Rezepte vergleichen, vereinheitlichen und neue Produktideen finden. Mit KI die eigene Rezeptdatenbank effizienter nutzen.
Wie können Unternehmen ihr Wissen über Tausende von Rezepturen effizienter nutzen? Diese Frage stand im Zentrum einer gemeinsamen Machbarkeitsstudie von KI.SH und der Hela Gewürzwerk Hermann Laue GmbH. Ziel war es, zu prüfen, ob Künstliche Intelligenz dabei helfen kann, Rezepturen auf Basis ihrer semantischen Ähnlichkeit automatisch miteinander zu vergleichen und damit Prozesse effizienter zu gestalten.
Rezeptvielfalt als Herausforderung
Hela blickt auf über ein Jahrhundert Erfahrung in der Herstellung von Gewürzen, Marinaden und Saucen zurück. Dabei ist über die Jahre eine umfangreiche Rezeptdatenbank mit mehreren Tausend Einträgen entstanden, in denen neben Zutaten auch Produktionsschritte dokumentiert sind.
Die Fülle an Rezepturen bietet enormes Wissen, führt aber zugleich zu einem hohen organisatorischen Aufwand: Welche Rezepturen sind sich so ähnlich, dass sie vereinheitlicht werden könnten? Gibt es in der bestehenden Datenbank bereits eine Basis für eine neue Produktidee? Solche Fragen manuell zu beantworten, kostet Zeit und erschwert die Pflege der Rezeptdatenbank, insbesondere, wenn sich Varianten nur minimal unterscheiden.
Ziel: ein System für die semantische Rezeptsuche
Im Rahmen der Machbarkeitsstudie entwickelte das Projektteam von KI.SH, bestehend aus Keno Teppris, Thorleif Harder, Max Brede und Tobias Schwartz, ein Prototypsystem zur Bestimmung ähnlicher Rezepte. Anstatt nur nach identischen Begriffen zu suchen, sollte das System auch inhaltliche Zusammenhänge auf Basis der semantischen Bedeutung der Inhaltsstoffe und Produkteigenschaften wie Geschmack, Konsistenz und Aussehen erkennen. Dabei versteht die KI nicht nur exakte Wortübereinstimmungen, sondern auch semantische Zusammenhänge: Eine Gewürzmischung mit Meersalz sollte somit auch einer ähnlichen Gewürzmischung mit Himalaya-Salz zugeordnet werden können.
Dieser Ansatz unterstützt unter anderem die Reduktion von Varianten, da ähnliche Rezepturen zusammengeführt oder gemeinsam produziert werden könnten. Auch bei der Entwicklung neuer Produkte ließe sich schneller prüfen, ob ähnliche Rezepturen bereits existieren – eine wertvolle Hilfe für die Produktentwicklung und das Qualitätsmanagement.
Um solche Ähnlichkeiten abzubilden, kamen Methoden des Natural Language Processing (NLP) zum Einsatz. Die Textbeschreibungen der Rezepturen wurden in sogenannte semantische Vektoren (Embeddings) übersetzt, also Zahlenfolgen, die Bedeutungen abbilden. Je näher zwei Vektoren im Raum liegen, desto ähnlicher sind sich die entsprechenden Rezepttexte inhaltlich.
Von SAP-Daten zum intelligenten Dashboard
Die Rezeptdaten wurden zunächst aus dem SAP-System extrahiert und in ein für KI lesbares Format überführt. Anschließend testete das Team verschiedene Modellarchitekturen, darunter das QWEN-Embeddings-Modell sowie das ColBERT-Modell, ein sogenanntes Late Interaction Model, das semantische Feinheiten besonders gut erfassen kann.
Die Ergebnisse flossen in ein interaktives Dashboard ein. Dort konnte ein hochgeladenes Rezept direkt mit den ähnlichsten Rezepturen aus der Datenbank verglichen werden, inklusive Zutatenübersicht und zusätzlicher Produktmerkmale wie Geschmack, Konsistenz und Aussehen.
Prototyp überzeugt in der Praxis
Die Bewertung des Prototypen fiel positiv aus. Die semantische Ähnlichkeitssuche in Rezeptdaten ist technisch machbar und bereits in der vorliegenden Version nützlich einsetzbar. Obwohl noch Optimierungen in der Modellanpassung und im Labeling der Daten nötig sind, liefert das System bereits jetzt deutlich relevantere Ergebnisse als klassische Stichwortsuchen. Es hilft dabei, Rezeptvarianten schneller zu erkennen, Dopplungen zu vermeiden und automatisch passende Vorlagen für neue Produktideen oder -optimierungen vorzuschlagen.
KI-Ansatz mit Potenzial für weitere Branchen
Die Ergebnisse zeigen, dass sich der entwickelte Ansatz weit über die Lebensmittelbranche hinaus anwenden lässt. KI-basierte semantische Suchverfahren eröffnen neue Wege, um große Datenbestände intelligenter zu durchsuchen und bestehendes Wissen effizient zu nutzen – von Rezepturen über Stücklisten und Produktionsanweisungen bis hin zu Support-Anfragen und technischen Dokumentationen.
Hintergrund: Der Kontakt zwischen Hela und KI.SH entstand über das Innovationscluster FoodRegio und den Hanseatic Hackathon des Hanse Innovation Campus Lübeck (HIC). Ziel war es, reale Herausforderungen aus der Wirtschaft mit modernen KI-Methoden praktisch zu erproben und so Wege zur digitalen Wettbewerbsfähigkeit zu eröffnen.
