Künstliche Intelligenz (KI) findet Anwendung in immer mehr Berufsfeldern – und auch in der Lebensmittelindustrie gewinnt sie zunehmend an Bedeutung und eröffnet neue Potentiale. So auch in der Rezepturentwicklung und -optimierung von Produkten.
Die Vorteile und Potentiale von KI werden schnell deutlich: Kürzere und effizientere Entwicklungszyklen sowie Reduzierung von Kosten und eine bessere Anpassung an die Anforderungen des Marktes, der Gesellschaft und Politik. Neue Softwareplattformen nutzen bestehende Daten aus Produkten und dem Markt und können daraus gezielte neue Rezepturen ableiten oder bestehende Produkte auf Wunsch verbessern im Hinblick auf die Nährwerte, Umweltbilanz oder sensorische Qualität.
Kern der aktuellen Ansätze sind Datenmodelle, die historische Rezepturen, Prozessparameter, Nährwertangaben und sensorische Ergebnisse zusammenführen und daraus Zusammenhänge über Zusammensetzung, Produkteigenschaften und deren Verbraucherakzeptanz lernen. Auf Basis dieser Erkenntnisse lassen sich dann virtuelle Prototypen erstellen, welche definierte Ziele wie bspw. der Reduktion kritischer Zutaten bei gleichbleibenden Produkteigenschaften, stabilere Textur oder niedrigere Rohstoffkosten erfüllen sollen. In der Praxis werden dadurch schon heute Rezepturen für Getränke, Snacks, uvm. entwickelt. Praxisbeispiele wie die Plattform „Symvision AI“ zeigen bereits heute, wie mit Hilfe von KI Geschmackserlebnisse schneller entwickelt und auf Verbraucherpräferenzen frühzeitiger reagiert werden kann.
Zentrale Voraussetzung für belastbare und gewinnbringende Ergebnisse ist jedoch eine qualitativ hochwertige und umfangreiche Datenbasis, denn hier gilt: Die KI ist nur so gut wie die Daten, aus denen sie lernt! Eine unzureichende oder fehlerhafte Datenquelle sorgt für ebenso schwache und fehlerbelastete Ergebnisse. Eine saubere Dokumentation und Aufbereitung von technologischen, sensorischen und ökologischen Daten sowie auch von Prozessbedingungen und Ergebnissen ist folglich für die Qualität von entscheidender Bedeutung.
Wichtig ist bei der gesamten Thematik: KI ist kein Alleskönner und kommt auch an ihre Grenzen. Fallstudien zeigen, dass virtuelle Optimierungen reale Versuche im Labor, in der Pilotanlage und mit Panels nicht ersetzen, sondern gezielt vorbereiten und verdichten. Folglich ist KI nach aktuellem Stand eher als ein Werkzeug zu verstehen, dass das Knowhow erfahrener Produktentwickler ergänzt und dazu beiträgt, Fehlversuche zu reduzieren, Entwicklungszeiten zu verkürzen und Produktinnovationen schneller voranzutreiben.