Food & Beverage: Wenn es bei KI um die Wurst geht

KI kommt in der Lebensmittelbranche in unterschiedlichen Bereichen zum Einsatz. Unternehmen erhöhen damit die Kundenzufriedenheit und verbessern ihre Erträge.

Die Verschwendung von Lebensmitteln ist ein Problem. Allein in Deutschland werden jährlich rund zwölf Millionen Tonnen Lebensmittel weggeworfen. Rund 52 Prozent der Abfälle verursachen Privathaushalte. Rund 30 Prozent der Verluste entstehen bereits in der Produktion und Verarbeitung von Lebensmitteln. 18 Prozent entfallen auf den Groß- und Einzelhandel und die Außer-Haus-Verpflegung. Das zeigt die Studie REFOWAS (Pathways to REduce FOod WASte) des Thünen-Instituts in Braunschweig.

Gegen diesen Misstand tritt Künstliche Intelligenz an. Entlang der gesamten Wertschöpfungskette vom Anbau bis zum Verbraucher sollen die Verluste reduziert werden. Vor allem die Hersteller können doppelten Nutzen aus dieser Anwendung ziehen – ihre Verluste mindern und Kosten senken. Käse oder Fleischwaren lassen sich mit datenbasierten Algorithmen weit effizienter herstellen als mit den herkömmlichen Mitteln. Auch die Absatz- und Produktionsplanung, Prozess- und Anlagensteuerung lassen sich mit den Methoden des Maschinellen Lernens optimieren (siehe Kasten weiter unten „Künstliche Intelligenz kann’s“).

Lecker: mit KI zu schmackhafteren Fleischprodukten

Auch bei einem weiteren traditionellen Lebensmittel verbessert KI den Produktionsprozess und die Qualität. Darauf setzt die Landfleischerei Koch im hessischen Calden bei ihrer Herstellung von naturgereifter „Ahle Wurst“. Dieses Fleischprodukt wird ganz nach herkömmlicher Art in den Reifekammern eines historischen Fachwerkhauses hergestellt.

Der Naturreifeverfahren in der Produktion von „Ahler Wurst“ ist ein aufwändiger Prozess. Daher kommt es neben den kaum beeinflussbaren Einflussfaktoren wie dem Wetter sehr auf die Erfahrung der einzelnen Mitarbeiter an. Hier unterstützt Künstliche Intelligenz. Im Projekt „Ahle Wurst trifft Künstliche Intelligenz“ der Universität Kassel wurde ein Verfahren entwickelt, in dem die KI den Reifeprozess optimiert.

Per Sensor werden dabei Informationen über Raumtemperatur, Luftfeuchtigkeit oder den PH-Wert der Würste gesammelt und an einen zentralen Rechner übermittelt. Ein Programm errechnet die nächsten Schritte. Mit Hilfe dieser Vorgaben greift das Personal in den Reifungsprozess ein. Rückmeldungen werden anschließend ins System eingegeben und verarbeitet. Auf diese Weise lernt die KI dazu.

Schweizer Nestlé - mehr Durchblick mit KI

Ähnlich verfährt auch der Schweizer Lebensmittelkonzern Nestlé in seinem rheinhessischen Werk in Osthofen. Hier sorgt die Deep-Learning-Software “dStudio” der Sick AG für klare Verhältnisse in der Qualitätskontrolle, im Unternehmensbereich „Health Science“. Die dort hergestellten Dosen einer Trink- und Aufbaunahrung nimmt die KI unter die Lupe. Vor der Befüllung der Behälter kommt ein Dosierlöffel für einfache und genaue Portionierung hinzu. Bei der Qualitätskontrolle wird jede einzelne Dose geprüft, ob tatsächlich ein Löffel vorhanden ist.

Zwar sind Mitarbeitende problemlos in der Lage, festzustellen, ob ein Löffel beigefügt wurde oder nicht. „Aber bei einer Abfüllgeschwindigkeit von über 80 Dosen pro Minute ist das nicht mehr fehlerfrei möglich“, sagt Marcus Kauf, Automatisierungstechniker bei Nestlé.

