식품 모델 해석을 위한 설명 가능한 AI 기법

인공지능(AI)은 복잡한 데이터 분석과 고난도 문제 해결에 필수적이며, 식품 공학 분야에서도 엄격한 품질 기준 충족을 위한 정확하고 신뢰할 수 있는 예측의 필요성이 증대되고 있습니다. 그러나 AI 모델의 복잡성 증가는 의사결정 과정의 불투명성을 야기하며, 이는 모델 해석 및 신뢰성 확보에 걸림돌이 됩니다. 특히 식품 품질 관리에서 스펙트럼 이미징을 활용한 AI 모델은 오염 물질 감지나 신선도 평가에 유용하지만, 불투명한 의사결정 과정으로 인해 채택이 제한되는 문제가 있습니다. 이러한 문제를 해결하기 위해 설명 가능한 AI(XAI)가 부상했습니다. XAI는 AI의 의사결정 과정을 이해하고 해석할 수 있는 통찰력을 제공하여 개발자와 사용자가 모델을 더 잘 이해하도록 돕습니다. SHAP(Shapley Additive Explanations) 및 Grad-CAM(Gradient-weighted Class Activation Mapping)과 같은 XAI 기법은 스펙트럼 파장이나 이미지 영역 중 예측에 가장 크게 기여하는 부분을 정확히 파악하여 투명성을 높이고, 품질 관리 담당자가 AI 기반 평가를 검증하는 데 도움을 줄 수 있습니다. 본 연구는 XAI 기법을 활용한 식품 품질 연구를 데이터 유형 및 설명 방식에 따라 분류하는 분류 체계를 제시합니다. 이는 연구자들이 적합한 접근 방식을 선택하는 데 실질적인 지침을 제공합니다. 또한, 식품 공학 분야에서 XAI의 채택을 장려하기 위해 최신 동향, 당면 과제, 그리고 잠재적 기회를 조명합니다. 이를 통해 식품 공학 분야에서 AI 모델의 신뢰성과 활용도를 높이는 데 기여하고자 합니다.