Der Abschluss- und Synthesebericht fasst die übergeordneten Erkenntnisse einer Untersuchung der Umweltauswirkungen in den Lieferketten ausgewählter deutscher Branchen zusammen: Automobilindustrie, des Maschinenbaus, der Elektronikindustrie, der chemisch-pharmazeutische Industrie, der lebensmittelverarbeitende Industrie, des Bausektors und der metallerzeugenden und -verarbeitende Industrie. Deutlich wird, dass negative Umweltauswirkungen zumeist auf den tieferen Lieferkettenstufen auftreten. Aber auch bei direkten Lieferanten können Unternehmen bereits signifikante Verbesserungspotenziale heben. Dem Bericht liegen sieben Studien zugrunde, die genauere Einblicke in die Lieferketten der jeweiligen Branchen geben und Unternehmen bei der Ermittlung und Bewertung von Umweltauswirkungen unterstützen. Veröffentlicht in Texte | 74/2025.
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
| Origin | Count |
|---|---|
| Bund | 804 |
| Land | 38 |
| Wissenschaft | 1 |
| Zivilgesellschaft | 2 |
| Type | Count |
|---|---|
| Chemische Verbindung | 56 |
| Daten und Messstellen | 1 |
| Ereignis | 5 |
| Förderprogramm | 553 |
| Software | 2 |
| Text | 163 |
| unbekannt | 63 |
| License | Count |
|---|---|
| geschlossen | 281 |
| offen | 556 |
| unbekannt | 4 |
| Language | Count |
|---|---|
| Deutsch | 722 |
| Englisch | 194 |
| andere | 1 |
| Resource type | Count |
|---|---|
| Archiv | 2 |
| Bild | 3 |
| Datei | 6 |
| Dokument | 85 |
| Keine | 490 |
| Unbekannt | 3 |
| Webseite | 302 |
| Topic | Count |
|---|---|
| Boden | 515 |
| Lebewesen und Lebensräume | 478 |
| Luft | 429 |
| Mensch und Umwelt | 841 |
| Wasser | 331 |
| Weitere | 702 |