Google靠機器學習模型幫你找出可能有食安疑慮的黑心餐廳

未來Google可能可以告訴你某家餐廳是不是衛生環境不佳，會讓人生病的黑心商店。Google目前正和哈佛大學合作發展一項機器學習模型，以找出使用者以「肚子痛」或「拉肚子」等字詞作的查詢，辨識出集中在特定地區因餐廳食物引發的疾病。

這項研究中，Google和哈佛大學研究人員建立了一個名為FINDER（Foodborne IllNess DETector in Real time）的機器學習模型。這個模型是利用大量匿名網頁搜尋和地點資料建構而成，這些資料是來自勾選同意分享地點資料的Google用戶，也曾用於其他應用，像是Waze的即時交通流量評估等。研究人員將此途徑稱之為機器學習流行病學（machine-learning epidemiology）。

研究小組找出可能和食物中毒有關，如「肚子痛」或「拉肚子」等的Google搜尋關鍵字詞，再配合匿名地點資料，找出從事這些查詢的使用者造訪的餐廳。之後FINDER再計算每家餐廳中，造訪者和事後（從上網搜尋而得知）出現生理不適症狀的用戶比例，藉此推斷可能為食物安全度有疑慮的餐廳。

建構好FINDER模型後，研究人員將此模型運用於拉斯維加斯及芝加哥各為期4個月的測試中。在測試期間，研究人員每天先提供由FINDER產生可能有衛生疑慮的餐廳名單給當地衛生機關，由衛生機關派員前往實地檢查。之後研究人員將FINDER分析出的黑心店名單，對照其他方法產生的名單、以及消費者投訴後及衛生機關例行性檢查產生的名單加以比對。

比對結果顯示，FINDER找出的黑心店名單，佔真實不合格店家比例（52.3%）是其他方法（24.7%）找出的3.1倍，此外。同時研究也發現有高達38%的不安全店家都是新產生的，這也解釋何以消費者投訴為基礎的檢查精準度很低。

研究人員相信FINDER可以相當穩定地找出食物安全度較低的餐廳，而有助於輔助當局事前矯正及災情預防。