Abgerufene Beispiele mit Lebensmittelwissen verbunden
Ein mit Lebensmittelwissen ausgestatteter KI-Agent sagte Härte und Kaubarkeit pflanzlicher Fleischalternativen mit niedrigeren Fehlern vorher als ein Verfahren, das nur ähnliche Trainingsbeispiele nutzte. Im kleinen Test ließen sich seine Ergebnisse statistisch nicht von Gradient Boosting unterscheiden, dem stärksten Modell des maschinellen Lernens im Vergleich. Yizhou Mas am 21. September 2026 in Current Research in Food Science veröffentlichte Studie verglich herkömmliches maschinelles Lernen, Beispielabruf mit inverser Distanzgewichtung und einen wissensgestützten Sprachmodellagenten.
Der Agent nutzte Claude Sonnet 4.6, drei nahe Trainingsbeispiele und eine manuell zusammengestellte Wissensbasis. Bei Fleischalternativen umfasste dieses Wissen feuchteabhängige Proteinnetzwerke, Unterschiede zwischen Proteinquellen, Faserverstärkung und die erweichende Wirkung von Fett. Der Autor beschreibt den Agenten als Modell, das externe Werkzeuge aufruft, und nicht als autonomes System mit mehrstufiger Planung.
Dreizehn Proben außerhalb des Trainingsbereichs
Der Texturdatensatz enthielt 54 Proben mit Angaben zu Protein, Fett, Kohlenhydraten, Ballaststoffen, Asche, Feuchte und Zielfeuchte. Die Studie nutzte 41 zum Training und hielt 13 für den Test zurück. Die Testgruppen enthielten Protein- und Faserzusammensetzungen außerhalb des Trainingsbereichs. Die mechanistischen Regeln wurden vor den Vorhersagen zusammengestellt; gemessene Testergebnisse blieben aus Training, Abruf und Prompts ausgeschlossen.
Der mittlere absolute Fehler des Agenten betrug 4,66 N für Härte und 4,45 J für Kaubarkeit. Härte bezeichnet eine Kraftspitze bei der Kompression, Kaubarkeit hingegen mechanische Energie. In gepaarten Bootstrap-Vergleichen mit Gradient Boosting schlossen die 95%-Konfidenzintervalle beider Fehlerdifferenzen null ein. Die Studie konnte die Methoden in diesem Test deshalb statistisch nicht unterscheiden. Gegenüber dem reinen Abruf berichtet der Autor für beide Zielgrößen signifikant niedrigere Fehler.
Ein weiterer Vergleich untersuchte Protein-Polysaccharid-Mischungen
Der zweite Datensatz betraf die Rheologie pflanzlicher Protein-Polysaccharid-Mischungen. Die Arbeit berichtet 246 Trainingsproben und 65 zurückgehaltene Proben. Zwei Beobachtungen mit ungewöhnlich niedrigen Spannungswerten wurden vor den Vorhersagen ausgeschlossen; alle Methoden wurden anhand derselben 63 Proben bewertet. Zielgrößen waren der Speichermodul G′ und die maximale Spannung bei 200% Dehnung. Sie betreffen das Verhalten bei kleinen beziehungsweise großen Verformungen.
Die Wissensbasis für Gele umfasste konzentrationsabhängige Festigung, Verdünnung des Netzwerks durch Feuchte, Unterschiede im Gelierverhalten von Proteinen, Protein-Polysaccharid-Netzwerke und die Sprödigkeit carrageenanreicher Systeme. Der Autor betont die Schwierigkeit, große Verformungen allein aus Zusammensetzungsmerkmalen vorherzusagen. Für die Unsicherheitsbewertung mechanisch komplexer Zielgrößen seien größere und repräsentativere Datensätze erforderlich.
Kleine Datensätze und fachliche Wissensaufbereitung begrenzen den Ansatz
Die Studie fragte das Sprachmodell einmal pro Probe mit einem festen strukturierten Prompt ab. Im Fleischalternativen-Vergleich der Anhangstabelle A1 näherte das Entfernen der mechanistischen Regeln die Fehler dem reinen Abruf an: Bei Härte lagen sie ohne Regeln bei 18,76 N, beim Abruf bei 18,78 N und beim vollständigen Agenten bei 4,66 N. Für Kaubarkeit betrugen die Fehler entsprechend 15,43 J, 15,62 J und 4,45 J.
Der Autor nennt als Einschränkung, dass nur zwei tabellarische Fallstudien und skalare Vorhersageziele untersucht wurden. Die Qualität des Agenten hängt vom hinterlegten Wissen ab; diese Umsetzung aktualisierte es nicht autonom. Neue Beobachtungen mussten manuell ergänzt werden. Die Arbeit fordert Forschung zum kontinuierlichen Lernen sowie weitere Tests mit unterschiedlichen Lebensmittelsystemen, Verarbeitungsbedingungen und mechanischen Zielgrößen, um die Übertragbarkeit zu prüfen.
-
Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures ↗
Current Research in Food Science · CC-BY-4.0 ↗. Yizhou Ma (2026). Comparing AI agents and machine learning for predicting mechanical and rheological properties of dense food structures. Current Research in Food Science 13, 101578. Published 21 September 2026. DOI:10.1016/j.crfs.2026.101578. Copyright The Author 2026. CC BY 4.0. Editorial adaptation and translation: FoodRadar. Von FoodRadar übersetzt und bearbeitet.