KI-Frischebewertung braucht Referenzanalytik, bevor sie über Fleisch entscheidet

KI-Systeme zur Bewertung der Fleischfrische sollten nicht an einer einzelnen Genauigkeitszahl aus dem Labor gemessen werden. Ein jetzt in *Food Bioscience* veröffentlichter Übersichtsbeitrag macht deutlich: Industriell belastbar werden sie erst, wenn Sensorsignale mit biologisch und chemisch sinnvollen Referenzmerkmalen verknüpft sind – und wenn das Modell auch außerhalb der Trainingsserie funktioniert. Die Arbeit bündelt Ansätze mit Spektroskopie, Bildgebung, Gassensorik, Impedanz- und Feuchtedaten. Damit lassen sich Frischezustände klassifizieren oder Resthaltbarkeiten schätzen. Farbe, Geruch, pH-Wert, Mikrobiologie und Metaboliten entwickeln sich jedoch nicht bei jeder Tierart, jedem Cut, jeder Verpackungsatmosphäre und Kühlkette gleich. Ein technisch deutliches Signal ist daher noch keine belastbare Entscheidung über Genusstauglichkeit oder Haltbarkeit. Besonders warnen die Autoren vor einer Datenaufteilung auf Probenebene, wenn Proben desselben Tieres oder Loses zugleich im Training und im Test landen. Das kann die praktische Leistungsfähigkeit eines Algorithmus überschätzen. Als weitere Hürden nennt die Übersicht Sensoralterung und -verschmutzung, Unterschiede der Fleischmatrix sowie die Übertragbarkeit von Kalibrierungen zwischen Betrieben. Für Verarbeiter und Techniklieferanten folgt daraus: KI muss gegen Referenzanalytik, mit unabhängigen Chargen sowie unter realen Prozess- und Logistikbedingungen validiert werden. Ihr Potenzial als Entscheidungsunterstützung – etwa zur Priorisierung von Kontrollen oder Bestandssteuerung – ist groß. Eine automatisierte Produktfreigabe verlangt jedoch für jedes Modell nachgewiesene Unsicherheit, Wiederholbarkeit und klar definierte Einsatzgrenzen.