Lösen die neuesten KI-Modelle die Herausforderungen und Probleme der Branche tatsächlich besser, als es bewährte Systeme bereits tun?
Die Schlagzeilen mögen sich auf generative KI konzentrieren, aber was bedeutet künstliche Intelligenz (KI) für Lebensmittelverarbeiter wirklich? Die meisten Lebensmittelverarbeiter setzen bereits heute KI-gestützte Systeme wie Sichtkontrolle, Ertragsoptimierung oder Prozessüberwachung in ihren Verarbeitungslinien ein – seit Jahrzehnten verbessern sie damit die Effizienz, steigern die Erträge und tragen zur Einhaltung von Vorschriften bei. Die Frage ist, ob die neuesten KI-Modelle die Herausforderungen oder Schwachstellen der Branche tatsächlich besser lösen können als bewährte Systeme.
KI in der Lebensmittelverarbeitung ist nicht nur ein aktueller Trend, sondern das Ergebnis jahrzehntelanger kontinuierlicher Entwicklung. Lassen Sie uns gemeinsam erkunden, was KI über den aktuellen Hype um generative KI hinaus bedeutet, damit Sie Investitionen und Entscheidungen auf der Grundlage von Ergebnissen statt nach dem neuesten Trend treffen können.
Die computergestützte Suche nach KI findet bereits seit vor den 1950er Jahren statt. Auch wenn es heute aufgrund der Fortschritte in der Rechenleistung und im Programmierwissen Unterschiede gibt, ist es wichtig, sich vor Augen zu halten, dass nicht alle KI gleich sind, beispielsweise visuelle Bewertung im Vergleich zu generativer KI. Wie in jeder Branche kann die Terminologie allgemein und verwirrend sein und variiert oft auch je nachdem, mit wem man spricht.
Möchten Sie sich zunächst mit der Terminologie vertraut machen? Klicken Sie hier, um direkt zum Glossar zu gelangen.
Software und KI stellen unterschiedliche Ansätze zur Lösung von Problemen mit Computern dar. Während KI derzeit im Rampenlicht steht, handelt es sich technisch gesehen um einen Teilbereich der Software. Software und KI prägen und unterstützen seit den 1990er Jahren die Effizienz und Qualität der Lebensmittelverarbeitung.
Software ist explizit darauf programmiert, Regeln und logischen Pfaden zu folgen. Bei der traditionellen Softwareprogrammierung ist das Verhalten vorhersehbar: Dieselbe Eingabe führt immer zu derselben Ausgabe. Bei einem Taschenrechner beispielsweise ergibt 1 + 1 jedes Mal 2.
Die meisten modernen KI-Systeme werden anhand von Datensätzen trainiert, um Muster zu erkennen. Diese Muster werden dann verwendet, um neue, bisher unbekannte Situationen zu bewältigen. Beispiele hierfür sind das Erkennen von Produktfehlern oder das Vorhersagen von Geräteausfällen.
In der Lebensmittelverarbeitung werden diese KI-Ansätze häufig in drei wichtigen Betriebsbereichen angewendet:
Ja, es gibt einen Unterschied zwischen „Softwaresystemen und KI-Modellen“ und „Software und KI“ – willkommen in der verwirrenden Welt der sich überschneidenden Begriffe.
Hier ist die Unterscheidung besonders in der Lebensmittelverarbeitung von entscheidender Bedeutung, da sie den Kern der Struktur, des Einsatzes und des Zugangs von Nutzern zur KI-Technologie betrifft.
Ein KI-Modell ist im Wesentlichen eine mathematische Darstellung gelernter Daten. Wenn wir uns das aktuelle Chat GPT (eine Version eines großen Sprachmodells (LLM)) ansehen, handelt es sich um ein generatives KI-Modell, eine Sammlung von Algorithmen und neuronalen Architekturen, die Muster aus Trainingsdaten gelernt haben.
