KINLI (Künstliche Intelligenz für nachhaltige Lebensmittelqualität in Lieferketten) möchte einen vorausschauenden Ansatz zur Kontrolle von Lebensmittelqualität sowie von Haltungsbedingungen von Nutztieren ermöglichen. Dazu erarbeitet der wissenschaftliche Teil des Projektteams eine Plattform nach dem Data Lake-Ansatz, der einen Speicher aller Rohdatenformate für das Maschinelle Lernen vorsieht.
Innerhalb des Trainings der KI, dem Deep Learning, gilt es vor allem Echtzeitdaten und -bilder in die Plattform aufzunehmen. Ziel ist die unüberwachte Bewertung des Materials zur Mustererkennung, -analyse und -vorhersage möglicher Problemfälle. Zu diesen gehören auch Problematiken abseits der verwendeten Trainingsdaten.
Von der Datenspeicherung zur Anwendung
Um technische Vorteile für den Lebensmittelsektor und die Fleischindustrie im Besonderen sicherzustellen, orientiert sich KINLI an zwei praxisnahen Use Cases. Anwendungsbereich I umfasst die Gewährleistung von Lebensmittelqualität am Beispiel von Kochschinkenprodukten. Künstliche Intelligenz soll Muster in den Produktionsdaten aus verschiedenen Erfassungssystemen untersuchen und kritische Stellen im Prozess markieren. Im Kern dient dieser Use Case der Vorbeugung mangelnder Lebensmittelqualität. Dabei helfen kann eine Berücksichtigung einzelner Transport- und Prozessketten.
Im Mittelpunkt von Use Case II stehen Tierwohl und Tiergesundheit. Hier kommt eine Analyse von Bilddaten zum Einsatz, welche die Gesundheitssituation von Puten und Schweinen der Projektpartner bewertet. Raumgasanalysen, Fragebögen und sonstige gesundheitliche Maßnahmen bilden die Grundlage einer solchen Beurteilung. Davon erhofft sich KINLI, mitunter die krankheitsbedingte Vergabe von Antibiotika zu reduzieren.
Insgesamt kommt das Projekt so einer Lebensmittelindustrie näher, deren Produktqualität umfangreich überprüfbar, sicher und artgerecht ist.
