Jacob Hamann, Louisa Wiethold

Die Integration von KI in die zelluläre Landwirtschaft ist entscheidend für die Effizienzsteigerung und Skalierung des Prozesses:

• Prozessoptimierung:
  KI-Modelle können genutzt werden, um optimale Wachstumsbedingungen wie Temperatur, pH-Wert und Nährstoffzusammensetzung zu bestimmen.
• Datenanalyse:
  Durch die Auswertung großer Datenmengen (Big Data) kann KI Muster erkennen und Vorhersagen treffen, die zur Verbesserung der Produktqualität und der Prozesseffizienz beitragen.
• Automatisierung:
  KI-gesteuerte Robotik kann zur Überwachung und Steuerung der Zellkulturprozesse eingesetzt werden, was die Konsistenz und Skalierbarkeit verbessert.
• Genetische Analyse und Modifikation:
  KI kann bei der Analyse und Modifikation genetischer Daten helfen, um optimale Zelllinien für die Produktion zu entwickeln, die verbesserte Eigenschaften wie Wachstumsrate oder Nährstoffgehalt aufweisen.
• Qualitätssicherung:
  KI-Systeme können für die Überwachung der Produktqualität eingesetzt werden, um Konsistenz und Sicherheit zu gewährleisten.

[1] Bhat ZF, Kumar S & Fayaz H. (2015) In vitro meat production: Challenges and benefits over conventional meat production. Journal of Integrative Agriculture 14(2): 241-248.
[2] Tuomisto HL & Teixeira de Mattos MJ (2011) Environmental impacts of cultured meat production. Environmental Science and Technology 45(14):6117-23.
[3] [Link]
[4]  Krautwirth R. Will Lab-Grown Meat Find Its Way to Your Table? YU Observer (2018). Available online at: [Link] (accessed 19 February 2023).
[5] [Link]

Die Integration von KI in den 3D-Druck von Lebensmitteln spielt eine Schlüsselrolle bei der Verbesserung von Effizienz, Personalisierung und kreativer Gestaltung:

• Designoptimierung:
  KI kann dabei helfen, komplexe Designs zu erstellen und zu optimieren, um sicherzustellen, dass sie nicht nur ästhetisch ansprechend, sondern auch druckbar sind.
• Personalisierte Ernährung:
  KI-Systeme können individuelle Ernährungsbedürfnisse und Präferenzen analysieren, um maßgeschneiderte Lebensmittel zu erstellen, die auf spezifische gesundheitliche Anforderungen oder Geschmacksvorlieben abgestimmt sind.
• Prozessautomatisierung:
  KI kann den Druckprozess automatisieren und anpassen, um Konsistenz und Qualität der gedruckten Lebensmittel zu gewährleisten.
• Qualitätskontrolle:
  KI kann in Echtzeit Daten über den Druckprozess analysieren, um Fehler frühzeitig zu erkennen und Korrekturen vorzunehmen, was die Erfolgsrate und Qualität verbessert.

[1] Sylvester Mantihal, Rovina Kobun, Boon-Beng Lee, 3D food printing of as the new way of preparing food: A review,International Journal of Gastronomy and Food Science,Volume 22,2020,100260, [Link]
[2] Applications of 3D Printing in Food Processing,N. Nachal & J. A. Moses & P. Karthik & C. Anandharamakrishnan,Food Engineering Reviews (2019) 11:123–141, [Link]
[3] Future Outlook of 3D Food Printing ,Sangeeta Prakash, Bhesh R. Bhandari, Fernanda C. Godoi, Min Zhang, Fundamentals of 3D Food Printing and Applications,2019, Pages 373-38, [Link]
[4] Zhong L, Lewis JR, Sim M, Bondonno CP, Wahlqvist ML, Mugera A, Purchase S, Siddique KHM, Considine MJ, Johnson SK, Devine A, Hodgson JM. Three-dimensional food printing: its readiness for a food and nutrition insecure world. Proc Nutr Soc. 2023 May 15:1-10. doi: 10.1017/S0029665123003002

• Datenanalyse und Genom-Interpretation:
  KI kann riesige Mengen genetischer Daten analysieren, um Muster zu erkennen und die Funktionen spezifischer Gene zu verstehen. Diese Erkenntnisse sind für zielgerichtete genetische Veränderungen entscheidend.
• Vorhersagemodelle:
  KI-Modelle können vorhersagen, wie bestimmte genetische Modifikationen das Wachstum und die Eigenschaften eines Organismus beeinflussen werden. Dies erhöht die Effizienz und verringert das Risiko unerwünschter Nebeneffekte.
• Automatisierung und Präzision:
  KI-gesteuerte Robotik kann genetische Experimente mit höherer Präzision und Wiederholbarkeit durchführen, was zu zuverlässigeren Ergebnissen führt.
• Personalisierte Ernährung:
  Durch die Kombination von Gen-Engineering und KI-Analytik können Lebensmittel entwickelt werden, die auf individuelle Ernährungsbedürfnisse zugeschnitten sind.
• Nachhaltigkeitsbewertungen:
  KI kann dabei helfen, die ökologischen Auswirkungen genetisch veränderter Organismen (GVOs) zu bewerten und nachhaltigere Anbaupraktiken zu entwickeln.

[1] Squire, H.J., Tomatz, S., Voke, E. et al. The emerging role of nanotechnology in plant genetic engineering. Nat Rev Bioeng 1, 314–328 (2023). [Link]
[2] Demirer, G.S., Silva, T.N., Jackson, C.T. et al. Nanotechnology to advance CRISPR–Cas genetic engineering of plants. Nat. Nanotechnol. 16, 243–250 (2021). [Link]
[3] Recent advances in plant genetic engineering and innovative applications,Front. Plant Sci., 19 October 2022
Sec. Technical Advances in Plant Science
Volume 13 - 2022 | [Link]

• Datenanalyse und Mustererkennung:
  KI-Systeme sind in der Lage, große Mengen an Gesundheits- und Lebensstildaten zu analysieren und Muster zu erkennen, die für die Ernährungsberatung relevant sind.
• Individuelle Ernährungsempfehlungen:
  Basierend auf den gesammelten Daten kann KI personalisierte Ernährungspläne erstellen, die auf die spezifischen Bedürfnisse und Ziele des Einzelnen zugeschnitten sind.
• Integration von Echtzeit-Feedback:
  KI-Systeme können kontinuierliches Feedback von Nutzern integrieren, um Ernährungspläne dynamisch anzupassen und zu optimieren.
• Vorhersagemodelle für Gesundheitsrisiken:
  Durch die Analyse genetischer und Lebensstildaten kann KI potenzielle Gesundheitsrisiken vorhersagen und präventive Ernährungsempfehlungen geben.
• Automatisierte Überwachung und Anpassung:
  KI kann Veränderungen im Gesundheitszustand des Nutzers überwachen und Ernährungsempfehlungen entsprechend anpassen.

[1] Torres N, Tovar AR. THE PRESENT AND FUTURE OF PERSONALIZED NUTRITION. Rev Invest Clin. 2021;73(5):321-325. doi: 10.24875/RIC.21000346. PMID: 34609363.
[2] [Link]
[3] Daniela Braconi, Vittoria Cicaloni, Ottavia Spiga, Annalisa Santucci,Chapter 1 - An Introduction to Personalized Nutrition,Editor(s): Charis M. Galanakis,Trends in Personalized Nutrition,AcademicPress,2019,Pages3-32, https://doi.org/10.1016/B978-0-12-816403-7.00001-5.

• Datenanalyse und Optimierung:
  KI-Systeme können große Datenmengen aus verschiedenen Quellen analysieren, um effiziente Recycling-Methoden zu identifizieren und Prozesse zu optimieren.
• Vorhersagemodelle:
  KI kann Vorhersagen darüber treffen, welche Arten von Abfällen und in welchen Mengen anfallen werden, was eine bessere Planung und Nutzung der Recyclingkapazitäten ermöglicht.
• Automatisierung von Prozessen:
  KI-gesteuerte Maschinen können bei der Sortierung, Verarbeitung und Umwandlung von Abfällen eingesetzt werden, um Effizienz und Konsistenz zu erhöhen.
• Überwachung von Nährstoffkreisläufen:
  KI kann dazu beitragen, Nährstoffflüsse zu überwachen und sicherzustellen, dass die zurückgeführten Nährstoffe optimal für das Pflanzenwachstum genutzt werden.
• Integration in Smart Farming:
  Im Kontext von Smart Farming kann KI das Nährstoffrecycling mit anderen nachhaltigen Praktiken verbinden, um eine ganzheitliche Optimierung der landwirtschaftlichen Produktion zu erreichen.

[1] [Link]
[2] . Javourez, M. O’Donohue, L. Hamelin,Waste-to-nutrition: a review of current and emerging conversion pathways,Biotechnology Advances,Volume 53,2021,107857,,
[Link]
[3] FOOD WASTE MANAGEMENT STRATEGIES IN FOOD SUPPLY CHAIN,Aijaz Hussain Soomro Nida Shaikh Tahseen Fatima Miano Tahseen Fatima Miano,Dileep Kumar, August 2021International Journal of Ecosystems and Ecology Science (IJEES) 11(4):759-766, DOI: 10.31407/ijees11.413

• Optimierung von Wachstumsbedingungen:
  KI-Systeme können Umgebungsbedingungen wie Beleuchtung, Temperatur und Feuchtigkeit analysieren und anpassen, um das Pflanzenwachstum zu optimieren.
• Datenanalyse und -management:
  Durch die Analyse von Daten aus verschiedenen Quellen kann KI Muster erkennen und Empfehlungen für effiziente Anbaumethoden und Ressourcennutzung geben.
• Automatisierung und Präzisionslandwirtschaft:
  KI-gesteuerte Robotik kann für präzise Aufgaben wie Aussaat, Bewässerung und Ernte eingesetzt werden, um die Effizienz zu steigern und menschliche Fehler zu reduzieren.
• Vorhersage und Krankheitsmanagement:
  KI-Modelle können das Auftreten von Krankheiten und Schädlingen vorhersagen und präventive Maßnahmen vorschlagen, um den Einsatz von Pestiziden zu minimieren.
• Echtzeit-Überwachung und Feedback-Systeme:
  KI-Systeme ermöglichen eine kontinuierliche Überwachung der Pflanzengesundheit und können Anpassungen in Echtzeit vornehmen, um optimale Wachstumsbedingungen zu gewährleisten.

[1] Epting, Shane. "Participatory budgeting and vertical agriculture: A thought experiment in food system reform." Journal of Agricultural and Environmental Ethics 29 (2016): 737-748.
[2] Belista, Francis Carl L., et al. "A smart aeroponic tailored for IoT vertical agriculture using network connected modular environmental chambers." 2018 IEEE 10th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM). IEEE, 2018.
[3] Arcas-Pilz, Verónica, et al. "Improving the fertigation of soilless urban vertical agriculture through the combination of struvite and rhizobia inoculation in Phaseolus vulgaris." Frontiers in Plant science 12 (2021): 952.
[4] Ahlström, Lina, and Mostafa Zahra. "Integrating a greenhouse in an urban area. Exploring how urban industrial vertical agriculture can be integrated in Göteborg, Sweden." (2012).

• Datenanalyse und -interpretation:
  KI-Systeme analysieren die von Sensoren gesammelten Daten, um Muster zu erkennen und optimale Anbaustrategien zu entwickeln.
• Entscheidungsfindung:
  Auf Basis der Datenanalyse trifft die KI Entscheidungen über Bewässerung, Düngung, Schädlingsbekämpfung und Erntezeitpunkte.
• Automatisierung von Prozessen:
  KI ermöglicht die Automatisierung komplexer landwirtschaftlicher Prozesse, indem sie die Steuerung von Maschinen und Ausrüstungen übernimmt.
• Vorhersagemodelle:
  KI kann zukünftige Entwicklungen wie Wetterveränderungen, Schädlingsbefall oder Ertragsprognosen vorhersagen, um präventive Maßnahmen zu ergreifen.
• Optimierung des Ressourceneinsatzes:
  Durch präzise Steuerung und Überwachung kann KI helfen, den Verbrauch von Wasser, Düngemitteln und Energie zu minimieren.

[1] Tobias, Silvia, et al. "Kreislaufwirtschaft im Bodenverbrauch: Ein richtiger Weg zur nachhaltigen Bodennutzung." (2016): 91-106. [Link]
[2] Duque-Acevedo, Mónica, et al. "The management of agricultural waste biomass in the framework of circular economy and bioeconomy: An opportunity for greenhouse agriculture in Southeast Spain." Agronomy 10.4 (2020): 489.
[3] Ali, Zain Anwar, et al. "Contributions of artificial intelligence for circular economy transition leading toward sustainability: an explorative study in agriculture and food industries of Pakistan." Environment, Development and Sustainability (2023): 1-45.
[4] Yang, Mingyu, et al. "Circular economy strategies for combating climate change and other environmental issues." Environmental Chemistry Letters 21.1 (2023): 55-80.

• Überwachung und Steuerung des Systems:
  KI-gesteuerte Sensoren können Wasserqualität, Nährstoffgehalte, Temperatur und andere wichtige Parameter überwachen und automatisch anpassen.
• Datenanalyse für optimale Bedingungen:
  KI analysiert die gesammelten Daten, um die idealen Wachstumsbedingungen für Fische und Pflanzen zu ermitteln und die Systemeffizienz zu maximieren.
• Vorhersagemodelle:
  KI kann zukünftige Trends in Bezug auf Fischgesundheit, Pflanzenwachstum und Ressourcenbedarf prognostizieren, um proaktive Anpassungen vorzunehmen.
• Automatisierte Fütterungs- und Bewässerungssysteme:
  KI-gesteuerte Systeme können die Fütterung der Fische und die Bewässerung der Pflanzen optimieren, um Ressourcenverschwendung zu minimieren.
• Nachhaltigkeitsbewertungen:
  KI hilft bei der Bewertung der Nachhaltigkeit des Systems, indem sie Faktoren wie Energieverbrauch, Wassernutzung und Umweltauswirkungen analysiert.

[1] Taji, Khaoula, et al. "Review on architectures of aquaponic systems based on the Internet of Things and artificial intelligence: Comparative study." Proceedings of the 4th International Conference on Networking, Information Systems & Security. 2021. Schröter, Iris, et al. "Kenntnisse über Aquaponik und Zahlungsbereitschaft für Fisch nach dem Besuch einer Polykulturanlage mit Aquaponik." J Agric Environ Ethics 19.2 (2017): 169-194. [Link]
[2] Morgenstern, Rolf, et al. "Pilotstudie “Nachhaltige Aquaponik-Erzeugung für Nordrhein-Westfalen.”. Fachhochschule Südwestfalen, Soest (2017).
[Link]
[3] Yep, Brandon, and Youbin Zheng. "Aquaponic trends and challenges–A review." Journal of Cleaner Production 228 (2019): 1586-1599.
[4] Tyson, Richard V., Danielle D. Treadwell, and Eric H. Simonne. "Opportunities and challenges to sustainability in aquaponic systems." HortTechnology 21.1 (2011): 6-13.
[5]  Schröter, Iris, et al. "Kenntnisse über Aquaponik und Zahlungsbereitschaft für Fisch nach dem Besuch einer Polykulturanlage mit Aquaponik." J Agric Environ Ethics 19.2 (2017): 169-194. [Link]

• Datenanalyse für effiziente Routenplanung:
  KI kann Verkehrsmuster und andere relevante Daten analysieren, um die effizientesten Transportrouten und -zeiten zu bestimmen.
• Vorhersage von Nachfrage und Angebot:
  KI-Modelle können Nachfragetrends und Angebotsschwankungen prognostizieren, um Überproduktion und Verschwendung zu reduzieren.
• Automatisierte Lagerverwaltung:
  KI-gesteuerte Systeme können Lagerbestände überwachen und verwalten, um die Frische zu gewährleisten und Verderb zu vermeiden.
• Optimierung des Liefernetzwerks:
  KI kann helfen, Liefernetzwerke zu optimieren, um eine schnelle und effiziente Verteilung zu gewährleisten und gleichzeitig den ökologischen Fußabdruck zu minimieren.
• Personalisierte Distribution:
  KI ermöglicht es, Lieferungen basierend auf individuellen Kundenpräferenzen und Kaufmustern zu personalisieren.

[1] Seghezzi, Arianna, and Riccardo Mangiaracina. "On-demand food delivery: investigating the economic performances." International journal of retail & distribution management 49.4 (2021): 531-549.
[2] Kollia, Ilianna, Jack Stevenson, and Stefanos Kollias. "Ai-enabled efficient and safe food supply chain." Electronics 10.11 (2021): 1223.
[3] Gläß, Rainer. Künstliche Intelligenz im Handel 1–Überblick. Springer Fachmedien Wiesbaden, 2018.
[4] Gläß, Rainer. Künstliche Intelligenz im Handel 2–Anwendungen: Effizienz erhöhen und Kunden gewinnen. Springer-Verlag, 2018.