Af Flemming Kjærsdam
Listen over fødevareskandaler er lang. Det vil Fødevarestyrelsen nu rette op på. Derfor investerer Fødevarestyrelsen knapt 30 mio. kr. over fire år i en ny datadrevet fødevarekontrol, som vil bruge Machine Learning algoritmer til at fange ”snyderne” blandt fødevarevirksomheder, så som pizzariaer, burgerkæder, hoteller og restauranter og andre som har med fødevarer at gøre.
Machine Learning er Fødevarestyrelsens nye våben mod de virksomheder, der snyder på vægten og laver fusk med fødevarer. Kontrollerne skal bruges i alle led – både hos producenter, grossister og i detailleddet, som butikker, restauranter og hoteller.
Når vi som forbrugere går ind på et pizzaria eller på en restaurant eller en café hænger der en smiley ved indgangen. I 83 pct. af tilfældene vender smileyen mundvigene opad. Det betyder, at restauranten lever op til Fødevarestyrelsens krav om hygiejne, fødevarebehandling og kvaliteten af fødevarer.
Men det er ikke altid mundvigene vender den vej. I 17 pct. bliver der uddelt sure smileys.
Den 5. februar 2019 blev lakseproducenten Jelex Seafood fra Hjørring begæret konkurs. Firmaet blev hængt til tørre i TV2 -programmet Operation X i efteråret 2018 på grund af dårlig hygiejne med laks og listeriabakterier. Det er sådan en type virksomhed, som Fødevarestyrelsen gerne vil fange i tide med Machine Learning algoritmen og i al almindelighed løfte fødevaresikkerheden ved færre kontrolbesøg i virksomhederne.
28.8 mio. kr. over fire år
Ifølge kontorchef Kenny Larsen, Fødevarestyrelsen, arbejder styrelsen i dag med en risiko/behovsorienteret model inden for fødevaresikkerhed. De 28,8 mio. kr., som regeringens Fødevareforlig 4 kaster ind i datadrevet fødevarekontrol over de næste fire år, skal bruges til at målrette fødevarekontrollen, så man bliver bedre til at finde de virksomheder, der snyder gentagne gange.
I dag er det sådan, at de detailvirksomheder, der får sure smileys, får flere besøg, end de, der får glade smileys. Fødevarestyrelsen gennemfører over 60.000 kontrolbesøg om året.
”Formålet med Machine Learning projektet er at udvide vores nuværende datamodeller, så vi får et langt bedre datagrundlag, inden vi gennemfører et kontrolbesøg. Vi gennemfører som sagt 60.000 kontroller årligt og får i snit kontrolleret seks lovområder pr. kontrol. Det er godt 350.000 informationer pr. år. Med Machine Learning kan vi desuden gå flere år tilbage i vores kontroller og dermed prøve at finde nye mønstre i adfærden hos virksomhederne for at kunne målrette vores kontrol yderligere. Derudover vil vi inddrage data fra andre myndigheder og sammenstille dem med vores egne. Eksempelvis CVR-oplysninger og oplysninger om virksomheders omsætning, antal ansatte mv.,” siger Kenny Larsen.
Færre kontrolbesøg
En af grundene til at investere i Machine Learning er at kunne øge træfsikkerheden i kontrollerne. Så investeringen til den datadrevne kontrol bliver hentet hjem gennem færre kontrolbesøg.
I regeringens vedtagne Fødevareforlig 4 hedder det:
»Med en mere datadrevet, risiko- og behovsorienteret kontrol kan der frigøres kontrolressourcer
uden at gå på kompromis med fødevaresikkerheden. Over forligsperioden fra 2018 til 2022 vil der derfor blive foretaget en trinvis reduktion af de planlagte kontroller i forhold til antallet af planlagte kontroller
i 2018,« hedder det i Fødevareforlig 4.
”Målet er at reducere antallet af besøg i virksomheder med 7.500 om året i løbet af fire år. Fra 50.000 planlagte årlige besøg i 2018 til 42.500 i 2022,” siger Kenny Larsen.
Der er tale om en trinvis reduktion henover årene. Ifølge Kenny Larsen er det fortsat målet at besøge de virksomheder, der ikke har rent mel i posen, flere gange, mens de der overholder reglerne, får færre besøg. Da 83 pct. overholder reglerne og de får færre besøg, vil den samlede reduktion af besøg også komme derfra.
Machine Learning er ikke kun pisk
Kenny Larsen fortæller at Machine Learning ikke kun er kontrol og pisk. Algoritmen har også en gulerod. Den skal bruges til at hjælpe de virksomheder, som gerne vil opfylde reglerne, men som ikke altid evner det. Her vil Fødevarestyrelsen udvikle elektroniske guider ved hjælp af Machine Learning algoritmen. Data kan også klæde de tilsynsførende fra Fødevarestyrelsen bedre på, så de bliver bedre til at rådgive de virksomheder, der gerne vil opfylde reglerne.
”Der ligger en masse problemstillinger foran os. Vi kommer til at udnytte de data vi har indsamlet, og som myndighed har vi et ansvar for at kunne forklare både virksomhederne som vi kontrollerer og politikere, hvordan vi træffer vores beslutninger. Når vi overlader datagrundlaget til en algoritme, er det vigtigt, at vi kan forklare, hvorfor vi kontrollerer virksomheder og hvordan de udvælges til kontrolbesøg”.
Lidt flere gebyrindtægter
På forhånd ser projektet lovende ud. Regeringens Fødevareforlig viser under punktet ”gebyrfinansiering” en voldsom vækst fra 27,4 mio. kr. i 2019 til 32,6 mio. kr. i 2022. En stigning i gebyrindtægter kommer af flere opfølgende kontroller. kr.
Stigningen i gebyrindtægter skyldes, at de virksomheder, der får kontrolbesøg og som ikke overholder reglerne – reelt får en regning de skal betale for de opfølgende kontrolbesøg.
”Fødevarestyrelsen bliver ikke rigere af, at der skal gennemføres flere opfølgende kontroller, idet de gebyrer som virksomhederne betaler for de opfølgende kontroller, alene dækker de omkostninger, der er forbundet med at gennemføre kontrollerne,” siger Kenny Larsen.
Fødevarestyrelsen bygger sit eget team op til den datadrevne fødevarekontrol. ”Det er vigtigt, at have forretningsviden om algoritmerne og datamodellerne internt. Vi skal kunne forklare omverdenen, hvad vi gør. Vi skal kunne bevise, at vi øger fødevaresikkerheden med færre kontroller,” siger Kenny Larsen.
