Seit Jahrzehnten wird die Qualität von Frischwaren weniger durch wissenschaftliche Erkenntnisse als vielmehr durch subjektive Interpretationen bestimmt. Die Käufer legen die Maßstäbe fest, die Erzeuger versuchen, diese zu erfüllen, und in der Kluft zwischen beiden entstehen Streitigkeiten. Diese Kluft wird zunehmend von KI-Systemen ins Visier genommen, die darauf ausgelegt sind, subjektive Beurteilungen in etwas zu verwandeln, das messbaren, gemeinsamen Standards näherkommt.
© GoMicro AI
Laut Dr. Sivam Krish, Gründer von GoMicro AI, steht im Zentrum dieses Wandels eine einfache Idee: Käufer entscheiden bereits, wie „gut" aussieht. Wenn man KI also anhand von Bildern trainiert, die gute und schlechte Qualität sowie spezifische Mängel widerspiegeln, kann sie Produkte über die gesamte Lieferkette hinweg einheitlich bewerten.
„Das einzige Problem ist die subjektive Bewertung", sagt Krish. „Der Verkäufer, der Landwirt, hält seine Ware für gut, sie gelangt auf die andere Seite, dort wird sie aus verschiedenen Gründen als schlecht eingestuft … und es gibt keine Möglichkeit, dieses Problem zu lösen, da auf der anderen Seite ein anderer Mensch sie subjektiv bewertet."
Diese Subjektivität hat finanzielle Nachteile zur Folge. Bei Ablehnungen auf der Käuferseite müssen die Erzeuger oft den Verlust tragen, ohne das Ergebnis wirklich anfechten zu können. Wenn die Produkte zurückgewiesen werden, haben sie möglicherweise nur noch begrenzte Verwendungsmöglichkeiten, was zu Preisnachlässen, Abschreibungen oder Verschwendung führt. Auf diese Weise wirkt sich die Subjektivität bei der Qualitätskontrolle wie eine Art „Steuer" auf die Lieferkette aus, da uneinheitliche Bewertungen in jedem Schritt versteckte Kosten verursachen.
Die Möglichkeit, bereits früh in der Lieferkette einen einheitlichen Standard anzuwenden, verspricht jedoch, dass Produkte für andere Verwendungszwecke umgeleitet werden können, anstatt dass sie abgelehnt und in manchen Fällen verschwendet werden.
© GoMicro AI
Was sich mit KI ändert, ist nicht nur die Automatisierung, sondern auch die Vereinheitlichung. Anstatt sich auf mehrere menschliche Prüfer an verschiedenen Punkten der Kette zu verlassen – von denen jeder ein leicht abweichendes Urteil fällt –, können Systeme darauf trainiert werden, einen einzigen, einheitlichen Standard zu reproduzieren.
„Wir replizieren das Urteil eines einzigen Menschen", sagt Krish. „Und dieses Urteil kann dann in der gesamten Kette angewendet werden. Es nützt nichts, wenn der Erzeuger sagt, es sei gut; der Käufer muss sagen, es sei gut."
In der Praxis beseitigt dies einen Großteil der Unklarheiten, die zu Streitigkeiten führen. Wenn sowohl Versender als auch Empfänger anhand desselben Modells bewerten, das auf derselben Qualitätsdefinition trainiert wurde, verlagern sich Meinungsverschiedenheiten von subjektiven Einschätzungen hin zu überprüfbaren Unterschieden – oder verschwinden ganz.
Für Erzeuger ergeben sich sofortige Kostenvorteile. Die Bewertung der Früchte nach dem Standard des Käufers, bevor sie das Verpackungslager verlassen, verringert das Risiko einer Ablehnung und die damit verbundenen Fracht-, Umschlag- und Entsorgungskosten. Außerdem kann das Produkt so früher umgeleitet werden.
„Der Versender weiß auch: Okay, wenn ich das verschicke … wird es sowieso abgelehnt, weil sie es so beurteilen", sagt Krish.
Diese Fähigkeit, Entscheidungen im Vorfeld zu treffen, ist bei verderblichen Produkten wie Beeren und Blattgemüse entscheidend, bei denen Verzögerungen den Wert schnell mindern. Anstatt grenzwertige Produkte in hochwertige Einzelhandelskanäle zu liefern, können Erzeuger sie der Verarbeitung oder Märkten mit geringeren Qualitätsanforderungen zuweisen und so Margen sichern, die sonst verloren gingen.
Die technische Hürde war bisher die Genauigkeit, insbesondere bei Obst und Gemüse, wo Mängel subtil oder verdeckt sind. „Wenn die Mängel offensichtlich sind, ist es machbar", sagt Krish. „Aber wenn sie subtil sind, ist es schwierig." Dazu gehören Probleme wie Verunreinigungen durch Blatt-an-Blatt-Kontakt bei Spinat oder leichte Druckstellen bei Erdbeeren.
© GoMicro AI
„Was wir geknackt haben, ist die Fähigkeit, sehr subtile Mängel zu erkennen, sogar solche, die mit bloßem Auge schwer zu erkennen sind", sagt er und fügt hinzu, dass die Systeme Produkte auch dann bewerten können, wenn sich die Artikel überlappen – eine seit langem bestehende Einschränkung bei der automatisierten Sortierung.
Entscheidend ist, dass der Ansatz nicht von einem einzigen universellen Standard abhängt. Stattdessen kann die KI anhand von Beispielsätzen schnell auf spezifische Käuferpräferenzen trainiert werden, wodurch subjektive Beurteilungen effektiv digitalisiert werden.
„So funktioniert das Modell: Man gibt ihm Bildbeispiele, die zeigen, was gute Qualität ist … was wirklich schlecht ist … und das Modell lernt, diese originalgetreu nachzubilden. Auf diese Weise kann man Kategorien erstellen", sagt Krish.
In einer Branche, die von biologischer Variabilität und sich wandelnden Erwartungen geprägt ist, entsteht so ein gemeinsamer, transparenter Rahmen, der Reibungsverluste verringert, Verschwendung reduziert und die versteckten Kosten von Meinungsverschiedenheiten senkt – indem subjektive Entscheidungen durch konsistente, wiederholbare Bewertungen ersetzt werden.
Weitere Informationen:
Kristie Dutt
GoMicro AI
https://gomicro.ai/
[email protected]