Bei diesem Tempo kann nur eine automatisierte Qualitätskontrolle mithalten. Eine Kombination aus KI und Kamera erkennt bei jeder Packung im laufenden Produktionsprozess, ob der Löffel zur Portionierung beiliegt oder nicht. Sobald die 2D-Snapshot-Kamera keinen Löffel erkennt, stoppt die Anlage automatisch. Erst wenn der fehlende Löffel hinzugefügt wurde, erkennt die Kamerasoftware diese Korrektur und lässt die Anlage ohne einen manuellen Re-Start weiterlaufen. Um das KI-Kontrollsystem bedienen zu können, werden die Mitarbeiter:innen durch eine intuitive Benutzeroberfläche navigiert und benötigen daher kein spezielles KI-Wissen oder bildverarbeitende Kenntnisse.

Neuronale Netze mache KI fit

Damit die automatisierte Qualitätskontrolle im Werk von Nestlé funktioniert, werden die Neuronalen Netze der Deep-Learning-Software trainiert, etwa mit Bildern der beigelegten Löffel in unterschiedlichsten Positionen. Ganz ähnlich wie Menschen Probleme lösen und Entscheidungen treffen, macht es auch Deep Learning – nur sehr viel schneller. Dieser angelernte Entscheidungsalgorithmus wird in das Kamera-System übertragen. Dadurch kann es selbstständig die wichtigsten Bildunterschiede erkennen. Auch für neue Produkte lässt sich das KI-Kamerasystem anpassen, nachdem für die veränderte Situation ein neuronales Netz trainiert wurde.

Ob solche KI-Projekte helfen, die Verschwendung einzudämmen? Zumindest wurde vom Statistischen Bundesamt im Juli 2024 ein Rückgang gemeldet. Die Lebensmittelabfälle in Deutschland haben sich um eine Million auf 10,94 Millionen Tonnen verringert – immerhin.

Praktische Use Cases: Künstliche Intelligenz kann's

Wie der Einsatz von Künstlicher Intelligenz (KI) die Entwicklung in der Lebensmittelindustrie anschiebt

• Verfeinerte Rezepte und neue Geschmackrichtungen: Durch die KI-Analyse chemischer Eigenschaften von Lebensmitteln und sensorischer Daten können Algorithmen neuartige Rezepturen vorschlagen, die Geschmack, Textur und Nährwertprofile verbessern.
• Predictive Analytics verbessert die Lieferkette: KI basierte Predictive Analytics erlaubt, zukünftige Nachfragemuster vorherzusagen. Dadurch sind Produktion, Lagerhaltung und Distribution besser planbar. Beispielsweise ermöglicht die Vorhersage von Verbrauchertrends und saisonalen Schwankungen den Herstellern, ihre Produktion an die zukünftige Marktlage anzupassen und Überproduktion sowie Lebensmittelverschwendung zu verringern.
• Maschinelles Sehen übernimmt die Qualitätskontrolle: KI-gestützte Systeme sind in der Lage, Bilder von Lebensmitteln auszuwerten und Qualitätsmängel, Verunreinigungen oder Abweichungen von den Standards zu identifizieren, die für menschliche Kontrolleure kaum erkennbar sind. Solche Tools stellen bei der Inspektion von Obst und Gemüse sicher, dass nur Produkte in der vom Unternehmen festgelegten Qualität den Verbraucher erreichen.
• Mehr Tempo in der Produktentwicklung: KI-gestützte Simulations- und Modellierungstools beschleunigen den Produktentwicklungsprozess. Zugleich sinken die Kosten. Denn virtuelle Tests und Prototypen erlauben den Entwickler:innen, verschiedene Produktionsschritte schneller zu bewerten und zu verbessern, bevor aufwändige und kostenintensive physische Prototypen hergestellt werden. Das verkürzt die Entwicklungszeit bei deutlich geringeren Kosten.
• Prognosen für Marktentwicklungen: KI verhilft zu fundierten Vorhersagen über zukünftige Entwicklungen auf dem Markt und bei Verbrauchertrends. Durch die Analyse von Daten aus Quellen wie demografischen Trends, Wirtschaftsindikatoren und globalen Ereignissen können Unternehmen auf Veränderungen reagieren und ihre Produktentwicklungsstrategien anpassen. Dies ermöglicht so frühzeitig wie möglich, innovativere Produkte auf den Markt zu bringen, die den sich verändernden Anforderungen der Verbraucher entgegenkommen.