Нейросеть превзошла живых дегустаторов в различении сортов шотландского виски

ИИ-сомелье шотландских виски

Исследователи в области машинного обучения (ML) смогли обучить ИИ-систему различать шотландский виски и американский виски. В итоге ИИ справился с задачей лучше экспертов-людей. Результаты исследования были опубликованы в научном журнале Communications Chemistry.

Руководитель исследования, доктор Андреас Грасскамп (Andreas Grasskamp) из Института технологий и упаковки Фраунгофера в Германии и его коллеги обучили ИИ-алгоритм молекулярного прогнозирования запахов под названием OWSum на описаниях разных видов виски.

Во время исследования ученые получили химический состав 16 американских и шотландских виски, включая Jack Daniel’s, Maker’s Mark, Laphroaig и Talisker. Группа из 11 экспертов также предоставила информацию об ароматах образцов. Эти данные были использованы для обучения ИИ-алгоритмов предсказывать пять основных ароматов и происхождение напитков по их молекулярным составляющим.

Затем в исследовании с участием 16 образцов поручили OWSum различать напитки из двух стран на основе ключевых слов для описания их вкусов, таких как цветочный, фруктовый, древесный и т.п. ИИ-технология смогла определить, в какой стране был произведен напиток. В результате применения нейросети один из алгоритмов был на 93,75% точен в различении американских и шотландских спиртных напитков.

Однако ученые отмечают, что эффективность ИИ-модели может снизиться, если к образцам добавить виски, на которых она не была обучена. Также неясно, как ИИ будет вести себя, столкнувшись с нотками вкуса, которые развиваются с возрастом в бочке.

Со слов немецких ученых, прелесть ИИ в том, что он очень постоянен, а обученные эксперты субъективны и могут допускать ошибки. Более 40 различных соединений с разнообразной структурой определяют профиль аромата виски. Химические взаимодействия этих соединений в обонятельной системе делают очень сложной оценку или предсказание характеристик аромата этого напитка, основываясь исключительно на его молекулярном состав, добавляют исследователи. Для оценки вкусов широко используются человеческие эксперты, однако, поскольку обонятельное восприятие может быть субъективным, такие методы оценки требуют значительного количества времени, денег и часто обученных экспертов. Исследователи уточнили, что при этом их ИИ-алгоритм не намерен заменить человеческий нос, а наоборот OWSum будет поддерживать естественное обоняние.

Исследователи также предоставили ИИ справочный набор данных из 390 молекул, обычно встречающихся в виски. Когда ИИ проанализировал данные газовой хроматографии и масс-спектрометрии, показывающие, какие молекулы присутствовали в образцах спиртных напитков, то смог различать виды напитков с точностью 100%.

Ученые из Германии видят применение своей технологии и в других сферах. Например, ИИ-алгоритм может быть использован для обнаружения поддельных продуктов по различиям в их запахе или поиска лучших способов для переработки старого пластика.

Пивной аналог

Исследователи из Левенского университета в Бельгии создали ИИ-модель для ориентации во всем многообразии пива. Предполагается, что на ее основе будет построен коммерческий ИТ-инструмент для прогнозирования спроса на новые сорта данного напитка.

Сравнение и ранжирование вкусовых профилей различных сортов пива - непростая задача. На рынке существует множество справочников, описывающих напитки общими терминами вроде «фруктовый» и оценивающих их исключительно на основе вкуса одного человека. Это делает сравнение пива весьма необъективным и затрудняет прогнозирование его вкусовых качеств, говорит профессор из Левенского университета в Бельгии Кевин Верстрепен (Kevin Verstrepen).

Для обучения ИИ подготовили три набора данных, при помощи которых детально описали 250 общедоступных сортов пива в Бельгии, сваренных в 22 популярных стилях. Первый тип данных – научный. Ученые измерили 226 химических показателей пива, преимущественно концентрации различных соединений, а также 200 вкусовых параметров, также в виде точных значений. Профессиональные сомелье выделили по 50 органолептических параметров и дали оценку по ним всем представленным сортам пива. Больше всего их интересовали оттенки вкуса и ощущение примесей в напитке. Далее аналогичные оценки попросили выставить увлеченных любителей пива, которые оставили 180 тыс. отзывов о выбранных сортах через ИТ-платформу Ratebeer. Третий набор данных взят из сферы коммерции, он содержит сведения о ценах на разные сорта пива, статистику продаж, сезонные изменения и т.п.

ИИ-модель поручили самостоятельно вывести усредненные оценки, потому что невозможно узнать, чем именно руководствовались покупатели в своем выборе в каждом конкретном случае. В итоге после обучения на всех типах данных ИИ-алгоритим начал воспринимать пиво как сложный и важный для людей продукт и давать оценку образцам на основе этого подхода. Все выводы уже обученного ИИ совпали или превзошли в точности оценки от профессиональных дегустаторов.

Команде потребовалось пять лет, но как только они получили данные о концентрации химических веществ и подробные отчеты о дегустации сотен различных сортов пива, они поняли, что можно использовать ИИ-технологию для соединения этих двух компонентов. Одна ИИ-модель могла предсказать ключевые ароматы и итоговую оценку пива, не прибегая к дегустации человеком. Эти результаты, в свою очередь, были использованы для дальнейшего улучшения вкуса существующего коммерческого бельгийского эля путем добавления определенных ароматов, предсказанных моделью, чтобы повысить качество пива. Конечно, модифицированное пиво действительно получило гораздо более высокие оценки при слепой дегустации.