Potenzialità del Machine Learning nell'applicazione del sistema HACCP

Food safety is based on preventive control, which makes it possible to identify, manage, and prevent risks throughout the entire production chain. The HACCP system represents the international standard for this purpose, but its effectiveness may be limited by manual procedures and difficulties in analyzing large amounts of data. In this context, Machine Learning emerges as a technology capable of improving the HACCP system through predictive models and continuous, automated monitoring. The aim of the thesis is to evaluate the potential of Machine Learning as an integration to the HACCP system. In particular, reference is made to the identification of microbiological and chemical hazards, the improvement of quality control, and the optimization of the cold chain. For the drafting of this work, recent scientific literature concerning case studies analyzing the integration between ML and HACCP in different food matrices, such as dairy products, meat, and fish products. The results obtained show that the use of Machine Learning algorithms makes it possible to rapidly detect contamination, improve prediction accuracy, and identify potential anomalies. This confirms the validity of ML in supporting and improving the HACCP system, making it more efficient. Following the in-depth analysis of these topics, it is expected that in the future increasingly innovative technologies, such as IoT and Blockchain, will be used and that data privacy regulation at the European level will increase.

La sicurezza alimentare si basa sul controllo preventivo, che permette di identificare, gestire e prevenire i rischi lungo l’intera filiera produttiva. Il sistema HACCP rappresenta lo standard internazionale per questo scopo, ma la sua efficacia può essere limitata da procedure manuali e difficoltà nell’analizzare grandi quantità di dati. In questo contesto, il Machine Learning emerge come una tecnologia in grado di migliorare il sistema HACCP mediante modelli predittivi e un monitoraggio continuo e automatizzato. La tesi ha lo scopo di valutare il potenziale del Machine Learning come integrazione al sistema HACCP. In particolare, ci si riferisce all’identificazione di pericoli microbiologici e chimici, al miglioramento del controllo qualità e all’ottimizzazione della catena del freddo. Per la stesura di questo elaborato è stata presa come riferimento la letteratura scientifica recente riguardante casi studio che analizzano l’integrazione tra ML e HACCP in diverse matrici alimentari, come prodotti lattiero caseari, carni e prodotti ittici. I risultati ottenuti dimostrano che l’utilizzo di algoritmi di Machine Learning consente di rilevare rapidamente le contaminazioni, di migliorare l’accuratezza delle previsioni e di identificare eventuali anomalie. Questo conferma la validità del ML nel supportare e migliorare il sistema HACCP, rendendolo più efficiente. In seguito all’approfondimento di questi argomenti, ci si prospetta per il futuro che vengano utilizzate tecnologie sempre più innovative, come IoT e Blockchain, e che aumenti la regolamentazione della privacy dei dati a livello Europeo.