Chemometrie -Authentifizierung und Qualitätssicherung in der Lebensmittelindustrie mit Data Science

++++ 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