Ein Softwaresystem hingegen ist die Anwendung oder Plattform, mit der die Benutzer tatsächlich interagieren. Es umfasst das KI-Modell, aber auch die Benutzeroberfläche, die Datenverarbeitung, Sicherheitssysteme, Datenbanken, Server, Netzwerkkomponenten und traditionelle Softwareentwicklung, die das Modell zugänglich und nutzbar machen.
Die neuesten rechenstarken Softwaresysteme und KI-Modelle könnten zu Robotern führen, die sich an Produktvariationen anpassen, miteinander kommunizieren und durch Demonstration neue Aufgaben lernen.
Beispielsweise lernt ein KI-Modell für Bildverarbeitungssysteme, Fehler und Qualitätsstufen zu erkennen. Das Softwaresystem ermöglicht es den Bedienern, das Bildverarbeitungssystem auf einem Dashboard zu sehen und mit ihm zu interagieren.
In der Lebensmittelverarbeitung hat dieser mehrschichtige Ansatz mehrere Vorteile:
Und ist eng mit physischer Hardware und Steuerungssystemen integriert:
Eine Zeitleiste
Die Hauptanwendungsbereiche von Softwaresystemen und KI-Modellen in der Lebensmittelverarbeitung liegen in den Bereichen Prozessoptimierung, Qualitätskontrolle, vorausschauende Wartung und Robotik. Im Folgenden stellen wir die Entwicklungszeitleiste für jeden Bereich vor.
Prozessoptimierung: Von den 1980er Jahren bis in die Zukunft
Für die meisten Anlagen bedeutet Prozessoptimierung durch KI nicht, dass Bediener ersetzt werden – vielmehr geht es darum, bestehende Sollwerte anzupassen, um den Ertrag aufrechtzuerhalten und Ausfallzeiten zu reduzieren, wenn sich Zutaten oder Umgebungsbedingungen ändern.
In der Praxis hilft dies den Verarbeitern, Abfall zu minimieren, Schwankungen bei den Rohstoffen zu bewältigen und die Einhaltung der Produktspezifikationen in Echtzeit sicherzustellen.
| Zeitraum | Wichtige Entwicklung | Details/Beispiele |
|---|---|---|
| 1960 | Digitale Grundlagen – SCADA-Systeme: Prozessüberwachung | Die ersten digitalen Überwachungssysteme übertragen kleine Datensätze (z. B. Temperatur, Druck, Ventilstatus) von entfernten Standorten an zentrale Monitore. Die Übertragung dauerte 5 bis 10 Sekunden pro Bericht. |
| 1969 | Programmierbare Logiksteuerungen (PLCs) | Frühe SPS (1 KB Speicher, ~ ~ 20.000 $ im Jahr 1969) machen die Dinge komplexer. |
| 1980er–1990er | Expertensysteme und regelbasierte KI | Erfassten menschliches Wissen mit „Wenn-Dann”-Logik-Entscheidungsfindung in spezifischen Prozessen. Vorhersehbare, überprüfbare, nicht lernende Systeme. 👉 Praktische Auswirkungen für Prozessoren: Expertensysteme ermöglichten es Fabriken, Expertenwissen für Aufgaben wie Rezepturanpassungen, Temperaturregelung oder Chargensequenzierung zu kodifizieren – wodurch die Konsistenz verbessert wurde, ohne dass eine vollständige Automatisierung erforderlich war. |
| Governance und Validierung | Sicherheitssysteme und Compliance | Regelbasierte Expertensysteme sind nach wie vor das Rückgrat der Sicherheit in der modernen Lebensmittelverarbeitung. Beispiel: HACCP-Compliance-Systeme, die die Produktion automatisch herunterfahren, wenn die Temperatur unter den Mindestwert fällt, um die Einhaltung der Lebensmittelsicherheit zu gewährleisten. 👉 Wie jedes Kontrollsystem erfordern auch KI-Tools Leistungsprüfungen und Prüfpfade, um die Anforderungen von HACCP, GFSI und ISO 22000 zu erfüllen. |
| 2000er – 2020er | Maschinelles Lernen zur Prozessoptimierung | Algorithmen begannen, mehrere Variablen gleichzeitig zu verarbeiten, um komplexe nichtlineare Beziehungen zwischen verschiedenen Verarbeitungsfaktoren zu verwalten. Ermöglicht durch das Internet der Dinge (IoT) und Echtzeit-Steuerungssysteme. Dadurch konnte KI Prozesse überwachen und anpassen, um eine effizientere und konsistentere Produktion zu erreichen. 👉 Beispielsweise analysieren Algorithmen für maschinelles Lernen Kamera- und Sensordaten, um den Zuschnitt zu optimieren, Abfall zu reduzieren und die Ausbeute zu verbessern. |
