Kaffee ist aus dem täglichen Leben nicht mehr wegzudenken. Die einen mögen ihn eher säuerlich und stark, die anderen mild und weniger intensiv im Aroma – die Bandbreite an Vorlieben ist groß. Um die verschiedenen Geschmacksrichtungen zu erzeugen, können die Kaffeehersteller aus rund 200 Bohnensorten weltweit wählen und sie zu einem Geschmacksprofil mit spezifischen Eigenschaften mischen. Es gibt also Milliarden von Kombinationsmöglichkeiten.
Künstliche Intelligenz (KI) kann den gewünschten Geschmack, die Qualität oder den Preis für Lebensmittel wie Kaffee vorhersagen und verbessern. Das ist das Ergebnis eines dänisch-deutschen Kooperationsprojekts, bei dem das Fraunhofer IPA im Rahmen eines Audits getestet hat, wie KI hierbei unterstützen kann. Das Team auditierte damit erstmals eine KI-Anwendung für die Lebensmittelindustrie.
Eine Geschmacksfrage
Bisher haben Kaffee-Experten beim dänischen Projektpartner und Kaffeehersteller BKI foods a/s die Mischung durch ständiges Ausprobieren vorgenommen, ein sehr individueller und mühsamer Prozess, der spezifische Kenntnisse des Kaffeemarktes und der Kunden erfordert. Denn das Geschmacksprofil setzt sich aus sogenannten Körper-, Säure-, Nachgeschmacks- und Aromakomponenten zusammen. Jede Komponente kann Intensitätsstufen auf einer Skala von eins bis zehn erreichen. Hinzu kommt, dass der Kaffeemarkt häufigen Preisschwankungen unterliegt, was die Kaffeehersteller ebenfalls berücksichtigen müssen.
KI ist dazu geeignet, um diese und ähnliche Prozesse in der Lebensmittelindustrie zu unterstützen und zu vereinfachen. Zu diesem Ergebnis kamen die KI-Experten des Fraunhofer IPA, nachdem sie im Rahmen eines Audits Algorithmen der Forschungseinrichtung Danish Technological Institute (DTI) überprüft und Vorschläge zur Überarbeitung unterbreitet hatten. Das DTI hatte die Algorithmen für BKI entwickelt mit dem Ziel, die Kaffeeröstung hinsichtlich der genannten Kriterien Geschmack, Qualität und Kosten zu optimieren.
KI-Modell löst Probleme bei der Optimierung
Technisch gesehen handelt es sich dabei um ein klassisches Optimierungsproblem: Was muss ein Kaffeehersteller tun, um ein bestimmtes Geschmacksprofil zu einem bestimmten Preis zu erzeugen? Das DTI hat dieses Problem prototypisch mithilfe eines neuronalen Netzes modelliert. Daten wie Bohnensorten, Mischungen und Geschmacksrichtungen bildeten die Grundlage. Die Schwierigkeit bestand jedoch darin, dass neuronale Netze normalerweise aus einer riesigen Datenmenge und aus vielen vergangenen Beispielen lernen. Hier war die Datenbasis jedoch sehr klein.
In ihrem Audit empfahlen die Experten des Fraunhofer IPA daher, auf das neuronale Netz zu verzichten und stattdessen ein Modell mit einer einfacheren Struktur und weniger Parametern zu verwenden. Dieses neue Modell benötigte weniger als zehn Parameter. Außerdem unterteilten sie das Optimierungsproblem in zwei kleinere Teilprobleme:
Ein vom DTI vorgeschlagener sogenannter genetischer Algorithmus, der kombinatorische Probleme durch „Versuch und Irrtum“ lösen kann, und andere Algorithmen wurden dann eingesetzt.
Das vereinfachte Modell hat auch den Vorteil, dass es vorhersehbarer arbeitet als neuronale Netze. Letztere werden gemeinhin als „Black Box“ bezeichnet, weil selbst Experten oft nicht wissen, wie genau ein Ergebnis zustande gekommen ist. Diese mangelnde Erklärbarkeit kann das Vertrauen in eine KI-Anwendung mindern und ist oft auch ein rechtliches Problem.
Vorteile der neuen KI-basierten Lösung
Die Vorteile für BKI sind, dass die Mitarbeiter Zeit für andere Aufgaben haben. Außerdem erzielt das Unternehmen Kosteneinsparungen und ist beim Einkaufsprozess wesentlich flexibler, da es nicht mehr auf den Import spezieller Kaffeebohnensorten aus bestimmten Regionen angewiesen ist. Durch den Einsatz von KI kann derselbe Geschmack wie bisher erzielt werden, allerdings auf der Grundlage anderer und neuer Rohkaffeemischungen, als es bisher üblich war. Das ist auch insofern wichtig, als die Einfuhr von Rohkaffeesorten aus dem Ausland aufgrund plötzlicher Ereignisse kurzfristig schwierig werden kann.
Quelle: Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA