
专家如何看待大数据时代的食品安全
7月8日下午,以“大数据时代:共筑全球食品安全”为主题的大数据时代的食品安全论坛召开。复旦大学校长、复旦发展研究院院长、中国科学院院士许宁生致辞,贵州省人民政府原省长、中国食品工业协会原会长石秀诗,中国工程院院士、中国工程院原副院长邬贺铨,美国联邦政府食品药物管理局、食品安全与营养应用中心研究员Perry G.Wang,蒙牛乳业(集团)股份有限公司质量技术总监宋晓东,德国农业协会DLG食品培训中心主任Simone Schiller,德国弗劳恩霍夫技术协会食品安全联盟主席Mark Bücking,德国杜伊斯堡埃森东亚研究所首席研究员Martin Heinberg,国家食品安全风险评估中心技术总师吴永宁,新西兰初级产业部MPI、亚太食品安全中心执行董事Helen Darling,茅台集团党委书记兼总经理李保芳等嘉宾发表了主题演讲。
石秀诗: 确保食品安全必须在治本上下功夫,一是要强化法治约束,着力构建食品安全社会共治格局;二是要紧紧抓住源头治理,把农业种植养殖环节的安全风险隐患尽快降下来;三是要加快建立健全食品安全诚信自律制度,把食品安全主体责任真正落实到每一个食品生产经营者;四是要进一步加强食品安全全程追溯管理,保证不安全隐患能准确及时发现,妥善处理,确保安全。
邬贺铨: 食品安全需要对食品从生产到销售全链条管理,需要法律保障,需要从生产、流通、使用、监管、科技和法制等多方面来把关。大数据可以起到对食品安全的“补天石”作用,但也需要挖掘与提炼。食品安全大数据需要政府、企业、民众共同提供。
Perry G.Wang: FDA(食品及药物管理局)帮助美国各地维持高水平的食品安全,为其提供指导、模型规范、培训等技术支持。食品安全营养中心主要关注食品安全、食物防御、营养、保健品和化妆品安全等五个领域。
宋晓东: 蒙牛集团应用物联网技术,依托DC305、LIMS等系统,打造产业链产品的监控管理和追溯体系,保障产业链的食品安全控制能力。利用质量大数据分析,对物料、产品的核心指标进行信息化实时管理,实现质量自动化、数字化的管理,达到产品质量实时监控,从而保障食品安全。
Simone Schiller: DLG(德国农业协会)系统是通过对流程和产品认证两个方面的把控来实现食物监测和认证。流程认证包括审计生产设施、文件及可追溯性,并且可以控制食品安全和卫生。产品认证是包括实验室测试、评估报告及感官测试等方式。
Mark Bücking: 食品安全的驱动力有消费者、媒体或政治、科学及管理。我们主要是通过控制整个食品供应链保证食品安全。大数据的解读和分析对食品安全领域是很重要的挑战。
Martin Heinberg: 中国消费者对食品安全有很高的认识,但是食品安全的知识、标签及鉴别能力有限,通过消费者教育、消费者保证、可靠的信息源及质量标识来降低此类风险。
吴永宁: 国家需要建立统一的食品安全国家标准制度、实施国家食品安全风险监测及评估制度、建立全程食品安全溯源制度来保障食品安全。风险控制是保障食品安全的现实目标,并通过危害识别、危害特征描述、暴露评估及风险特征描述等四个步骤进行评估。
Helen Darling: 现在我们面对的挑战是建立依靠标签来识别那些无法鉴别的食物是什么,以及开发一些测试去鉴定该标签鉴定是否正确的一些方法。通过知道生产方法、了解供应链缺陷、适当运用科技、了解供应链合作伙伴、建立可信的合作关系以及了解贸易的地缘政治环境去建立品牌和降低风险,从而减少食物欺诈的现象。
李保芳: 在大数据战略的指引下,不断推动工业化与信息化的融合,启动“大数据茅台”战略,将生产销售流程与质量标准体系大数据化,搭建种、购、产、存、销全产业链的大数据平台,实现生产全过程信息的数据化采集,为食品安全建设精准的大数据体系。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30