17. Knowledge Graphs in der professionellen Speisenproduktion: Wie vernetzte Wissensmodelle Daten in intelligente Entscheidungsgrundlagen verwandeln

Graphs schaffen aus getrennten Datenbeständen ein vernetztes Wissensmodell. Ihr entscheidender Vorteil liegt nicht darin, mehr Daten zu erzeugen.

Von R.C. Schneider

Schlagwörter: Knowledge Graphs Gastronomie, Knowledge Graph Foodservice, Wissensgraph Speisenproduktion, Ontologie Küche, Semantic Data Gastronomie, vernetzte Datenmodelle Produktion, Knowledge Modeling Foodservice, Data Integration Gastronomie

Snapshot
Knowledge Graphs verknüpfen Rezepturen, Zutaten, Allergene, Lieferanten und Produktionsprozesse zu einem maschinenlesbaren Wissensnetz. Aus isolierten Datenbeständen entsteht vernetztes Wissen – und eine belastbare Grundlage für KI und betriebliche Entscheidungen.

Ein professioneller Foodservice-Betrieb verfügt heute über große Mengen digitaler Informationen. Rezepturen liegen im Produktionssystem, Artikelstammdaten in der Warenwirtschaft, Allergene in Produktdatenbanken, Verbrauchswerte in Küchensystemen und Betriebskennzahlen in Analyseplattformen. Hinzu kommen Dokumente, Qualitätsvorgaben, Lieferanteninformationen und unstrukturierte Daten.

Das Problem: Diese Informationen existieren häufig nebeneinander, obwohl sie fachlich zusammengehören.

Eine Zutat gehört zu einer Rezeptur. Die Rezeptur gehört zu einem Menü. Eine Zutat enthält möglicherweise ein Allergen, stammt von einem bestimmten Lieferanten, benötigt definierte Lagerbedingungen und durchläuft mehrere Produktionsschritte. Genau diese Beziehungen sind für den Betrieb entscheidend.

Knowledge Graphs bilden solche Zusammenhänge als maschinenlesbares Wissensnetz ab. Sie speichern nicht nur Daten, sondern beschreiben explizit, wie Informationen miteinander verbunden sind.

Damit entsteht eine neue Datenarchitektur für die professionelle Speisenproduktion: Aus getrennten Datenbeständen wird vernetztes Wissen, das von Menschen, Suchsystemen und künstlicher Intelligenz genutzt werden kann.

Technologische Grundlagen und Markttrend

Klassische relationale Datenbanken organisieren Informationen überwiegend in Tabellen, Feldern und festgelegten Beziehungen. Das funktioniert hervorragend für strukturierte Geschäftsdaten. Komplexe Wissenszusammenhänge lassen sich damit jedoch nur mit wachsendem Aufwand darstellen.

Knowledge Graphs verfolgen einen anderen Ansatz.

Im Mittelpunkt stehen Entitäten und deren Beziehungen. Eine Entität kann beispielsweise eine Zutat, Rezeptur, Maschine, Produktionslinie, Person, Lieferant oder Qualitätsanforderung sein.

Aus einzelnen Informationen entstehen Beziehungen:

Ontologien definieren zusätzlich die fachliche Bedeutung dieser Beziehungen. Sie legen beispielsweise fest, was unter einer Zutat, einem Produktionsprozess oder einer Ernährungsanforderung zu verstehen ist.

Dadurch entsteht maschinenlesbares Kontextwissen.

Hier liegt auch die klare Abgrenzung zu Semantic AI: Ein Knowledge Graph strukturiert und verknüpft Wissen. Semantic AI nutzt semantische Technologien und KI, um Bedeutung und Zusammenhänge dieses Wissens zu interpretieren.

Knowledge Graphs können somit eine technologische Grundlage für Semantic AI bilden, sind aber selbst eine eigenständige Daten- und Wissensarchitektur.