| Zukunft – Möglichkeit | Vorausschauende Optimierung | Software und KI-Modelle könnten über Vorhersagefähigkeiten verfügen, die Faktoren der Lieferkette, Wetterbedingungen und Nachfrageprognosen berücksichtigen. Dieses Maß an Prozessoptimierung könnte dazu beitragen, den wachsenden Bedarf an Lebensmitteln zu decken und gleichzeitig die Herausforderungen der Ertragsoptimierung und der Unvorhersehbarkeit der Umweltbedingungen zu bewältigen. |
Deep-Learning-Inspektionssysteme reduzieren manuelles Sortieren und Nacharbeiten, insbesondere bei visuellen Aufgaben wie Oberflächenfehlern, Farbkonsistenz oder Füllständen. In der Lebensmittelproduktion führen sie Aufgaben wie Sortieren, Fehlererkennung und Produktklassifizierung mit Produktionsgeschwindigkeit durch.
| Zeitraum | Wichtige Entwicklung | Details/Beispiele |
|---|---|---|
| 1990 | Einführung von Bildverarbeitungssystemen | Kameras wurden in industrielle Softwaresysteme, Förderbandsteuerungen und Ausschussmechanismen integriert. Bildanalysealgorithmen (ohne KI) konnten Fehler anhand von Pixelmustern, Farbabweichungen oder Größenunterschieden erkennen. |
| 2010 | Deep Learning für Echtzeitinspektionen | Höhere Bildauflösung, schnellere Computerprozessoren und die Integration mit SCADA ermöglichten eine Qualitätskontrolle in Echtzeit. Deep-Learning-KI-Modelle mit Convolutional Neural Network (CNN) begannen, visuelle Merkmale automatisch aus Produktbildern zu lernen und identifizierten subtile Fehler konsistenter als menschliche Prüfer. Ende der 2010er Jahre wurden diese Systeme in industriellen Lebensmittelverarbeitungslinien für die automatisierte Inspektion und Sortierung eingesetzt. |
| 2020 | Verfeinertes Deep Learning mit Multisensor-Eingabe | Verbesserte Genauigkeit etablierter CNN-basierter Erkennungssysteme. Softwaresysteme, die KI-Vision-Modelle unterstützen, können die Bildanalyse visueller Daten mit anderen Sensoreingaben wie Temperatur, Feuchtigkeit und Druck kombinieren, was präzisere und zuverlässigere Qualitätskontrollentscheidungen in Echtzeit ermöglicht. |
| Interessant | Vision-Transformer-Modelle (ViT) gewinnen an Interesse | Die meisten KI-Systeme für die Qualitätskontrolle in der Lebensmittelverarbeitung basieren nach wie vor auf CNN-basiertem Deep Learning, auch wenn neuere bildbasierte generative Modelle (ViTs), die 2020 eingeführt wurden, Mitte der 2020er Jahre zunehmend Beachtung finden. Viele industrielle Lösungen konzentrieren sich auf die Optimierung dieser CNN-Modelle für Echtzeitleistung, wobei KI-gesteuerte Maschinenwahrnehmung zur Interpretation von Sensordaten und zur Steuerung automatisierter Aktionen in der Produktionslinie eingesetzt wird. |
| Vor- und Nachteile | Deep Learning vs. maschinelles Lernen | Deep Learning bietet eine hohe Genauigkeit bei komplexen visuellen Defekten, erfordert jedoch große Mengen an gekennzeichneten Trainingsdaten und leistungsstarke, spezialisierte Rechenleistung. All dies bedeutet, dass die Implementierung und Wartung teurer ist. Maschinelles Lernen bleibt für einfachere Qualitätskontrollaufgaben kostengünstig. |
Mehrere Lösungen von JBT Marel nutzen CNN-basiertes Deep Learning zur Inspektion von Fischfilets und erkennen dabei Knochenfragmente, Verfärbungen und Größenabweichungen, die menschliche Inspektoren bei der Produktionsgeschwindigkeit unmöglich konsistent erkennen könnten.
