Chemometrie und künstliche Intelligenz -Synergien für die moderne Datenanalyse

Die Chemometrie, als bewährtes Wegzeug der multivariaten Datenanalyse in der Lebensmittelanalysik, erfährt durch die künstliche Intelligenz (Kl) derzeit einen Umbruch. Kl-gestützte Methoden wie machine learning oder deep learning ermöglichen eine effiziente Verarbeitung komplexer Datensätze, verbessern Vorhersagemodelle und eröffnen neue Wege für die Datenanalyse. Insbesondere in der spektroskopischen Analytik, Prozessüberwachung und Qualitätskontrolle bieten Kl-Algorithmen einen Mehrwert gegenüber den klassischen chemometrischen Methoden. Beispielsweise wurde in einer Studie gezeigt, dass die Kombination aus kostengünstiger Fluoreszenzspektroskopie und ML-Algorithmen eine präzise Klassifikation von Olivenölen unterschiedlicher Qualitätsstufen ermöglicht [1].

Doch wie lassen sich Algorithmen wie random forest, k-nearest neighbors (kNN) und neuronale Netze in die Arbeit des Lebensmittelchemikers integrieren? Und welche Rolle spielt dabei (noch) die klassische Chemometrie? Und wie wirkt sich dies auf die Lehre aus? Oft werden Kl-Modele als „black-box” angesehen, auf die man keinen Einfluss hat. Welchen Einfluss hat das auf die Validierung von Methoden, die auf Kl-Modellen basieren? In dem Arbeitskreis „Chemometrie & Qualitätssicherung” der GdCh beschäftigen wir uns mit diesen Fragen und wollen Leitlinien zur Anwendung von chemometrischen Verfahren entwerfen [2].

Anhand von praxisnahmen Beispielen soll es in diesem Beitrag darum gehen, den aktuellen Stand der Kl in der Analytik und Qualitätssicherung anschaulich zu vermitteln und neben den Möglichkeiten auch die Probleme und Risiken zu beleuchten.