Bedeutung für gastronomische Betriebe

Der praktische Nutzen zeigt sich besonders dort, wo viele Informationen gleichzeitig berücksichtigt werden müssen.

Eine Großküche produziert beispielsweise mehrere tausend Mahlzeiten für unterschiedliche Zielgruppen. Gleichzeitig gelten Vorgaben zu Allergenen, Nährwerten, Rezepturen, Produktionsverfahren, Verfügbarkeit und Kosten.

Eine einfache Frage kann dadurch komplex werden: Welche Gerichte können produziert werden, wenn eine bestimmte Zutat kurzfristig nicht verfügbar ist und gleichzeitig definierte Allergen-, Nährwert- und Produktionsanforderungen eingehalten werden müssen?

In klassischen Systemlandschaften müssen dafür möglicherweise mehrere Datenquellen geprüft werden.

Ein Knowledge Graph kann die Beziehungen zwischen Zutaten, Alternativprodukten, Rezepturen, Allergenen, Lieferanten und Produktionsanforderungen bereits strukturiert abbilden. Systeme können diese Zusammenhänge anschließend gezielt durchsuchen und für Entscheidungen bereitstellen.

Besonders relevant wird das in Krankenhäusern, Pflegeeinrichtungen, Mensen, Betriebsrestaurants und anderen Bereichen der Gemeinschaftsverpflegung. Dort treffen hohe Produktionsmengen auf komplexe Anforderungen.

Auch Catering sowie Airline-, Bahn- und Schiffsgastronomie profitieren von vernetztem Wissen. Wenn Produktionsstandorte, Warenströme, Spezifikationen und unterschiedliche Versorgungskonzepte zusammenkommen, steigt die Zahl der Abhängigkeiten erheblich.

Knowledge Graphs schaffen genau dort Transparenz, wo klassische Datenbestände zunehmend unübersichtlich werden.

Systeme und Funktionsbereiche

Knowledge Graphs ersetzen bestehende Warenwirtschafts-, Produktions- oder Analysesysteme nicht. Sie schaffen vielmehr eine zusätzliche Wissensebene, die Informationen aus diesen Systemen miteinander verbindet.

Daten können aus Warenwirtschaft, POS, Produktionssteuerung, Rezeptmanagement, Qualitätsmanagement, Lieferantendatenbanken oder technischen Systemen stammen. Auch unstrukturierte Informationen aus Dokumentationen, Spezifikationen und weiteren Textquellen können eingebunden werden.

Damit entstehen mehrere zentrale Anwendungsfelder.

Im Rezept- und Produktmanagement können Zutaten, Nährwerte, Allergene, Lieferanten und alternative Produkte miteinander verknüpft werden. In der Produktion lassen sich Rezepturen mit Geräten, Kapazitäten, Produktionsschritten und Qualitätsanforderungen verbinden.

Im Einkauf können Zusammenhänge zwischen Produkten, Lieferanten, Verfügbarkeit, Spezifikationen und alternativen Bezugsquellen sichtbar werden. Im Qualitätsmanagement lassen sich Anforderungen unmittelbar den betroffenen Produkten und Prozessen zuordnen.

Besonders relevant ist die Verbindung mit künstlicher Intelligenz und generativen KI-Systemen.

Ein KI-Assistent benötigt verlässlichen Kontext, wenn er betriebliche Fragen beantworten soll. Ein Knowledge Graph kann dafür strukturiertes Unternehmenswissen bereitstellen und Beziehungen zwischen Informationen explizit machen.

Das ist entscheidend. Eine KI soll nicht nur sprachlich überzeugend antworten. Sie muss wissen, welche Rezeptur tatsächlich verwendet wird, welche Produkte freigegeben sind und welche betrieblichen Regeln gelten.

Knowledge Graphs können damit zu einer wichtigen Wissensgrundlage für unternehmensinterne KI-Systeme werden.

Strukturelle Entwicklungen der Branche

Mit zunehmender Digitalisierung verändert sich die Herausforderung der Datenverarbeitung.

