Ricerca

IA per la sicurezza alimentare: il rapporto FAO

Novembre 28, 2025

411

Il rapporto FAO del 2025 ‘Artificial Intelligence for Food Safety – A Literature Synthesis, Real-World Applications and Regulatory Frameworks‘, sviluppato insieme a ricercatori della Wageningen University & Research, fornisce una delle valutazioni più complete su come l’intelligenza artificiale stia ridisegnando la governance della sicurezza alimentare globale (van Meer et al., 2025). Il rapporto offre una rassegna scientifica, descrive casi di studio pratici provenienti dalle principali autorità nazionali e analizza il panorama normativo internazionale. L’IA si posiziona così non come una tecnologia di un futuro distante, ma come uno strumento attuale con profonde implicazioni per migliorare l’efficienza, la capacità predittiva e la resilienza dei sistemi di sicurezza alimentare in tutto il mondo, mettendo allo stesso tempo in guardia contro il suo uso prematuro o non regolamentato.

Table of Contents

Sintesi della letteratura: mappatura dei domini applicativi dell’IA

Il rapporto FAO si basa su una revisione di 133 pubblicazioni scientifiche sottoposte a peer review, il cui numero è rapidamente aumentato a partire dal 2012. L’analisi classifica le applicazioni dell’IA in tre domini principali:

il più rilevante è la ‘consulenza scientifica‘, dove gli algoritmi di machine learning (ML) e deep learning (DL) stanno rivoluzionando i processi di laboratorio. Queste applicazioni spaziano dall’uso di reti neurali convoluzionali (CNN) per identificare patogeni di origine alimentare in immagini microscopiche all’impiego di random forest per prevedere la virulenza di ceppi di Salmonella in carne di pollo macinata, a partire dai dati genomici (Karanth et al., 2022; Kang, Park, & Chen, 2020). L’IA aiuta inoltre la ricerca fondamentale, come la modellizzazione del bioaccumulo di metalli pesanti negli ecosistemi suolo-coltura e la comprensione dei fattori ambientali che portano alla contaminazione microbica (Hu et al., 2020; Toro et al., 2022);

il secondo dominio, ‘ispezione e controllo alle frontiere‘, sebbene meno esplorato, mostra un potenziale significativo per migliorare il processo decisionale basato sul rischio. I modelli vengono in questo caso utilizzati per verificare l’autenticità degli alimenti – come distinguere le specie ittiche mediante spettroscopia Fourier transform nel vicino infrarosso – e per prevedere quali carichi di alimenti importati presentino il rischio più elevato per la sicurezza, così da consentire campionamenti mirati e un’allocazione più efficiente delle risorse (Liu, Liu, Li, & Wang, 2023; Wu et al., 2023a);

il terzo dominio comprende le ‘attività delle autorità competenti‘, dove l’analisi basata su IA di dati non strutturati provenienti da fonti come social media, notiziari e fatture elettroniche consente l’individuazione precoce di focolai di malattie di origine alimentare e l’identificazione di preoccupazioni emergenti dei consumatori (Chen & Zhang, 2022; Sadilek et al., 2018).

Applicazioni nel mondo reale: innovazione operativa per le autorità competenti

Il rapporto presenta una serie diversificata di applicazioni pratiche già implementate dalle autorità di sicurezza alimentare in Europa, Asia e Nord America.

Nel Regno Unito, le autorità hanno introdotto il text mining abilitato dall’IA per vagliare migliaia di documenti non strutturati, estraendo segnali deboli da rapporti di incidenti, allerte internazionali e letteratura scientifica. Questi sistemi supportano una sorveglianza quasi in tempo reale e riducono in misura significativa gli sforzi di screening manuale, aumentando al contempo la sensibilità ai segnali di allerta precoce.

La Singapore Food Agency (SFA) ha implementato analisi automatizzate per monitorare allerte globali di sicurezza alimentare in più lingue, consentendo controlli all’importazione più mirati per un Paese che dipende fortemente dalle catene di approvvigionamento internazionali. Il sistema applica il machine learning per classificare la rilevanza degli eventi, monitorare le tendenze e identificare potenziali pericoli in una fase precoce.

Un’applicazione particolarmente avanzata proviene dagli USA, ove la Food and Drug Administration (FDA) ha implementato un modello di machine learning basato su alberi potenziati (LightGBM) per prevedere la probabilità che un carico di alimenti importati violi i requisiti normativi. Combinando dati sulla cronologia delle spedizioni, caratteristiche del prodotto, stabilimento esportatore e indicatori di rischio del paese, il modello FDA migliora l’efficienza del targeting e aumenta la probabilità di intercettare prodotti non sicuri alla frontiera. Il rapporto FAO evidenzia questo sistema come un esempio leader di sorveglianza delle importazioni guidata dall’IA all’interno di un ambiente normativo ad alto volume.

Le autorità in Irlanda (FSAI) e Italia (Istituto Zooprofilattico Sperimentale, IZS) stanno anche utilizzando modelli predittivi, rispettivamente, per identificare segnali deboli che possono indicare futuri rischi per la sicurezza alimentare e per prevedere se i patogeni si sono adattati a specifiche fonti alimentari sulla base di dati genomici. Questi modelli consentono un campionamento e un’allocazione delle risorse più efficienti, migliorando al contempo i tassi di rilevamento per pericoli microbiologici e chimici.

L’IA viene utilizzata anche nell’epidemiologia genomica per accelerare le indagini sui focolai. I processi di machine learning possono raggruppare i dati di sequenziamento dell’intero genoma, identificare potenziali ceppi di focolai e dedurre le fonti di contaminazione più rapidamente rispetto alle analisi tradizionali. Questi sistemi rafforzano la collaborazione transfrontaliera attraverso reti come INFOSAN, consentendo risposte più rapide ai focolai di origine alimentare.

Infine, l’ispezione basata su immagini utilizzando reti neurali convoluzionali viene sperimentata per rilevare materiali estranei, valutare la qualità superficiale degli alimenti e supportare la verifica delle etichette. Le prime ricerche dimostrano che i modelli di deep learning superano l’ispezione manuale per specifici compiti visivi quando addestrati su set di dati annotati sufficientemente ampi.

In tutti questi esempi, il rapporto sottolinea tre principi condivisi: l’importanza dell’esplicabilità, il ruolo della supervisione esperta attraverso sistemi ‘human-in-the-loop’, e la necessità di chiari protocolli di validazione per mantenere l’integrità scientifica e normativa.

L’imperativo della governance e dell’IA responsabile

Un tema centrale del rapporto FAO è la necessità critica di una robusta governance dell’IA e di protocolli etici per garantire un’implementazione affidabile. L’analisi rileva una proliferazione globale di linee guida nazionali e internazionali, come l’AI Act dell’Unione Europea e la Raccomandazione dell’UNESCO sull’etica dell’IA, ove si enfatizzano i principi di trasparenza, equità, responsabilità e supervisione umana (European Parliament, 2024; UNESCO, 2021).

Il rapporto identifica sfide chiave che devono essere gestite, tra cui:

il problema della ‘scatola nera‘ degli algoritmi complessi, dove tecniche di IA esplicabile (XAI) come SHapley Additive exPlanations (SHAP) sono necessarie per chiarire le decisioni del modello (Lundberg & Lee, 2017);

il bias dei dati, che può perpetuare disuguaglianze esistenti se i dati di addestramento non sono rappresentativi. I dati su cui vengono addestrati i sistemi di IA possono tra l’altro cambiare in modo significativo e inaspettato nel tempo, influenzando la funzionalità e l’affidabilità del sistema (NIST, 2023);

il potenziale di ‘allucinazioni’ dell’IA, dove i modelli generano informazioni plausibili ma fabbricate;

l’uso prematuro dell’intelligenza artificiale. ‘Il rischio di utilizzare prematuramente l’IA nella sicurezza alimentare, sia applicando tecniche che non sono ancora adatte ai dati o al problema specifico, sia implementando l’IA senza le competenze necessarie per interpretarne l’output, risiede nel potenziale indebolimento della fiducia e della credibilità dell’organizzazione che la impiega‘ (Santoni de Sio e Mecacci, 2021; Smith, 2018).

Alla base di tutti i sistemi di IA efficaci vi è il principio della governance dei dati. Il rapporto sostiene fortemente l’adozione dei principi FAIR (Findable, Accessible, Interoperable, and Reusable) – rendere cioè i dati Reperibili, Accessibili, Interoperabili e Riutilizzabili – come prerequisito fondamentale per sviluppare modelli accurati e affidabili (Wilkinson et al., 2016). Per i Paesi, in particolare i Paesi a basso e medio reddito, che affrontano significative lacune nei dati, il rapporto consiglia attività propedeutiche come la costruzione di strategie di raccolta dati, lo sviluppo di politiche nazionali sull’IA e l’investimento nello sviluppo delle capacità, piuttosto che affrettarsi prematuramente nello sviluppo dell’IA.

Conclusioni provvisorie

Il rapporto FAO osserva come l’IA presenti un potenziale trasformativo per creare sistemi di sicurezza alimentare più proattivi, efficienti e robusti. La sua integrazione di successo è peraltro un’impresa strategica, non un mero aggiornamento tecnico. Per le autorità competenti che ne stanno considerando l’adozione, il rapporto offre una guida chiara: primo, identificare un problema ben definito che l’IA può risolvere; secondo, valutare rigorosamente la disponibilità e la qualità dei dati richiesti; e terzo, investire nella costruzione di alfabetizzazione sull’IA e nella collaborazione interdisciplinare tra scienziati alimentari, analisti di dati e responsabili politici. Attribuendo priorità a una governance responsabile, un accesso equo e un design antropocentrico, la comunità globale può sfruttare l’intelligenza artificiale per costruire sistemi agroalimentari più sicuri per tutti, assicurando che il progresso tecnologico si traduca in benefici tangibili per la salute pubblica.

Dario Dongo

Riferimenti

Chen, Y., & Zhang, Z. (2022). Exploring public perceptions on alternative meat in China from social media data using transfer learning method. Food Quality and Preference, 98, 104530. https://doi.org/10.1016/j.foodqual.2022.104530

European Parliament and the Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Hu, B., Xue, J., Zhou, Y., Shao, S., Fu, Z., Li, Y., Chen, S., Qi, L., & Shi, Z. (2020). Modelling bioaccumulation of heavy metals in soil-crop ecosystems and identifying its controlling factors using machine learning. Environmental Pollution, 262, 114308. https://doi.org/10.1016/j.envpol.2020.114308

Kang, R., Park, B., & Chen, K. (2020). Identifying non-O157 Shiga toxin-producing Escherichia coli (STEC) using deep learning methods with hyperspectral microscope images. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 224, 117386. https://doi.org/10.1016/j.saa.2019.117386

Karanth, S., Tanui, C. K., Meng, J., & Pradhan, A. K. (2022). Exploring the predictive capability of advanced machine learning in identifying severe disease phenotype in Salmonella enterica. Food Research International, 151, 110817. https://doi.org/10.1016/j.foodres.2021.110817

Liu, H., Liu, H., Li, J., & Wang, Y. (2023). Rapid and accurate authentication of Porcini Mushroom species using Fourier transform near-infrared spectra combined with machine learning and chemometrics. ACS Omega, 8(22), 20095–20106. https://doi.org/10.1021/acsomega.3c01229

Lundberg, Scott & Lee, Su-In. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. https://doi.org/10.48550/arXiv.1705.07874

NIST (National Institute of Standards and Technology, US Department of Commerce). 2023. Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://doi.org/10.6028/NIST.AI.100-1

Sadilek, A., Caty, S., DiPrete, L., Mansour, R., Schenk, T., Bergtholdt, M., Jha, A., Ramaswami, P., & Gabrilovich, E. (2018). Machine-learned epidemiology: real-time detection of foodborne illness at scale. NPJ Digital Medicine, 1(1), 36. https://doi.org/10.1038/s41746-018-0045-1

Santoni de Sio, F. and Mecacci, G. (2021). Four responsibility gaps with artificial intelligence: Why they matter and how to address them. Philosophy and Technology, 34(4), 1057-1084. https://doi.org/10.1007/s13347-021-00450-x

Smith, M.J. (2018). Getting value from artificial intelligence in agriculture. Animal Production Science, 60(1), pp.46-54. https://doi.org/10.1071/AN18522

Toro, M., Weller, D. L., Ramos, R., Diaz, L., Álvarez, F. P., Reyes-Jara, A., Moreno-Switt, A. I., Meng, J., & Adell, A. D. (2022). Environmental and anthropogenic factors associated with the likelihood of detecting Salmonella in agricultural watersheds. Environmental Pollution, 306, 119298. https://doi.org/10.1016/j.envpol.2022.119298

UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000380455

van Meer, F., van der Velden, B., & Takeuchi, M. (2025). Artificial Intelligence for food safety – A literature synthesis, real-world applications and regulatory frameworks. FAO. https://doi.org/10.4060/cd7242en

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J. W., da Silva Santos, L. B., Bourne, P. E., & Bouwman, J. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18

Wu, L.-Y., Liu, F.-M., Weng, S.-S., & Lin, W.-C. (2023a). EL V.2 Model for Predicting Food Safety Risks at Taiwan Border Using the Voting-Based Ensemble Method. Foods, 12(11), 2118. https://doi.org/10.3390/foods12112118