Projekt zur Entwicklung
einer künstlichen Intelligenz für oenologische Technologie

Die Aromatik von Weinen ist komplex und so vielfältig, wie die Geschmäcker verschieden sind. Das Weinaroma hängt von den unterschiedlichsten Faktoren ab. Als Naturprodukt enthält Wein eine Vielzahl an aromarelevanten Stoffen in niedrigen bis hohen Konzentrationen. Kein Wein ist wie der andere. Gerade das macht Wein so besonders sowie in der Herstellung und Beurteilung so kritisch.

Umfassende objektive Aromaanalysen sind aktuell den großen Laboren vorbehalten. Die verbreitetste Methode ist hier Gaschromatographie in Verbindung mit Massenspektrometrie (GC-MS). Die entsprechenden Geräte sind nicht nur teuer und schwer zu bedienen, sie erfordern auch ausgeprägtes technisches Know-How und abstraktes Weinwissen.

Das Innovationsprojekt PINOT hat zum Ziel eine Technologie zur KI-gestützten Identifikation von Weinaromen zu entwickeln, die durch eine praxistaugliche, kostengünstige und einfach zu handhabende Lösung breiten Einsatz bei Winzern, Sommeliers und Händlern ermöglicht. Die zentrale Aufgabe dabei ist es, der humansensorischen Wahrnehmung möglichst nahe zu kommen. Durch die Kombination von Sensoren und Künstlicher Intelligenz sollen Systeme entstehen, die, ganz im Stile der Winzer und Sommeliers, aus der komplexen Mischung der aromagebenden Substanzen entscheidende Informationen extrahieren und auswerten. Dadurch entstehen Chancen für Produzent und Handel.

Das Projekt verfolgt zwei Anwendungen:

a) Analyse im Produktionsprozess:

Ziel ist hier ein Monitoring- und Frühwarnsystem, das den Winzer und Kellermeister dabei unterstützt, Gärprozesse in Echtzeit zu beobachten und das Entstehen potentieller Fehl-aromen, beispielsweise durch Schwefelwasserstoff, Essigsäure oder Methanol, frühzeitig zu erkennen. Das System sollte in der Lage sein, Konzentrationen noch unterhalb der Geruchsschwelle zu erkennen.

b) Qualitätsanalyse von Weinen:

Ziel ist hier ein System zur sensorischen Beschreibung von reifendem und abgefülltem Wein. Das System wird Aromabeschreibungen auf Basis von Sensordaten im Vokabular der menschlichen Sensorik ausgeben. Es umfasst außerdem eine Datenbank mit Aromaprofilen, die den Vergleich mit ähnlichen Weinen (Region, Jahrgang, Produzent) im Hinblick auf spezifische Kriterien erlaubt.

Für die Qualität von Weinen ist das Zusammenwirken der Aromastoffe und das Verhältnis der vorliegenden Konzentrationen zum jeweiligen Geruchsschwellenwert (Geruchsaktivitätswert) entscheidend. Es wird zunächst untersucht, inwieweit durch die Messung flüchtiger Substanzen und die Weiterverarbeitung der gewonnenen Sensorsignale mit Künstlicher Intelligenz ein technischer „Fingerabdruck“ generiert werden kann, der das resultierende Gesamtaroma repräsentiert.  Entscheidend sind hier die Auswahl und Entwicklung geeigneter Sensoren, die mit verschiedenen KI-Methoden evaluiert, analysiert und fusioniert werden. Evaluierung und Validierung werden sowohl unter kontrollierten Bedingungen an einer Gasmischanlage als auch unter realen Bedingungen durchgeführt. Zum Generieren einer hinreichend großen Datenbasis für das Training der KI wird ein System zur automatisierten Probenzuführung (Autosampler) verwendet.

Das Projekt PINOT verknüpft die menschliche Sinneswahrnehmung von Wein mit einer chemischen Analyse. Der menschliche Geschmackssinn dient als Vorlage und Ziel für die zu entwickelnde Technologie. Eine besondere Herausforderung des Projektes liegt in der Vorhersage der menschlichen Wahrnehmung von Weinaromen. Dafür wird eine Datenbank aufgebaut, für die ein qualifiziertes Panel sensorische Beschreibungen von Referenz-Weinen liefert, die mit Aroma-Profilen hinterlegt werden. Diese humansensorischen Daten werden mit weinchemischen Daten ergänzt. Die Sensor-Daten werden mit den Informationen zur menschlichen Wahrnehmung verknüpft und für das Training von KI-Algorithmen verwendet, welche die wahrgenommenen Aromen auf Basis der Sensor-Daten vorhersagen werden. Der Aufbau und die Arbeitsweise der Sensor-Systeme werden mittels KI-Algorithmen daraufhin optimiert, die für die Vorhersage relevanten Parameter zu erfassen.