Prédire et améliorer la saveur complexe de la bière grâce à l'apprentissage automatique

Résumé La perception et l'appréciation de la saveur des aliments dépendent de nombreux composés chimiques interactifs et de facteurs externes, ce qui rend leur compréhension et leur prédiction difficiles. Ici, nous combinons des analyses chimiques et sensorielles approfondies de 250 bières différentes pour entraîner des modèles d'apprentissage automatique permettant de prédire la saveur et l'appréciation par les consommateurs. Pour chaque bière, nous mesurons plus de 200 propriétés chimiques, effectuons une analyse sensorielle descriptive quantitative avec un panel de dégustation entraîné et cartographions les données de plus de 180 000 critiques de consommateurs pour entraîner 10 modèles d'apprentissage automatique différents. L'algorithme le plus performant, le Gradient Boosting, produit des modèles qui surpassent significativement les prédictions basées sur des statistiques conventionnelles et prédisent avec précision des caractéristiques alimentaires complexes et l'appréciation des consommateurs à partir de profils chimiques. La dissection des modèles permet d'identifier des composés spécifiques et inattendus comme moteurs de la saveur et de l'appréciation de la bière. L'ajout de ces composés donne lieu à des variantes de bières alcoolisées et non alcoolisées commerciales avec une meilleure appréciation des consommateurs. Ensemble, notre étude révèle comment les grandes données et l'apprentissage automatique découvrent des liens complexes entre la chimie des aliments, la saveur et la perception des consommateurs, et jette les bases du développement de nouveaux aliments sur mesure avec des saveurs supérieures.