Vorausschauende KI hilft Wartungsteams dabei, von kalenderbasierten zu zustandsbasierten Wartungsarbeiten überzugehen – wodurch die Lebensdauer der Anlagen verlängert und ungeplante Ausfälle vermieden werden.
Maschinelle Lernmodelle erkennen Muster, die Ausfällen vorausgehen, und lösen Wartungsmaßnahmen nur bei Bedarf aus. Dies reduziert Ausfallzeiten, verhindert übermäßige Wartungsarbeiten und unterstützt eine bessere Ressourcenzuweisung in der gesamten Anlage.
| Zeitraum | Wichtige Entwicklung | Details/Beispiele |
|---|---|---|
| 1990er – 2000er | Frühe Zustandsüberwachung | Einfache statistische KI-Modelle analysierten Schwingungs- und Temperaturdaten für eine alarmbasierte Wartung – meist reaktiv. |
| 2010 | Proaktive Wartung mit KI | Computergestützte Instandhaltungsmanagementsysteme (CMMS) mit mobilen Schnittstellen werden mit KI-Modellen kombiniert, die mehrere Sensorströme analysieren, um Geräteausfälle vorherzusagen und Technikern die Planung proaktiver Wartungsmaßnahmen zu ermöglichen. |
| Zukunft | Vorausschauende Optimierung auf Systemebene | KI könnte die gegenseitigen Abhängigkeiten zwischen Maschinen modellieren, um Wartungspläne zu optimieren und den Betrieb der Anlagen aufrechtzuerhalten. |
Durch die Kombination von Bildverarbeitung und Bewegungssteuerung können sich Roboter in der Lebensmittelverarbeitung an Produktvariationen anpassen, empfindliche Gegenstände handhaben und Schneide- oder Portionieraufgaben optimieren.
| Zeitraum | Wichtige Entwicklung | Details/Beispiele |
|---|---|---|
| 2000er – 2010er | Grundlegende Robotersteuerungssysteme | Roboter führen repetitive Aufgaben (Aufnehmen, Ablegen, einfaches Schneiden) aus, die von einfachen KI- und Produktionsplanungssystemen gesteuert werden. |
| Zukunft – theoretische Anwendung | Adaptive, kollaborative Robotik | Die neuesten Software-Systeme mit hoher Rechenleistung und KI-Modelle könnten zu Robotern führen, die sich an Produktvariationen anpassen, miteinander kommunizieren und durch Demonstration neue Aufgaben erlernen. |
KI ist ein fester Bestandteil der modernen Lebensmittelverarbeitung, auch wenn ihre tatsächliche Anwendung ganz anders aussieht als die oft dargestellten futuristischen Erwartungen.
