Google靠机器学习模型帮你找出可能有食安疑虑的黑心餐厅

未来Google可能可以告诉你某家餐厅是不是卫生环境不佳，会让人生病的黑心商店。Google目前正和哈佛大学合作发展一项机器学习模型，以找出使用者以“肚子痛”或“拉肚子”等字词作的查询，辨识出集中在特定地区因餐厅食物引发的疾病。

这项研究中，Google和哈佛大学研究人员建立了一个名为FINDER（Foodborne IllNess DETector in Real time）的机器学习模型。这个模型是利用大量匿名网页搜寻和地点资料建构而成，这些资料是来自勾选同意分享地点资料的Google用户，也曾用于其他应用，像是Waze的即时交通流量评估等。研究人员将此途径称之为机器学习流行病学（machine-learning epidemiology）。

研究小组找出可能和食物中毒有关，如“肚子痛”或“拉肚子”等的Google搜寻关键字词，再配合匿名地点资料，找出从事这些查询的使用者造访的餐厅。之后FINDER再计算每家餐厅中，造访者和事后（从上网搜寻而得知）出现生理不适症状的用户比例，借此推断可能为食物安全度有疑虑的餐厅。

建构好FINDER模型后，研究人员将此模型运用于拉斯维加斯及芝加哥各为期4个月的测试中。在测试期间，研究人员每天先提供由FINDER产生可能有卫生疑虑的餐厅名单给当地卫生机关，由卫生机关派员前往实地检查。之后研究人员将FINDER分析出的黑心店名单，对照其他方法产生的名单、以及消费者投诉后及卫生机关例行性检查产生的名单加以比对。

比对结果显示，FINDER找出的黑心店名单，占真实不合格店家比例（52.3%）是其他方法（24.7%）找出的3.1倍，此外。同时研究也发现有高达38%的不安全店家都是新产生的，这也解释何以消费者投诉为基础的检查精准度很低。

研究人员相信FINDER可以相当稳定地找出食物安全度较低的餐厅，而有助于辅助当局事前矫正及灾情预防。