English
Bibtex
Cite as text
@Article{Köters+Schürmeyer+Prange,
Cite-key = "Köters2024Nac",
Year= "2024",
Number= "1",
Volume= "Industry 4.0 Science 40",
Pages= "70-75",
Journal = "Industry 4.0 Science",
Title= "Nachhaltige Lebensmittellieferketten durch Künstliche Intelligenz – Konzeptionelle Visualisierung am Beispiel von Puten zur Förderung von Tierwohl und Lebensmittelqualität",
Author= "Corinna Köters, Hochschule Niederrhein und Universität Witten/Herdecke, Maik Schürmeyer, Hochschule Niederrhein, Alexander Prange, Hochschule Niederrhein und Universität Witten/Herdecke",
Doi= "https://doi.org/10.30844/I4SD.24.1.70",
Abstract= "Das Konzept visualisiert eine nachhaltige Lebensmittellieferkette durch
den Einsatz von Künstlicher Intelligenz am Beispiel von Puten zur Förderung
von Tierwohl und Lebensmittelqualität. Als Treiber wird der „Technology
Push“ durch Künstliche Intelligenz entlang der Lebensmittellieferkette
identifiziert. Im „Market Pull“ wird deutlich, dass Stakeholder Transparenz
und Vermeidung von Lebensmittelverschwendung fordern. Im Fokus
stehen die Parameter Produktionsprozesse, Ressourceneinsatz und das
Ableiten möglicher positiver Effekte. Die Zielgruppe umfasst Stakeholder der Lebensmittellieferkette und schließt Produzenten der Verarbeitungsund Produktionsstufen, Vertrieb, Handel und Verbraucher ein.",
Keywords= "nachhaltige Lebensmittellieferkette,
Transparenz, Vermeidung Lebensmittelverschwendung,
Künstliche Intelligenz, Interoperabilität",
}
Corinna Köters, Hochschule Niederrhein und Universität Witten/Herdecke, Maik Schürmeyer, Hochschule Niederrhein, Alexander Prange, Hochschule Niederrhein und Universität Witten/Herdecke(2024): Nachhaltige Lebensmittellieferketten durch Künstliche Intelligenz – Konzeptionelle Visualisierung am Beispiel von Puten zur Förderung von Tierwohl und Lebensmittelqualität. Industry 4.0 Science 401(2024), S. 70-75. Online: https://doi.org/10.30844/I4SD.24.1.70 (Abgerufen 21.12.24)
Open Access
Abstract
Abstract
Das Konzept visualisiert eine nachhaltige Lebensmittellieferkette durch den Einsatz von Künstlicher Intelligenz am Beispiel von Puten zur Förderung von Tierwohl und Lebensmittelqualität. Als Treiber wird der „Technology Push“ durch Künstliche Intelligenz entlang der Lebensmittellieferkette identifiziert. Im „Market Pull“ wird deutlich, dass Stakeholder Transparenz und Vermeidung von Lebensmittelverschwendung fordern. Im Fokus stehen die Parameter Produktionsprozesse, Ressourceneinsatz und das Ableiten möglicher positiver Effekte. Die Zielgruppe umfasst Stakeholder der Lebensmittellieferkette und schließt Produzenten der Verarbeitungsund Produktionsstufen, Vertrieb, Handel und Verbraucher ein.
Keywords
Schlüsselwörter
nachhaltige Lebensmittellieferkette, Transparenz, Vermeidung Lebensmittelverschwendung, Künstliche Intelligenz, Interoperabilität
References
Referenzen
[1] Pournader, M. u. a.: Artificial Intelligence Applications in Supply Chain Management. In: International Journal of Production Economics 241 (2021). URL: www.sciencedirect.com/science/article/pii/S0925527321002267, Abrufdatum 06.11.2023.
[2] Toorajipour, R. u. a.: Artificial Intelligence in Supply Chain Management: A Systematic Literature Review. In: Journal of Business Research 122 (2021), S. 502-517. URL: www.sciencedirect.com/science/article/pii/S014829632030583X, Abrufdatum 06.11.2023.
[3] Sofianidis, G. u. a.: A Review of Explainable Artificial Intelligence in Manufacturing. URL: arxiv.org/abs/2107.02295, Abrufdatum 06.11.2023.
[4] Paciarotti, C.; Torregiani, F.: The Logistics of the Short Food Supply Chain: A Literature Review. In: Sustainable Production and Consumption 26 (2021). S. 428-442. URL: www.sciencedirect.com/science/article/abs/pii/S2352550920302876, Abrufdatum 06.11.2023.
[5] Nitsche, B.; Figiel, A.: Zukunftstrends in der Lebensmittellogistik – Herausforderungen und Lösungsimpulse. Berlin 2016.
[6] Gaia-X. European Association for Data and Cloud AISBL: Gaia-X Architecture Document – 22.10 Release. URL: docs.gaia-x.eu/technical-committee/architecture-document/22.10/, Abrufdatum 06.11.2023.
[7] Catena-X. The First Open and Collaborative Data Ecosystem: Catena-X Operating Model Whitepaper Release V2 – 21.11.2022. URL: catena-x.net/fileadmin/user_upload/Publikationen_und_WhitePaper_des_Vereins/CX_Operating_Model_Whitepaper_02_12_22.pdf, Abrufdatum 06.11.2023.
[8] Bundesministerium für Wirtschaft und Klimaschutz (BMWK): „Manufacturing-X“ Eckpunkte für die Umsetzung von „Manufacturing-X“ im produzierenden Gewerbe zur Sicherung des Wettbewerbsstandortes Deutschland (2022). Whitepaper. URL: www.plattform-i40.de/IP/Navigation/DE/Manufacturing-X/Initiative/initiative-manufacturing-x.html, Abrufdatum 06.11.2023.
[9] Karwowska, M. u. a.: Food Loss and Waste in Meat Sector – Why the Consumption Stage Generates the Most Losses? In: Sustainability 13 (2021), S. 1. URL: www.mdpi.com/2071-1050/13/11/6227, Abrufdatum 06.11.2023.
[10] Benning, R.: Fleischatlas: Daten und Fakten über Tiere als Nahrungsmittel. 1. Auflage. Berlin 2021.[11] Hohmann, S.: Logistik und Supply Chain Management: Grundlagen, Theorien und quantitative Aufgaben, 1. Auflage. Wiesbaden 2022.
[12] Rohde, M. u. a.: Datenwirtschaft und Datentechnologie: Wie aus Daten Wert entsteht. Berlin 2022.[13] Viswanadham, N. (Hrsg): Achieving Rural & Global Supply Chain Excellence. The Indian Way. Centre for Global Logistics and Manufacturing Strategies, Gachibowli, Hyderabad 2006.