Während neue generative KI-Modelle Aufmerksamkeit erregen, stützt sich die Grundlage von KI-Modellen und Softwaresystemen in der Lebensmittelverarbeitung weiterhin auf schmale, speziell entwickelte Systeme, die darauf ausgelegt sind, in rauen, zeitkritischen Umgebungen zuverlässige Ergebnisse zu liefern. Diese bewährten, gut getesteten Technologien und Modelle legen Wert auf Konsistenz, Interpretierbarkeit und Integration mit Altsystemen – allesamt wesentliche Faktoren in regulierten Produktionsumgebungen.
KI-Implementierungen in den 2020er Jahren verwenden überwiegend CNN-Architekturen, die Mitte der 2010er Jahre entwickelt wurden, wobei einige Forschungsarbeiten neuere transformatorbasierte Systeme – die grundlegende Architektur der heutigen generativen KI-Modelle, die 2017 eingeführt wurden – für bestimmte Anwendungen untersuchen.
Generative KI (wie beispielsweise LLM) wird in der Lebensmittelverarbeitung derzeit nur für administrative Aufgaben eingesetzt: Erstellung von Dokumentationen, Rezeptoptimierung in F&E-Umgebungen und Analyse von Gesetzestexten. Es gibt auch Experimente mit generativen KI-gesteuerten Systemen – in der Regel LLM-integrierte Helpdesk-Systeme, keine Kern-KI-Modelle in der Lebensmittelverarbeitung –, um Serviceanfragen schneller und effektiver zu bearbeiten.
Insgesamt handelt es sich bei den meisten KI-Anwendungen in der Lebensmittelverarbeitung heute um Deep-Learning-KI-Modelle – insbesondere CNNs –, die bereits 5 bis 10 Jahre alt sind. Aufgrund ihrer Zuverlässigkeit, ihrer bewährten Leistungsfähigkeit und ihrer einfachen Validierung hinsichtlich der Einhaltung von Vorschriften eignen sie sich besonders gut für die strengen Standards der Lebensmittelverarbeitungsindustrie.
Es gibt eine Reihe praktischer Gründe für diese Verzögerung bei der Einführung in der Branche:
👉 Wie KI implementiert wird: Die Implementierung von KI-Modellen erfolgt in der Regel in fünf Schritten: Datenerfassung, Modelltraining, Systemintegration, Validierung und kontinuierliche Verbesserung. Für Lebensmittelverarbeiter bedeutet dies eine Zusammenarbeit zwischen Betrieb, IT und Qualitätssicherung, um sicherzustellen, dass das System zuverlässig funktioniert, bevor es in Betrieb geht.
Eine Frage, die im Zusammenhang mit den neuesten generativen KI-Modellen zunehmend an Bedeutung gewinnt, ist der hohe Wasser- (für die Kühlung) und Energieverbrauch, der für den Betrieb der Rechenzentren erforderlich ist, um diese Modelle zu unterstützen. Im Rahmen des Wasser-Nahrungsmittel-Energie-Nexus (WEF) müssen Lebensmittelverarbeiter den Kompromiss zwischen Produktionseffizienz und Nachhaltigkeit berücksichtigen. Rechtfertigt die marginale Verbesserung der Produktqualität den zusätzlichen Energie-, Wasser- und Betriebsaufwand?
Oft kann die Optimierung bestehender CNN-Systeme oder traditioneller maschineller Lernmodelle einen besseren ROI liefern.
Beispielsweise kann das Training eines mittelgroßen, umfangreichen Deep-Learning-Modells mehr Strom verbrauchen als fünf US-Haushalte in einem Jahr, während es den Prozessoren nur eine minimale Verbesserung der Produktqualität bietet.
Angesichts all der allgemeinen und irreführenden Informationen über KI – wie entscheiden Verarbeiter in der Fleisch-, Fisch- und Geflügelindustrie, was heute und in Zukunft für ihre geschäftlichen Anforderungen das Richtige ist?
| Ihr Bedarf | Geeignete Technologie | Warum |
|---|---|---|
| Sicherheitskonformität, Notabschaltungen | Expertensysteme (Technologie aus den 1980er Jahren) | Deterministisch, überprüfbar, behördlich zugelassen |
| Einfache Qualitätsklassifizierung – Größe, Farbschwellenwerte | Traditionelles maschinelles Lernen | Geringere Kosten, einfacher zu warten, ausreichende Genauigkeit |
| Komplexe Fehlererkennung, variable Produkte | CNN-basiertes Deep Learning | Bewährte Technologie, gute Handhabung von Abweichungen |
| Dokumentation, Rezepturoptimierung, regulatorische Texte | Generative KI – VORSICHTIG EINSETZEN | NUR für administrative Anwendungen |
| Echtzeit-Prozessoptimierung | Traditionelles maschinelles Lernen + Expertensysteme | Schneller und zuverlässiger als Deep Learning |
Durch das Verständnis des Zeitplans für KI-Modelle in der Lebensmittelverarbeitung verfügen Verarbeiter über wertvolle Instrumente, um den Hype von der Realität zu trennen. Seien Sie beispielsweise vorsichtig bei Behauptungen, dass ein KI-Modell „sich selbst erklärt“.
Wenn Sie bereit sind, in KI-basierte Technologie zu investieren, suchen Sie nach einem Anbieter, der:
Hier kommen wir zum Anfang des Artikels zurück: zum Hype um KI im Vergleich zur Realität. Derzeit sind die weltweiten Investitionen in KI extrem hoch, ebenso wie die Prognosen zu den Möglichkeiten der KI. Aber hinter all dem Trubel und der Begeisterung für das Neue tauchen auch Fragezeichen auf, die von Experten, die mit dieser Technologie arbeiten, aufgeworfen werden, darunter die Plausibilität der Prognosen zur künstlichen allgemeinen Intelligenz (AGI), die Umweltkosten sowie die Quelle und Zuverlässigkeit der Daten, die zum Trainieren der Systeme benötigt werden.
In der Lebensmittelverarbeitungstechnologie hat eine lange und umfassende Entwicklung der KI-Technologien stattgefunden. Seit den 1990er Jahren haben zahlreiche Fortschritte bei KI-Modellen und Softwaresystemen zu folgenden Verbesserungen geführt:
Die Integration der neuesten KI-Modelle in Lösungen für die Lebensmittelverarbeitung steckt noch in den Kinderschuhen, und es ist möglich, dass sie im Vergleich zu den derzeitigen, seit langem etablierten KI-Integrationen nur minimale Vorteile für den Ertrag, aber einen starken Anstieg der Energie- und Wasserkosten mit sich bringt.
Trotz des Hypes hat generative KI bewährte Deep-Learning-Systeme für die Produktionsumgebung der Qualitätskontrolle, Prozessoptimierung oder vorausschauenden Wartung weder ersetzt noch verbessert. Die Rechenkosten und die "Blackbox"-Natur machen sie für sicherheitskritische Anwendungen ungeeignet.
JBT Marel untersucht die Möglichkeiten neuer KI-Entwicklungen und baut dabei auf bewährten Softwaresystemen und KI-Modellen auf, die unsere Lösungen vorantreiben und zuverlässige, skalierbare und genaue Ergebnisse für Lebensmittelverarbeiter liefern.
Wenn Sie sich für die technischen Klassifizierungen und die in diesem Artikel verwendete Terminologie interessieren, finden Sie hier weitere Informationen zur Strukturierung der KI-Kategorien.
KI ist ein allgemeiner Begriff, der jedes Computersystem umfasst, das das Niveau menschlicher Intelligenz erreichen soll: in der Lage zu denken, Probleme zu lösen, zu verstehen, zu lernen und Wissen über ein breites Spektrum von Themen und Bereichen anzuwenden. Der „heilige Gral“ der KI ist die künstliche allgemeine Intelligenz (AGI) oder starke KI – wenn eine Maschine über kognitive Fähigkeiten auf menschlichem Niveau verfügt. Auch wenn die neueste Version, die generative KI, diesem Ziel nahe zu kommen scheint, zeigt ein genauerer Blick, dass wir noch weit von der AGI entfernt sind.
Die moderne KI Mitte der 2020er Jahre fällt in die Kategorie der schmalen KI – schmale KI-Systeme sind darauf ausgelegt, eine bestimmte oder begrenzte Reihe von Aufgaben auszuführen. Beispielsweise nutzt ein selbstfahrendes Auto schmale KI: Es kann ein Auto fahren und Objekte erkennen, denen es ausweichen muss, aber es kann keine Konten ausgleichen. Schmale KI ist unsere derzeitige KI-Realität.
Unter dem Oberbegriff der engen KI besteht eine hierarchische Beziehung mit zwei für die Lebensmittelverarbeitung relevanten Zweigen:
Künstliche Intelligenz – das übergreifende Feld
Schmale KI – aktuelle Realität der KI: zeichnet sich in einem Bereich aus, kann Wissen jedoch nicht auf andere Bereiche übertragen
Wissensbasierte KI (regelbasiert)
Expertensysteme – im Gegensatz zu maschinellem Lernen, Deep Learning und generativer KI, die Muster aus Trainingsdaten lernen und Vorhersagen zu gelernten Mustern treffen, sind Expertensysteme regelbasiert. Sie sind darauf ausgelegt, das Wissen menschlicher Experten für bestimmte Aufgaben in der Lebensmittelverarbeitung zu erfassen und logische Schlussfolgerungen zu ziehen, um Regeln auf neue Situationen anzuwenden. Sie lernen nicht aus Daten, sondern wenden vorprogrammiertes Wissen an.
Datengesteuerte KI (lernbasiert):
Maschinelles Lernen – Teilbereich der schmalen KI: trainierte Algorithmen, die aus Mustern lernen. Traditionell für einfache Klassifizierungsaufgaben. In der Lebensmittelverarbeitung sieht dies wie ein Qualitätskontrollsystem aus, das Produkte anhand direkter Messungen (Größe, Farbwerte, Gewicht) als gut oder schlecht klassifiziert.
Deep Learning – Teilbereich des maschinellen Lernens: trainierte Algorithmen, die wie neuronale Netze mit mehrschichtiger Mustererkennung funktionieren, um Klassifizierungen auf der Grundlage komplexer Kombinationen vorzunehmen. In der Lebensmittelverarbeitung könnte dies ein Bildverarbeitungssystem sein, das die Muster eines „normalen“ Produkterscheinungsbildes so gründlich lernt, dass es jede Anomalie erkennen kann, auch solche, die es noch nie zuvor gesehen hat.
Generativ – Anwendungskategorie: trainierte Systeme, die Inhalte (Text, Bilder, Audio, Code) erstellen. Dabei können sowohl Deep-Learning- als auch traditionelle Machine-Learning-Ansätze zum Einsatz kommen. In der Lebensmittelverarbeitung wird dies derzeit für die Optimierung von Rezepten und die Erstellung von Dokumentationen untersucht.
Obwohl diese schmalen KI-Systeme bei der Verwendung recht intuitiv und intelligent wirken, verwenden sie keine Schlussfolgerungen. Die Algorithmen hinter jedem Modell treffen Entscheidungen und Vorhersagen auf der Grundlage der Muster, auf denen sie trainiert wurden, um eine spezielle Funktion auszuführen.
Und genau dort befindet sich die Lebensmittelverarbeitung heute: Sie nutzt bewährte schmale KI-Systeme, die einen praktischen, messbaren Mehrwert zur Lösung von Problemen in der Branche bieten, und erkundet gleichzeitig die Möglichkeiten der neuesten Entwicklungen, um die Lebensmittelverarbeitung und deren Ergebnisse weiter zu verbessern.