kida4bmel/oil
Verfälschungen von Ölen wie Kaktussamenöl erfordern zuverlässige Authentifizierungsmethoden. Diese Studie kombiniert Analysedaten aus Fettsäuren, Triacylglycerinen und Tocochromanolen mit Datensimulationen und Machine-Learning-Modellen. Monte-Carlo-Simulationen erzeugten neue Datensätze für Random-Forest-Modelle und neuronale Netzwerke zur Erkennung von Verfälschungen mit Sonnenblumenöl. Der Random Forest erreichte 94 % Genauigkeit bei simulierten und 90 % bei echten Proben sowie eine Nachweisgr
- Behörde
- Max Rubner-Institut, Bundesforschungsinstitut für Ernährung und Lebensmittel
- Verwaltungsebene
- Bund
- Ressort
- Bundesministerium für Landwirtschaft, Ernährung und Heimat
- Risikoeinordnung
- Minimales RisikoSelbstauskunft im MaKI-Profil, keine i6eal-Bewertung
- KI-Methode
- Machine Learning
- Einsatzbereich
- Forschung
Veröffentlicht, geplant oder offen
Die Matrix trennt veröffentlichte Angaben, geplante Prüfungen, nicht erforderliche Angaben und unbekannte Felder. Es gibt bewusst keinen Gesamtscore.
Betroffene Gruppen und Risikomaßnahmen
- Betroffene Gruppen
- Öffentlichkeit in bestimmten Angelegenheiten
- Risikomaßnahmen
- Sofortige Aussetzung oder Deaktivierung des KI-Systems
- Beschriebene Schadensrisiken
- Nicht erforderlich
Projekt- und Veröffentlichungsdaten
Diese Daten stammen aus dem aktuellen MaKI-Profil. Sie sind keine i6eal-Beobachtungshistorie.
- Projektstart
- Erstmals veröffentlicht
- Zuletzt veröffentlicht
Beobachtungschronik
Dieses Profil wird seit 19. Juli 2026 beobachtet. Quellseitige Projekt- und Publikationsdaten bleiben davon getrennt.
Profil geändert - Dates LastPublished
- 2025-10-29T20:46:25.000Z→2026-08-25T08:06:50.000Z
- Dates SourceLastChanged
- 2025-09-08T09:15:19.000Z→2026-08-24T14:59:27.000Z
- Description Short
- Geändert; Wert wird nicht erneut veröffentlicht→Geändert; Wert wird nicht erneut veröffentlicht