Chemometrie -Authentifizierung und Qualitätssicherung in der Lebensmittelindustrie mit Data Science

Shownotes

++++ Unsere 33. Podcast-Episode: Natalie Gerhardt über Chemometrics in der Lebensmittelauthentifizierung und Qualitätssicherung ++++

Hallo und herzlich willkommen zur neuen Episode des Podcasts „Data Science mit Milch und Zucker“! Im Podcast Nr. 33 geht es um den Einsatz von Data Science und chemometrischen Methoden zur Authentifizierung von Lebensmitteln und der Sicherung von Qualität. Zu Gast ist Natalie Gerhardt, Professorin für Analytische Chemie mit dem Schwerpunkt Chemometrie und Data Science. Sie ist Expertin im Bereich der Überprüfung der Authentizität und Echtheit von Lebensmitteln und gewährt uns tiefgehende Einblicke in die praktischen Herausforderungen sowie innovative Lösungsansätze – insbesondere durch den Einsatz von "Profiling"- oder "Fingerprinting"-Analysen, die zur Sicherstellung der Herkunft und Echtheit von Lebensmitteln beitragen.

Natalie erklärt, wie in der Lebensmittelindustrie oft mit komplexen Datensätzen gearbeitet wird, die über 40.000 Variablen umfassen können. Dabei geht es darum, mit klassischen Methoden wie der Hauptkomponentenanalyse (PCA) und Klassifikationsalgorithmen wie der linearen Diskriminanzanalyse (LDA), die relevanten Muster zu identifizieren und Authentizität zu prüfen. Durch den Einsatz verschiedener chemometrischer Ansätze werden die Daten reduziert, wesentliche Informationen extrahiert und Korrelationen sowie verborgene Zusammenhänge aufgedeckt. Besonders bei hochwertigen Lebensmitteln wie Safran, Honig, Olivenöl und Fleisch wird die Gefahr von Fälschungen thematisiert, die immer raffinierter werden. Hier hilft der Einsatz von Data Science, um Fehlerquellen schnell zu erkennen und fälschungssichere Referenzdatenbanken aufzubauen.

Die Datenqualität und die Probenplanung spielen eine entscheidende Rolle, um zuverlässige Ergebnisse zu erzielen. Dabei ist es wichtig, dass Data Scientists und Industriepartner gut zusammenarbeiten und die Ziele des Projekts klar kommuniziert werden. Natalie betont zudem die Bedeutung der Datenprozesse: Wie geht man mit Fehlwerten, Ausreißern und Rauschen in den Daten um? Sie hebt hervor, dass einfache Modelle oft besser geeignet sind als komplexe Deep Learning-Algorithmen, besonders bei kleineren Datensätzen.

Zum Schluss gibt sie noch Tipps, wie man erfolgreich mit Data Science-Projekten arbeitet: Ziele klar definieren, den Workflow sorgfältig planen und vernetzt bleiben, um von den neuesten Entwicklungen in der Branche zu profitieren.

Vielen Dank fürs Zuhören und viel Spaß mit der Episode!

Für mehr Informationen zum Thema Data Science, besuche gerne unsere Website: https://datamics.com/

Oder nimm an einem unserer zahlreichen Onlinekurse teil: https://www.udemy.com/user/datamics/

Um mit Natalie in Kontakt zu treten, besuche gerne ihr LinkedIn-Profil: https://www.linkedin.com/in/natalie-gerhardt