरनमेंट में फेल हो सकते हैं या भटक सकते हैं। AI मॉडल्स प्रोडक्ट की अंदरूनी हालत का अंदाज़ा लगा सकते हैं जिन्हें सीधे मापना मुश्किल होता है, जैसे कि अंदरूनी टेम्परेचर, डिग्रेडेशन काइनेटिक्स या फर्मेंटेशन प्रोग्रेस। यह ज़्यादा सुरक्षित और ज़्यादा अडैप्टिव प्रोसेस कंट्रोल को सपोर्ट करता है।

रिव्यू में एनर्जी DTs की भविष्य की भूमिका की ओर भी इशारा किया गया है। वे फ़ूड प्रोडक्ट्स के कार्बन फ़ुटप्रिंट, एनर्जी के इस्तेमाल, पानी के इस्तेमाल और उनके पूरे लाइफ़ साइकिल में रॉ मटेरियल इनपुट को मॉनिटर कर सकते हैं।

डेटा गैप, रेगुलेशन और इक्विटी AI अपनाने में रुकावटें बने हुए हैं

फ़ूड टेक्नोलॉजी में AI को बड़ी सीमाओं का सामना करना पड़ रहा है, जिसमें रिव्यू में डेटा फ़्रैगमेंटेशन को सबसे बड़ी रुकावटों में से एक बताया गया है। फ़ूड साइंस में जीनोमिक्स जैसे फ़ील्ड्स में मिलने वाले बड़े, स्टैंडर्डाइज़्ड, ओपन डेटासेट की कमी है। कई ज़रूरी डेटासेट एकेडमिक पेपर्स, पेवॉल्ड सोर्स या प्राइवेट कॉर्पोरेट सिस्टम में बिखरे हुए हैं, जिससे AI परफ़ॉर्मेंस के लिए सीधा रिस्क पैदा होता है।

मॉडल उतने ही भरोसेमंद होते हैं जितना उन्हें ट्रेन करने के लिए इस्तेमाल किया गया डेटा। अगर डेटासेट अधूरे, बायस्ड या खराब तरीके से स्ट्रक्चर्ड हैं, तो AI प्रेडिक्शन असल दुनिया के फ़ूड सिस्टम में फ़ेल हो सकते हैं। स्टडी में सलाह दी गई है कि सेक्टर को मशीन-रीडेबल, स्टैंडर्डाइज़्ड और इंटरऑपरेबल डेटा फ़ॉर्मेट की ओर बढ़ना चाहिए ताकि AI सिस्टम फ़ूड केमिस्ट्री, प्रोसेसिंग और सेंसरी डेटा से ज़्यादा असरदार तरीके से सीख सकें।

बायस एक और चुनौती है। पब्लिक फ़ूड डेटाबेस अक्सर वेस्टर्न डाइट, इंडस्ट्रियल फ़सलों और एक जैसी आबादी को ज़्यादा दिखाते हैं, जिससे अलग-अलग कल्चर और कम्युनिटी के लिए पर्सनलाइज़्ड न्यूट्रिशन टूल और इंग्रीडिएंट रिकमेंडेशन सिस्टम का फ़ायदा कम हो जाता है। एक AI मॉडल जो मुख्य रूप से वेस्टर्न डाइट डेटा पर ट्रेन किया गया है, वह शायद काम न करे।

AI के लिए फूड मैट्रिक्स को सिमुलेट करना भी मुश्किल बना हुआ है। कई मॉडल्स को आसान कंडीशन में अलग-अलग कंपाउंड पर ट्रेन किया जाता है, लेकिन असली फूड प्रोडक्ट केमिकली कॉम्प्लेक्स होते हैं। प्रोटीन, फैट, कार्बोहाइड्रेट, फाइटोकेमिकल्स और प्रोसेसिंग कंडीशन किसी इंग्रीडिएंट के काम करने के तरीके को बदल सकते हैं। कोई पेप्टाइड या स्वीटनर जो डिजिटल स्क्रीनिंग में अच्छा लगता है, वह काम करना बंद कर सकता है, किसी दूसरे कंपाउंड से जुड़ सकता है, प्रोसेसिंग के दौरान खराब हो सकता है या इंडस्ट्रियल कंडीशन में फेल हो सकता है।

जब रेगुलेशन की बात आती है, तो मौजूदा फूड सेफ्टी सिस्टम पुराने इस्तेमाल, एंपिरिकल टेस्टिंग और लंबे समय तक टॉक्सिकोलॉजिकल रिव्यू के आधार पर बनाए गए थे। AI से बने मॉलिक्यूल या नए इंग्रीडिएंट शायद उन फ्रेमवर्क में आसानी से फिट न हों। रिव्यू में कहा गया है कि रेगुलेटरी एजेंसियों को सेफ्टी का मूल्यांकन करने के नए तरीकों की ज़रूरत होगी, साथ ही AI टूल्स पर ज़्यादा निर्भर रहने से बचना होगा जो गलत या बिना सपोर्ट वाले आउटपुट दे सकते हैं।

पर्सनलाइज्ड न्यूट्रिशन प्राइवेसी और इक्विटी की चिंताएं बढ़ाता है। AI सिस्टम जो जीनोमिक्स, माइक्रोबायोम डेटा, ग्लूकोज मॉनिटरिंग और मेडिकल रिकॉर्ड का इस्तेमाल करते हैं, वे डायबिटीज, मोटापा, गैस्ट्रोइंटेस्टाइनल डिसऑर्डर और लिवर की बीमारी के लिए टारगेटेड डाइटरी इंटरवेंशन को सपोर्ट कर सकते हैं। हालांकि, ये सिस्टम सेंसिटिव पर्सनल डेटा पर निर्भर करते हैं। फेडरेटेड लर्निंग, मॉडल्स को रॉ पर्सनल जानकारी ट्रांसफर किए बिना डीसेंट्रलाइज़्ड डेटा से सीखने की इजाज़त देकर मदद कर सकती है, लेकिन गवर्नेंस और भरोसा अभी भी ज़रूरी हैं।

रिव्यू में यह भी चेतावनी दी गई है कि अगर महंगे AI-ड्रिवन न्यूट्रिशन टूल्स सिर्फ़ अमीर कंज्यूमर्स के लिए उपलब्ध हैं, तो वे हेल्थ में असमानता को और बढ़ा सकते हैं। अगर पर्सनलाइज़्ड फ़ूड, लगातार मॉनिटरिंग और प्रोप्राइटरी AI रिकमेंडेशन प्रीमियम सर्विस बन जाते हैं, तो फ़ूड टेक्नोलॉजी के फ़ायदे अलग-अलग तरह से बंट सकते हैं।

लेखकों ने एकेडमिक रिसर्च में एक इंस्टीट्यूशनल प्रॉब्लम की भी पहचान की है। फ़ूड केमिस्ट्री, प्रोसेसिंग इफ़ेक्ट्स और सेंसरी रिलेशनशिप्स सहित फ़ंडामेंटल फ़ूड कैरेक्टराइज़ेशन स्टडीज़ को अक्सर ज़्यादा कॉम्प्लेक्स कम्प्यूटेशनल काम की तुलना में कम आंका जाता है। फिर भी, ये बेसिक स्टडीज़ वह डेटा देती हैं जिसकी AI सिस्टम्स को ज़रूरत होती है। स्टडी में कहा गया है कि हाई-क्वालिटी फ़ूड डेटा के लिए मज़बूत सपोर्ट के बिना, इस फील्ड के सबसे एडवांस्ड मॉडल्स में भरोसेमंद नींव की कमी हो सकती है।

मतलब और सीमाएं

AI इंग्रीडिएंट डिस्कवरी को तेज़ कर सकता है, प्रोडक्ट डेवलपमेंट टाइमलाइन को कम कर सकता है, मैन्युफैक्चरिंग एफिशिएंसी में सुधार कर सकता है, सस्टेनेबिलिटी मॉनिटरिंग को बढ़ा सकता है और ज़्यादा पर्सनलाइज़्ड न्यूट्रिशन स्ट्रेटेजी को मुमकिन बना सकता है। जेनरेटिव AI, DTs, कोलेबोरेटिव रोबोटिक्स और मॉलिक्यूलर-लेवल प्रेडिक्शन टूल्स जैसी टेक्नोलॉजी इंडस्ट्री को पॉपुलेशन ग्रोथ, रिसोर्स की कमी और बदलती कंज्यूमर डिमांड पर ज़्यादा असरदार तरीके से रिस्पॉन्ड करने में मदद कर सकती हैं। AI में फूड साइंस, इंजीनियरिंग, न्यूट्रिशन और सस्टेनेबिलिटी को ज़्यादा कनेक्टेड और डेटा-ड्रिवन डिसीजन-मेकिंग सिस्टम में इंटीग्रेट करने की भी क्षमता है।

हालांकि, लेखकों का कहना है कि अभी भी काफी कमियां हैं। डेटा फ्रैगमेंटेशन, स्टैंडर्डाइज्ड डेटासेट की कमी, एल्गोरिदमिक बायस, कॉम्प्लेक्स फूड मैट्रिक्स को सही ढंग से मॉडलिंग करने में मुश्किलें, रेगुलेटरी अनिश्चितता, प्राइवेसी की चिंताएं और AI-ड्रिवन न्यूट्रिशन सर्विसेज़ तक असमान पहुंच टेक्नोलॉजी के असर को कम कर सकती हैं। फूड टेक्नोलॉजी में AI की सफलता मजबूत डेटा इंफ्रास्ट्रक्चर, ट्रांसपेरेंट गवर्नेंस, इंटरडिसिप्लिनरी कोलेबोरेशन और रियल-वर्ल्ड टेस्टिंग के जरिए लगातार वैलिडेशन पर निर्भर करेगी। हालांकि AI डिस्कवरी और इनोवेशन को तेज कर सकता है, फिर भी डिजिटल प्रेडिक्शन को बड़े पैमाने पर सामाजिक फायदे देने से पहले सुरक्षित, स्टेबल, सस्ते और सस्टेनेबल फूड प्रोडक्ट्स में बदलना होगा।