Stockholms universitet

Forskningsprojekt Extreme Food Risk Analytics (EFRA)

Detta EU-projekt går ut på att öka livsmedelssäkerheten för medborgarna. I dag finns en mängd olika datakällor som innehåller livsviktig information om maten vi äter, men problemet är att källorna är så spridda. Vi undersöker hur data kan utvinnas, aggregeras och analyseras med hjälp av AI.

Illustration av ett förstoringsglas som visar bakterier på en tallrik med bestick bredvid.
Foto: Lumination/Mostphotos.

Livsmedelskedjorna påverkas av en mängd drivkrafter (ekonomiska, socioekonomiska, miljömässiga och klimatmässiga) som direkt eller indirekt kan hota livsmedelssäkerheten på kort och/eller lång sikt. För att kunna förutse framtida livsmedelssäkerhetsrisker bör vi använda ett holistiskt eller systemiskt tillvägagångssätt som tar hänsyn till alla dessa faktorer.

Användbar information kan förekomma i olika, heterogena datakällor – både offentliga och privata. Ofta är de ostrukturerade och på flera olika språk. Viktiga data kan finnas på livsmedelssäkerhetsmyndigheters webbplatser (till exempel meddelanden om återkallande eller gränsavslag, inspektionsresultat, laboratorietestresultat), i expertinnehåll (till exempel vetenskapliga publikationer, nyheter, debattinlägg), i konsumentdiskussioner (till exempel produktrecensioner, diskussionsforum för konsumenter, sociala medier) och i ekonomiska/statliga data (till exempel mathandelsvolymer, prisfluktuationer). Slutligen är många användbara livsmedelssäkerhetsdata ”gömda” i källor som är svåra att upptäcka, till exempel på sajter eller i databaser på kommunnivå.

Att inte dra nytta av denna rikedom av offentliga och privata data är kostsamt både för  hälsan och ekonomin. Trots ansträngningar och modern teknik blir konsumenter över hela världen fortfarande sjuka av förorenade livsmedel, och livsmedelsföretag drabbas av enorma ekonomiska och juridiska påföljder för att återkalla livsmedel.

EFRA:s ambition är att övervinna detta genom att utforska nya, experimentella och lovande tillvägagångssätt inom datautvinning, aggregering och analysteknik. Genom att identifiera och samla in heterogena data som i dag finns utspridda över hela internet, och konvertera dem till ett ”universellt språk” av högkvalitativa data som rör livsmedelsrisker, kommer EFRA att träna AI-modeller för att proaktivt tillhandahålla riskreducerande åtgärder.

Projektbeskrivning

EFRA-projektet kommer att designa, testa och distribuera verktyg i syfte att förebygga livsmedelsrisker. De tre verktygen är:

– EFRA Data Hub
– EFRA Analytics Powerhouse
– EFRA Data & Analytics Marketplace

EFRA-konsortiet består av nio partners från sju europeiska länder (Kroatien, Grekland, Italien, Nederländerna, Storbritannien, Rumänien och Sverige). I gruppen ingår tre forskningsteknologiska organisationer och universitet (varav Stockholms universitet är ett), fem små och medelstora företag och ett certifieringsorgan. Tillsammans bidrar vi med expertis, kompetens, tvärvetenskaplig kunskap och resurser.

Projektet genomförs i samarbete med följande partnerorganisationer:

Agroknow (Aten, Grekland)

ISTI-CNR (Pisa, Italien)

Wageningen University and Research (Wageningen, Nederländerna)

Maize S.r.l. (Roncade, Italien)

Agrivi (Kroatien)

Rainno (Thessaloniki, Grekland)

SGS Digicomply (Rumänien)

Moy Park (Storbritannien)


Mer info finns på EFRAs webbplats

Läs om SemEval 2025 Task 9: Advancing Food Hazard Detection

Projektmedlemmar

Projektansvariga

Aron Henriksson

Universitetslektor, Docent

Institutionen för data- och systemvetenskap
Aron Henriksson

Tony Lindgren

Enhetschef SAS

Institutionen för data- och systemvetenskap
Tony Lindgren

Medlemmar

Korbinian Robert Randl

Doktorand

Institutionen för data- och systemvetenskap
Korbinian Randl

Ioannis Pavlopoulos

Affilierad forskare

Institutionen för data- och systemvetenskap
John (Ioannis) Pavlopoulos

Publikationer