ШІ може покращити смак пива

Смак пива, який вже став відомим і звичним, можна покращити за допомогою штучного інтелекту. Група вчених вирішила не обмежуватися простим додаванням випадкових смаків чат-ботом у фантазійний пивний мікс. Вони поєднали широкий хімічний аналіз з моделями штучного інтелекту, навченими на сенсорних даних, щоб визначити конкретні сполуки, які можуть поліпшити смак ваших улюблених видів пива.

«Наше дослідження демонструє, як великі дані та машинне навчання можуть виявити складні зв’язки між харчовою хімією, смаком та сприйняттям споживачів. Це відкриває шлях для створення нових харчових продуктів з чудовими смаковими якостями, які подобаються споживачам, за допомогою підходу, заснованого на даних, а не просто на методі проб і помилок», — говориться в статті, опублікованій в Nature Communications.

У дослідженні, яке проводила міжнародна команда з десятка експертів, було проаналізовано понад 250 комерційних сортів бельгійського пива різних стилів. Кожне пиво пройшло ретельне хімічне профілювання для вимірювання понад 200 різних властивостей, таких як складні ефіри, спирти, кислоти та ароматичні сполуки.

Потім цей хімічний профіль був порівняний з кількісними сенсорними оцінками, зібраними від кваліфікованої групи дегустаторів, які оцінювали 50 різних смакових атрибутів, а також з понад 180 000 онлайн-відгуків від любителів пива, які оцінювали аромат, смак і загальну оцінку.

Використовуючи цей великий обсяг даних, дослідники розробили та протестували різні алгоритми машинного навчання для аналізу складних взаємозв’язків між хімічним складом пива та його сприйняттям смаку і привабливістю для споживача. Один загальний алгоритм виявився найкращим, значно перевершивши традиційні статистичні методи.

«Найефективніший алгоритм, градієнтний бустінг, дає моделі, які значно перевершують прогнози, засновані на звичайній статистиці, і точно передбачають складні характеристики харчових продуктів і споживчу оцінку на основі хімічних профілів», — зазначено в дослідженні.

Градієнтний бустінг — це метод машинного навчання, який об’єднує кілька невеликих неточних моделей у велику, яка здатна робити точні прогнози. Він широко використовується в банківській справі та охороні здоров’я, а також у маркетингових кампаніях, які намагаються передбачити результати конкретних заходів.

Цей метод, за словами дослідників, «дозволяє ідентифікувати специфічні та несподівані сполуки як фактори, що впливають на смак та сприйняття пива».

Наприклад, метанетіол та етилфенілацетат зазвичай асоціюються з несвіжістю, але в невеликих дозах можуть зробити пиво приємним на смак.

Також були досліджені більш звичні ароматизатори, такі як етилацетат і молочна кислота.

Щоб перевірити свої моделі, дослідники провели дегустаційні експерименти. Вони додавали в пиво з низькою оцінкою сполуки, ідентифіковані машинним навчанням, які підвищували його оцінку. Це просте коригування призвело до значного підвищення оцінок смаку та загальної оцінки модифікованих сортів пива порівняно з оригіналами.

Нагадаємо, TAG-LLM відкриває нові перспективи для застосування великих мовних моделей (LLM) у спеціалізованих галузях, таких як обчислювальна біологія і хімія.