La sicurezza alimentare di cibi e bevande, in Italia, viene garantita da controlli eseguiti a livello territoriale ed effettuati a campione, tramite prelievi e analisi di laboratorio, lungo tutta la filiera produttiva: dalla produzione alla trasformazione, dal trasporto e commercio, fino al consumo.
Quali sono le attuali procedure di controllo della qualità dei cibi?
«Per quanto riguarda la tracciabilità alimentare, la normativa comunitaria chiede ad allevatori e agricoltori di avere un processo di qualità che indichi l'origine dei prodotti e lo attesti in maniera inconfutabile. Un metodo nuovo, usato per verificare l'origine del cibo è lo studio del microbiota che si è installato sulla sostanza, perché la famiglia dei microorganismi a cui appartiene proviene dalla zona geografica in cui la sostanza è cresciuta. Per esempio nel vino, rintracciare il microbiota che si trova sulla pelle degli acini indica con certezza se si tratta di un Franciacorta piuttosto che di un Chianti».
Per raccogliere i dati di un determinato tipo di cibo, avete fatto ricorso alla spettroscopia. Che cosa misura esattamente?
«Attraverso uno strumento che si chiama spettrometro, si effettua la misurazione dello spettro elettromagnetico riflesso da un cibo o liquido, da cui si ottiene l'intensità della luce in funzione della lunghezza d'onda e della frequenza. Viene lanciato un fascio di luce sopra il materiale, il segnale che ne deriva viene usato per distinguere la composizione del cibo, poiché ci fornisce informazioni sul contenuto del componente analizzato».
Questa analisi quale obiettivo vi ha permesso di raggiungere?
«Di fare la classificazione dei dati di olii, carni, lieviti e vini. Nella statistica degli ultimi decenni e in particolare nelle metodologie di machine learning, la classificazione è uno strumento molto usato, poiché permette di sviluppare una moltitudine di algoritmi per varie applicazioni, consentendo di raggruppare sottogruppi simili tra loro, all'interno di un insieme eterogeneo di dati. Questa è la classificazione».
E come avviene il confronto tra cibi?
«Si parte da campioni di cui si conosce l'origine certificata. Per esempio si prende un campione di olio di oliva originario della Liguria di cui si misura, con lo spettroscopio, la radiazione emessa dalla luce riflessa. Ottenute determinate misurazioni che consentono di imparare quale sia il prodotto buono, si applica un algoritmo di classificazione che effettua il paragone con i dati di campioni di cui non si conosce ancora l'origine».
E come riesce l'algoritmo di machine learning a comprendere l'origine del cibo?
«Anzitutto impara da questo insieme di dati di cui è nota l'origine, fatti da precedenti esami spettrometrici eseguiti su cibi di cui si è sicuri della qualità. Facciamo un esempio. Prima la macchina impara come è fatta la maglia della Juventus, della Roma, del Milan, dopodiché mettendo al suo interno determinate immagini è in grado di distinguere se un calciatore gioca per l'una o l'altra squadra, perché ha imparato a riconoscere i colori della maglia. La stessa cosa avviene col cibo».
Come capirebbe se un cibo è alterato?
«Comparando il suo segnale spettrometrico con quello di un cibo non modificato si vedrebbe la differenza, perché classificare significa raggruppare gruppi omogenei, non appena si trova qualcosa di disomogeneo o che si allontana da un valore, siamo in grado di discriminarlo».
Il machine learning è fondamentale quando i dati in gioco sono enormi.
«Il problema fondamentale è proprio questo. Ogni misurazione dello spettrometro restituisce tra i 2000 e i 4000 valori; in statistica quando abbiamo una tale ricchezza di valori per una singola unità, i modelli diventano molto complicati e diventa cruciale capire quali dati siano realmente informativi ed utili, nel nostro caso, per discriminare un olio genovese da uno pugliese o da un altro olio ancora».
L'errore è sempre in agguato?
«Sì, perché non sempre il campione prescelto da cui l'algoritmo può imparare è esente da errori, perché lo strumento potrebbe avere difetti, i dati memorizzati potrebbero non essere corretti. Da ormai 10 anni lavoro sulla statistica robusta, che riconosce errore nei dati in modo da isolarli dall'analisi e basarla sulla parte sana esente da errori».
Il vostro metodo se applicato agli attuali metodi di analisi dei cibi che vantaggi avrebbe?
«La spettrometria restituisce alcune migliaia di dati per ogni campione di cibo analizzato, ma con la nostra tecnica, utilizzata per la selezione delle variabili utili per la classificazione e per l'identificazione dei dati anomali, riusciamo a ridurre le misurazioni necessarie ad alcune decine di dati per campione di sostanza. Quindi la raccolta dei dati è più parsimoniosa e i modelli statistici che sono alla base della classificazione sono più veloci da stimare. Ovviamente questi sono test di laboratorio e a livello industriale è tutto da verificare, ma la speranza è che si voglia investire in questa direzione. Infine al contrario di tutti gli altri strumenti di analisi, con il nostro metodo la porzione di cibo analizzata non viene modificata e rimane utilizzabile».
