Moët Hennessy nutzt KI-Sensoren zur Früherkennung von frischem Pilzaroma

Moët Hennessy, Analog Devices und Forschende der University of California, Davis, nutzen Sensoren und maschinelles Lernen, um frühe chemische Anzeichen für Weinfehler zu erkennen. Nach Angaben der Beteiligten könnte das Weingütern ermöglichen, Qualitätsprobleme früher und kostengünstiger aufzuspüren als mit vielen herkömmlichen Prüfverfahren.

Am Dienstag veröffentlichte Details beschreiben ein System, das die chemischen Signaturen von Trauben und Wein analysiert und mithilfe künstlicher Intelligenz Muster erkennt, die mit künftigen Qualitätsrisiken verbunden sind. Die Arbeit baut auf früheren Forschungen am Massachusetts Institute of Technology auf und wird nun im Rahmen der Partnerschaft zwischen dem Luxusgetränkekonzern, dem Chiphersteller und der kalifornischen Universität auf die Weinproduktion angewendet.

Ein wichtiges erstes Ziel des Projekts ist ein als Fresh Mushroom Aroma (FMA) bekannter Weinfehler: ein unerwünschter Geruch, der die Weinqualität beeinträchtigen kann und sich oft nur schwer erkennen lässt, bevor er deutlich wahrnehmbar wird. Nach Angaben der Partner stellten Forschende am Robert-Jean de Vogüé Research Center von Moët Hennessy eine Sammlung von Proben und zugehörigen Daten zusammen, mit der Modelle für maschinelles Lernen darauf trainiert wurden, die mit diesem Risiko verbundenen chemischen Muster zu erkennen.

Das System verarbeitet mithilfe der Sensorik- und Machine-Learning-Plattform von Analog Devices ein breites Spektrum chemischer Daten, statt nach einem einzelnen Marker zu suchen. Anschließend ermittelt die Plattform, welche Signale am wichtigsten sind, und sucht nach Zusammenhängen, die sich mit Standardanalysen möglicherweise nicht erkennen lassen. Die Unternehmen erklärten, dieser Ansatz ermögliche es dem Modell, kontinuierlich aus komplexen biologischen und chemischen Informationen zu lernen, statt lediglich festgelegte Bedingungen zu überprüfen.

In der aktuellen Studie erkannte die Technologie laut den am Dienstag veröffentlichten Angaben frühzeitig Proben mit erhöhtem Risiko, Fresh Mushroom Aroma zu entwickeln – bevor der Fehler üblicherweise mit herkömmlichen Methoden nachweisbar wäre. Das ist bedeutsam, weil sich Weinfehler oft leichter beheben lassen, bevor sie sich im Produkt festsetzen und Korrekturmöglichkeiten eingeschränkt oder teuer werden.

Manuel Reman, Mitglied des Exekutivkomitees von Moët Hennessy und zuständig für Forschung und Entwicklung, sagte, das Projekt könne die Art und Weise verändern, wie Erzeuger Trauben und Wein während der Produktion verstehen. In den mit der Ankündigung veröffentlichten Kommentaren erklärte er, die Fähigkeit, die „chemische Sprache“ von Trauben und Wein zu erkennen und zu deuten, könne Weingütern helfen, Risiken vorherzusehen, bevor sie sichtbar werden, und ihre Widerstandsfähigkeit langfristig zu verbessern.

Das Projekt steht für ein breiteres Bestreben, fortschrittliche Sensorik und KI in die Lebensmittel- und Getränkeproduktion einzubringen, in der sich die Qualität durch biologische Aktivität, Wetter, Lagerbedingungen und Gärung rasch verändern kann. Beim Wein können solche Veränderungen im Weinberg beginnen und sich über das Keltern, die Gärung und den Ausbau bis zur Abfüllung fortsetzen. Verlässliche chemische Signaturen früh in diesem Prozess zu finden, ist seit Langem eine Herausforderung, da die beteiligten Verbindungen subtil sein und auf komplexe Weise miteinander interagieren können.

Die Partner erklärten, ihr System solle dieses Problem lösen, indem es eine umfangreiche Probenbasis mit Mustererkennungswerkzeugen kombiniert, die zahlreiche Variablen gleichzeitig auswerten können. Statt sich allein auf Verkostungspanels oder spätere, zeitaufwendige Laborbestätigungen zu verlassen, sobald ein Fehler auftritt, könnten Erzeuger frühere Messwerte nutzen, um Partien zu separieren, die Verarbeitung anzupassen oder bestimmte Chargen genauer zu überwachen.

Für die Getränkeindustrie reicht der potenzielle Nutzen über Wein hinaus. Eine frühere Erkennung von Fehltönen oder Instabilität könnte Erzeugern helfen, Abfälle zu verringern, fehlerhafte Produkte nicht weiter durch die Produktionskette laufen zu lassen und die Qualitätskontrolle von der nachträglichen Korrektur hin zur Prävention während der Herstellung zu verlagern. In einer Branche, in der zurückgewiesene Chargen, Produktabwertungen und Risiken für die Marke die Margen beeinträchtigen können, können schon kleine Fortschritte bei der Früherkennung wichtig sein.

Die Ankündigung enthielt weder Angaben zum Zeitpunkt einer Markteinführung noch dazu, wann das System in größerem Maßstab bei Moët Hennessy eingesetzt werden könnte. Auch Leistungskennzahlen, der Umfang der Trainingsdaten oder Informationen dazu, ob dieselbe Methode für weitere Weinfehler erprobt wird, wurden nicht genannt. Dennoch deuten die berichteten Ergebnisse darauf hin, dass die Kombination aus chemischer Sensorik und maschinellem Lernen von der Forschung in die praktische Anwendung in Weingütern übergeht.

Die UC Davis ist seit Langem ein bedeutendes Zentrum für Wein- und Weinbauforschung; ihre Beteiligung verleiht dem Vorhaben der Branche akademische Unterstützung. Analog Devices bringt Fachwissen in den Bereichen Sensorik und Signalverarbeitung ein, Moët Hennessy den Zugang zu Produktionswissen und Probendaten. Diese Kombination soll eine Lücke schließen, die frühere Versuche mit digitalen Werkzeugen im Weinbau begrenzt hat: Es fehlte an ausreichend vielen praxisnahen, gut charakterisierten Proben, um Modelle zu trainieren, die unter Produktionsbedingungen zuverlässig arbeiten.

Nach Angaben der Partner besteht das übergeordnete Ziel nicht nur darin, einen bestimmten Fehler aufzuspüren, sondern auch ein tieferes Verständnis der biologischen Vorgänge in Trauben und Wein während der Produktion zu entwickeln. Sollte sich dieser Ansatz als zuverlässig erweisen, könnte er Weingütern ein kontinuierlicheres Bild neu entstehender Risiken vermitteln und ihnen ermöglichen, früher einzugreifen, bevor sensorische Probleme im fertigen Wein offensichtlich werden.