Maschinelles Lernen in der optischen Spektroskopie: Mehr als nur ein Hilfsmittel?
Automatisierung, Digitalisierung und KI sind zentrale Herausforderungen für Unternehmen in der Lebensmittelwirtschaft und Biotechnologie. In der Zusammenarbeit mit dem ecoplus Technopol Tulln und dem ecoplus Lebensmittel Cluster Niederösterreich entsteht ein Umfeld, in dem wissenschaftliche Expertise, unternehmerische Fragestellungen und zukunftsrelevante Themen wie Datenanalyse, KI und Lebensmittelsicherheit gezielt miteinander verknüpft werden. Dadurch werden Impulse gesetzt, die sowohl den Forschungsstandort stärken als auch den Wissens- und Technologietransfer in die Wirtschaft unterstützen. Ein bedeutender Player ist dabei die FHWN Biotech Campus Tulln, die in ihrer Arbeit zeigt, wie Forschung, Ausbildung und anwendungsorientierte Innovation in Tulln zusammenwirken.
Im Bereich der optischen Spektroskopie beschäftigen sich die FHWN Biotech Campus Tulln zunehmend mit der Frage, wie KI und maschinelles Lernen genutzt werden können, um aus komplexen Messdaten mehr Information zu gewinnen. Dabei ist maschinelles Lernen nicht einfach ein Ersatz für klassische Auswertemethoden, sondern ein Werkzeug, das besonders dann Vorteile bringt, wenn Zusammenhänge nichtlinear sind oder wenn eine robuste Klassifikation, Regression bzw. Vorhersage gefragt ist. Der Weg zum belastbaren Modell beginnt jedoch nicht beim Algorithmus, sondern bereits bei der Versuchsdurchführung: sauberes Experimental Design, sinnvolle Probenwahl, Preprocessing, Modelltraining und unabhängiger Validierung. Gerade bei (oftmals) kleinen Datensätzen und hierarchisch aufgebauten Daten ist die Qualität der unabhängigen Testproben entscheidend.
Im Vergleich zu klassischen multivariaten Verfahren wie der PCA (Hauptkomponentenanalyse) zur Klassifikation oder PLS (Partial Least Squares) zur Regression können maschinelle Lernverfahren in vielen Fällen bessere Ergebnisse in der analytischen Vorhersage oder Klassifikation erzielen. Gleichzeitig gilt: Gute Daten bleiben die Grundlage jeder Modellierung. Preprocessing kann Artefakte und Störeinflüsse reduzieren, aber aus ungeeigneten oder schlecht ausgewählten Proben werden dadurch keine verlässlichen Daten. Deshalb sind Fragen wie Balanced versus Imbalanced Datasets, passende Qualitätsmetriken, eine saubere Validierungsstrategie und die Vermeidung von Over- und Underfitting durch die Wahl geeigneter Modelle bzw. Parameter zentral. Weiters braucht es für eine realistische Einschätzung der Modellgüte unabhängige Testdaten. Ein weiterer wichtiger Punkt ist die Interpretierbarkeit der etablierten Modelle. Gerade in wissenschaftlichen und angewandten Kontexten wollen wir keine Black Box, sondern Ergebnisse, die sich biologisch oder technisch einordnen lassen. Deshalb gewinnt Explainable AI (XAI – erkläre KI) auch in der Spektroskopie an Bedeutung. XAI hilft dabei, Vorhersagen nachvollziehbar zu machen und Modelle kritisch zu hinterfragen, statt sich nur auf hohe Kennzahlen zu verlassen.
Die FHWN Biotech Campus Tulln setzt diese Ansätze bereits in verschiedenen Projekten um. Im Krebsforschungsprojekt RaDiaM wurden unterschiedliche Klassifikationsalgorithmen verglichen und gezeigt, wie wichtig die Wahl der Validierungsart für die Bewertung von Modellen ist. Gleichzeitig spielt Interpretierbarkeit eine zentrale Rolle, damit die Ergebnisse nicht nur statistisch gut, sondern auch biologisch sinnvoll sind. Im Josef Ressel Zentrum für Textilrecycling (ReSTex) wurden im Kontext der Analyse von Cotton/Polyester-Blends mittels NIR-Spektroskopie verschiedene Regressionsalgorithmen zur Vorhersage des Baumwollgehalts mit PLS verglichen. Solche Projekte zeigen, dass maschinelles Lernen in der Spektroskopie konkrete Vorteile bringen kann, wenn es kompetent und kritisch eingesetzt wird.
Aktuell werden die gewonnenen Erkenntnisse auch in einem Projekt zur Untersuchung abiotischer Stressfaktoren in Nutzpflanzen angewandt. Dabei kommen optische Spektroskopie als schnelle Methode und Proteomics als Referenzanalytik zum Einsatz. Ziel ist es, molekulare Mechanismen besser zu verstehen und damit einen Beitrag zur Lebensmittel- und Futtermittelsicherheit zu leisten. So wird deutlich: KI ist in der optischen Spektroskopie weit mehr als nur ein Hilfsmittel - sie ist dann besonders wertvoll, wenn sie mit guter Datenqualität, sauberer Validierung und biologischer Interpretation verbunden wird.
Auch in der Lehre spiegeln sich diese Themen wider: Die Studienschwerpunkte am Biotech Campus Tulln umfassen unter anderem Methodenentwicklung, moderne Datenanalyse, Bioanalytik und datengetriebene Auswertestrategien. Damit werden Studierende früh an die kompetente Nutzung von KI, die Interpretation komplexer Messdaten und den praktischen Einsatz analytischer Methoden herangeführt.
Gerade an der Schnittstelle von Forschung, Technologie und wirtschaftlicher Anwendung wird deutlich, welches Potenzial in einer starken regionalen Vernetzung liegt. Die enge Anbindung an den ecoplus Technopol Tulln und den ecoplus Lebensmittel Cluster Niederösterreich trägt dazu bei, wissenschaftliche Erkenntnisse in konkrete Anwendungen zu überführen, Kooperationen zwischen Forschung und Unternehmen zu fördern und damit nachhaltige Innovationsprozesse, gerade auch im Bereich KI, in Niederösterreich aktiv mitzugestalten.