Dieses Projekt fokussiert die intelligente Lebensmittelnachverfolgbarkeit. Neuartige im Verpackungsdesign integrierte Sensoren unterstützen die gezielte Sammlung von relevanten Daten. Aktuelle Trends im maschinellen Lernen (ML) on the edge (Edge ML), d.h. die Analysen finden direkt am Ursprungort der Daten statt und nicht retrospektiv in der Cloud, ermöglichen Analysen in Echtzeit. Dadurch können auch Prognosen integriert werden, um bspw. kritische Zustände prädiktiv vorherzusehen anstatt kritische Zustände nur retrospektiv zu identifizieren. Da diese Analysen viel Rechenleistung benötigen, sind diese häufig energieintensiv. Ebenso ist die Abtastrate von Sensoren oftmals fixiert und es werden viele Daten unnötigerweise analysiert.
Der Nutzen dieser Projektidee lässt sich am besten anhand des Beispiels der Carrefour S.A. motivieren. Durch den Scan eines QR-Codes können Verbraucher in einer App die Daten aus dem Herstellungsprozess von der Produktion auf den Bauernhöfen bis zum Supermarkt einsehen. Dieses Beispiel zeigt den Nutzen der sensorbasierten Sammlung von Daten zur Nachverfolgbarkeit der Produkte, auch durch den Kunden. Anderseits zeigt sich hier auch das enorme, häufig nicht vollständig genutzte, Potential für Unternehmen. Die Daten werden zwar erhoben und gespeichert, aber häufig nicht in Echtzeit analysiert. Hier setzt dieses Projekt an mittels:
- Integration von bestehenden Ansätzen des ML für energieeffiziente, Edge-basierte Datenanalyse in der Food Supply Chain.
- Integration von Verfahren zur Erkennung der Volatilität von Datenströmen der Sensoren und Optimierung der Abtastrate zur Reduzierung der Datenmengen.
- Auswahl geeigneter existierender Technologien aus den Feldern Sensorik, Blockchain und Hardware für Edge ML zur Implementierung eines Prototyps.
Das primäre Ziel ist eine Studie über das Zusammenspiel der verschiedenen Technologien in der Lebensmittel-Lieferkette: smarte Sensoren zur Datenerzeugung, Blockchain-Technologie zur Datenspeicherung sowie Edge ML Technologie mit Algorithmen für maschinelles Lernen zur Echtzeitanalyse von Lebensmitteln. Dies schließt die Konzeption und den Aufbau eines Prototyps ein. Wir planen die Leistungsfähigkeit unseres Ansatzes zur Echtzeitanalyse bzgl. benötigter Energie sowie Reaktionszeit (d.h. die benötige Zeit, um Erkenntnisse aus Datenanalyse zur Verfügung zu stellen) zu untersuchen, insbesondere energiesparende Mini PCs (Rasberry Pi, Jetson Nano) mit Edge Computing Servern und Cloud Computing Systemen zu vergleichen. Zur Auswahl der ML Algorithmen werden wir einen Prozess zur Datenaufbereitung, zum Lernen und zur Evaluation des ML Modells definieren mit dessen Hilfe ein Vergleich diverser Algorithmen möglich ist. Durch adaptives Monitoring werden die gesammelten Datenmengen reduziert und die Datenanalyse effizienter durchführbar. Wir planen einen offenen Systementwurf mit definierten Schnittstellen, so dass Einzelkomponenten ausgetauscht werden können.
