Este tipo de modelos podrían ayudar a los fabricantes de alimentos y bebidas a desarrollar nuevos productos o modificar recetas existentes para adaptarlas mejor a los gustos de los consumidores, lo que podría ayudar a ahorrar mucho tiempo y dinero que se habría invertido en realizar pruebas.
Para entrenar sus modelos de IA, los investigadores pasaron cinco años analizando químicamente 250 cervezas comerciales, midiendo las propiedades químicas y los compuestos de sabor de cada cerveza, que dictan su sabor.
Luego, los investigadores combinaron estos análisis detallados con las evaluaciones de las cervezas realizadas por un panel de degustación capacitado (incluidos los sabores de lúpulo, levadura y malta) y 180.000 reseñas de las mismas cervezas tomadas de la popular plataforma en línea RateBeer, puntuaciones de muestreo para el sabor y la apariencia de las cervezas. , aroma y calidad general.
Este gran conjunto de datos, que vincula datos químicos con características sensoriales, se utilizó para entrenar 10 modelos de aprendizaje automático para predecir con precisión el sabor, el olor y la sensación en boca de una cerveza y la probabilidad de que un consumidor la calificara altamente.