Die erste Phase bestand darin, Informationen überhaupt digital verfügbar zu machen. Danach wurden Daten aus verschiedenen Anwendungen analysiert. Jetzt rückt zunehmend die Frage in den Mittelpunkt, wie Informationen systemübergreifend verstanden und miteinander verbunden werden können.

Genau hier gewinnen Knowledge Graphs an Bedeutung.

Die professionelle Speisenproduktion besitzt dafür besonders geeignete Strukturen. Produkte, Rezepturen, Lieferanten, Prozesse, Maschinen, Qualitätsanforderungen und Betriebsstandorte stehen in zahlreichen fachlichen Beziehungen zueinander.

Gleichzeitig steigt mit KI-Systemen der Bedarf an hochwertigem, strukturiertem Unternehmenswissen.

Damit verändert sich auch die Bedeutung von Datenqualität. Ein falscher Datensatz betrifft nicht mehr nur einen einzelnen Report. Wenn zahlreiche Systeme und KI-Anwendungen auf dieselbe Wissensstruktur zugreifen, können fehlerhafte Beziehungen Auswirkungen auf viele nachgelagerte Entscheidungen haben.

Datenmodellierung, Governance und eindeutige Definitionen werden deshalb zu zentralen Voraussetzungen.

Zukünftige Entwicklungen

Knowledge Graphs könnten zu einem wichtigen Bestandteil der Datenarchitektur zukünftiger Foodservice-Unternehmen werden.

Besonders die Verbindung mit generativer KI eröffnet neue Möglichkeiten. Statt Informationen ausschließlich über klassische Benutzeroberflächen abzurufen, könnten Mitarbeiter komplexe betriebliche Fragen in natürlicher Sprache stellen.

Auch Digital Twins profitieren von strukturiertem Kontextwissen. Ein digitales Abbild eines Betriebs benötigt nicht nur Echtzeitdaten, sondern Informationen darüber, welche Objekte und Prozesse miteinander verbunden sind.

Semantic AI kann diese Beziehungen interpretieren. Decision Intelligence kann sie in Entscheidungsprozesse einbeziehen. Agentic AI kann sie nutzen, um Aufgaben innerhalb definierter Regeln zu koordinieren.

Damit entsteht langfristig eine technologische Kette: Daten werden erfasst. Knowledge Graphs strukturieren Zusammenhänge. Semantic AI interpretiert Bedeutung. Analysesysteme bewerten Situationen. Intelligente Steuerungssysteme leiten daraus Entscheidungen und Handlungen ab.

Genau diese Verbindung macht Knowledge Graphs für die zukünftige digitale Architektur der professionellen Speisenproduktion relevant.

Zusammenfassung

Knowledge Graphs schaffen aus getrennten Datenbeständen ein vernetztes Wissensmodell.

Ihr entscheidender Vorteil liegt nicht darin, mehr Daten zu erzeugen. Sie machen vorhandene Informationen verständlicher, indem Produkte, Rezepturen, Prozesse, Geräte, Lieferanten, Qualitätsanforderungen und weitere betriebliche Informationen über explizite Beziehungen miteinander verbunden werden.

Damit unterscheiden sie sich klar von Semantic AI: Der Knowledge Graph bildet die Wissensstruktur. Semantic AI nutzt semantisches Verständnis, um solche Strukturen und weitere Informationen intelligent zu interpretieren.

Für Gastronomie, Hospitality, Gemeinschaftsverpflegung und Foodservice entsteht daraus eine wichtige Grundlage für semantische Suche, bessere Datenintegration und kontextbezogene KI-Anwendungen.

Je stärker KI in die Unternehmenssteuerung einzieht, desto wichtiger wird die Frage, auf welcher Wissensbasis diese Systeme arbeiten. Knowledge Graphs können genau diese Basis schaffen.

Weiterführende Themen dieser Serie:

Verwandte Themen: