MétaCan
Menu
Retour à la cohorte
Enregistrement W4402380714 · doi:10.1111/1541-4337.70016

AI‐based R&D for frozen and thawed meat: Research progress and future prospects

2024· review· en· W4402380714 sur OpenAlexaff
Jiangshan Qiao, Min Zhang, Dayuan Wang, Arun S. Mujumdar, Chaoyang Chu

Notice bibliographique

RevueComprehensive Reviews in Food Science and Food Safety · 2024
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensMcGill University
Organismes subventionnairesNational Key Research and Development Program of China
Mots-clésComputer scienceSustainabilityPersonalizationQuality (philosophy)Production (economics)BusinessBiotechnologyBiology

Résumé

récupéré en direct d'OpenAlex

Frozen and thawed meat plays an important role in stabilizing the meat supply chain and extending the shelf life of meat. However, traditional methods of research and development (R&D) struggle to meet rising demands for quality, nutritional value, innovation, safety, production efficiency, and sustainability. Frozen and thawed meat faces specific challenges, including quality degradation during thawing. Artificial intelligence (AI) has emerged as a promising solution to tackle these challenges in R&D of frozen and thawed meat. AI's capabilities in perception, judgment, and execution demonstrate significant potential in problem-solving and task execution. This review outlines the architecture of applying AI technology to the R&D of frozen and thawed meat, aiming to make AI better implement and deliver solutions. In comparison to traditional R&D methods, the current research progress and promising application prospects of AI in this field are comprehensively summarized, focusing on its role in addressing key challenges such as rapid optimization of thawing process. AI has already demonstrated success in areas such as product development, production optimization, risk management, and quality control for frozen and thawed meat. In the future, AI-based R&D for frozen and thawed meat will also play an important role in promoting personalization, intelligent production, and sustainable development. However, challenges remain, including the need for high-quality data, complex implementation, volatile processes, and environmental considerations. To realize the full potential of AI that can be integrated into R&D of frozen and thawed meat, further research is needed to develop more robust and reliable AI solutions, such as general AI, explainable AI, and green AI.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0030,004
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,314
Tête enseignante GPT0,435
Écart entre enseignants0,121 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComprehensive Reviews in Food Science and Food SafetyMême sujetMeat and Animal Product QualityTravaux en français237 207