Warum es noch keine guten Simulations-Werkzeuge für Food-Produktentwicklung gibt

In vielen Branchen werden schon länger erfolgreich Simulations-Tools eingesetzt: Simulierte Crashtests im Automobilbereich, Statik-Berechnungen in der Bauwirtschaft und auch logistische Abläufe können gut simuliert werden. Dadurch lassen sich schnell Fragestellungen virtuell beantworten, ohne langwierige Tests in der Realität durchzuführen.

Warum ist Simulieren für Food so schwer?

Der Grund, dass man nicht einfach das Resultat von einem Rezept vorher genau bestimmen kann ist, dass es deutlich komplexer ist. Für eine gute Simulation müssten Teilchenbewegungen möglichst genau berechnet werden. Das überfordert allerdings bestehende Modelle und Hardware. Bis Modelle und Hardware diese Herausforderung genommen haben muss allerdings nicht zwangsläufig gewartet werden. Künstliche Intelligenz und inbesondere Deep Learning Modelle haben inzwischen deutliche Fortschritte auch im Food-Bereich gemacht.

Künstliche Intelligenz: Ein Ersatz?

Wie bereits erwähnt, können KI-Modelle dazu beitragen, komplexe Zusammenhänge zu verstehen. Diese Modelle werden ausschließlich mit Eingangsdaten und den dazugehörigen Endresultaten trainiert, ohne dass ein tiefes Verständnis der zugrunde liegenden Zusammenhänge zwingend erforderlich ist. Das System erkennt automatisch Korrelationen und Gesetzmäßigkeiten. Nachdem der Algorithmus trainiert wurde, ist jedoch besondere Vorsicht geboten, wenn es darum geht, neue Vorschläge und Ergebnisse zu bewerten. Im Nachfolgenden sind einige Beispiele, in denen KI bereits erfolgreich im Einsatz ist.

Die Suche nach neuen Proteinen

Das Erschaffen neuer Proteine war bisher aufwendig und nur in einem limitiertem Umfeld möglich: Da nur eine kleine Untermenge der möglichen Konsequenzen von Änderungen bekannt war und ist, waren die Möglichkeiten durch nicht verstandene Komplexität zunächst begrenzt. Doch auch hier haben sich KI-Modelle bewiesen: Anstatt wie bei OpenAI`s ChatGPT Texte zu verfassen, generiert das KI-Modell ProtGPT2 Proteine. Allerdings ist eine Herausforderung aktuell noch, die vorgeschlagenen Proteine in der Wirklichkeit auch zu verproben. Das Problem des "Halluzinieren", also das Generieren von echt aussehenden aber falschen Ergebnissen, ist hier deutlich schwieriger zu verifizieren. Weiterführende Links:

• Spektrum Artikel

Fleischersatz

Tierische Produkte durch pflanzliche Zutaten vom Geschmack nachzubilden übernimmt GIUSEPPE von NotCo. Das Unternehmen wurde 2015 in Chile gegründet und versucht u.a. zu ergründen, warum fleischhaltige Dinge schmecken wie sie schmecken und sie dann mit KI-unterstützt mit pflanzlichen Zutaten nachzubauen. Um das zu bewerkstelligen, mussten viele pflanzliche Zutaten zunächst in einer Datenbank aufbereitet werden. Die Vorschläge des Systems werden von Köchen analysiert und bewertet. So bekommt der Algorithmus Feedback und kann bessere Vorschläge machen. Mehr zu dem Thema:

• The Spoon Podcast

Food Pairing

Food Pairing beschreibt, welche Zutaten bzw. Produkte zusammen harmonieren. Für einen Menschen wird das schnell "schmeckbar", wenn probiert wird. KI-Agorithmen müssen hier anders vorgehen: Auf Basis von großen Mengen an bestehenden Rezepten und Molekülen in den Zutaten, welche bspw. für Geschmack verantwortlich sind, können passende weitere Zutaten gefunden werden. Inzwischen gibt es hier viele Unternehmen und Forschungsprojekte, die sich mit dem Thema beschäftigen:

• FlavorDB
• FlavorGraph
• Spoonshot

Fazit

Auch wenn die genauen Mechanismen noch nicht genau in Simulationen abgebildet werden können, gibt es bereits verschiedenste Anwendungsfälle, wo KI-Algorithmen deutlich unterstützen können. Diese verstehen zwar nicht die zu Grunde liegende physikalischen Umstände, finden dafür aber Korrelationen zwischen Input und Output.