Алгоритм искусственного интеллекта под названием OWSum, разработанный немецким Институтом Фраунгофера, может различать шотландский и американский виски с почти идеальной точностью, даже превосходя точность экспертов-людей. Анализируя описательные ключевые слова виски (например, цветочный, фруктовый и т. д.) и химические компоненты, алгоритм успешно определил ключевые соединения, которые различают два типа виски. Это исследование не только демонстрирует потенциал ИИ в области сенсорного анализа, но и предоставляет новые технические средства для контроля качества пивоваренных заводов, разработки новых продуктов и борьбы с контрафактной продукцией.
Недавно исследовательская группа из Института технологического проектирования и упаковки Фраунгофера в Германии разработала алгоритм прогнозирования молекулярного запаха на основе искусственного интеллекта под названием OWSum, который успешно отличал американский виски от шотландского виски, а его точность превзошла экспертов-людей. Команда использовала описания вкусов виски и химические данные для обучения инструмента искусственного интеллекта и изучения его потенциала для идентификации виски.
Примечание к источнику изображения: изображение генерируется искусственным интеллектом и поставщиком услуг авторизации изображений Midjourney.
Для исследования ученые выбрали 16 образцов, в том числе девять сортов шотландского виски и семь американских бурбонов. Анализируя описания ключевых слов этих виски, таких как цветочный, фруктовый, древесный и дымный, OWSum смог различить два типа виски с точностью почти 94%. По мере углубления исследования исследовательская группа предоставила AI справочный набор данных, содержащий 390 распространенных молекул виски. В сочетании с результатами газовой хроматографии и масс-спектрометрии точность распознавания OWSum увеличилась до 100%.
Используя полученные данные, исследователи обнаружили, что определенные соединения, такие как ментол и цитронеллол, явно характерны для американского виски, тогда как метилдеканоат и энантат чаще встречаются в шотландском виски. Кроме того, исследовательская группа также проверила способность OWSum и нейронных сетей предсказывать основные ключевые слова запаха виски на основе химических компонентов. В этом тесте OWSum набрал 0,72 балла, тогда как нейронная сеть набрала 0,78 балла, тогда как эксперт-человек набрал только 0,57 балла. Это показывает, что, хотя ИИ превосходно справляется с такими задачами, распознавание сложности виски остается проблемой для людей.
Член исследования Сатнам Сингх сказал, что, хотя машины работают более стабильно, люди по-прежнему играют важную роль в обучении машин. В будущем исследовательская группа надеется улучшить модель, чтобы она могла учитывать концентрацию соединения, тем самым еще больше повышая точность. Грасскамп заявил, что такие инструменты искусственного интеллекта можно использовать не только для контроля качества на винокуренных заводах, но и для разработки новых сортов виски и выявления контрафактной продукции. Кроме того, эта технология имеет потенциал для использования в других областях, таких как производство продуктов питания и напитков, а также химическая промышленность.
Бумага: https://www.nature.com/articles/s42004-024-01373-2.
Выделять:
Искусственный интеллект OWSum отличает американский виски от шотландского виски почти со 100% точностью, превосходя результаты экспертов-людей.
ИИ анализирует ключевые слова и химический состав запаха виски, чтобы идентифицировать конкретные соединения, которые различают эти два спиртных напитка.
Люди по-прежнему играют важную роль в машинном обучении, и в будущем мы надеемся повысить точность модели для решения более сложных задач.
Успешное применение алгоритма OWSum указывает на то, что технология искусственного интеллекта имеет широкие перспективы применения в пищевой промышленности и производстве напитков и может способствовать технологическим инновациям в более смежных областях в будущем. Этот результат исследования не только повышает точность идентификации виски, но также предоставляет новые идеи и методы для других областей сенсорного анализа.