 |
| 圖片來源：維基百科 |
提到吃的、喝的，雖然說每個人的口味都不太一樣，但是還是有最大公約數存在的，這也就是為什麼有些食物與飲料可以「打遍天下無敵手」。但是，這也並不代表我們已經窮盡各種口味的組合了；所以，許多廠商都會不斷地推出新口味，想要抓住我們的味蕾。
但是，人們的喜好有時也很難找到。最有名的例子就是1985年推出的「新可口可樂」。儘管在盲測時評價優於原來的口味，但是消費者就是不買單。
自從AI橫空出世，已經向大家展示了它有多「暴力」，於是就有人想到：為何不利用AI來找出食品或飲料的「致勝秘方」呢？
來自比利時的研究團隊，最近就利用了AI來研究如何開發啤酒的「致勝秘方」。他們透過機器學習，想要建立一個能預測和改善啤酒的風味和消費者喜好的模型。
研究團隊收集了對250種不同啤酒的廣泛化學和感官分析，訓練了十個機器學習模型以從化學特性預測風味和消費者的欣賞度。每種啤酒測量了200多種化合物，並利用專業品酒小組進行量化描述性感官分析，另外，他們也收集了超過180,000條消費者評論的數據來訓練這些機器學習模型。
為了評估這些機器學習模型的表現，研究團隊採用了幾種方法來確定模型預測啤酒風味和消費者欣賞度的準確性和有效性。他們主要關注的是模型能否從化學剖面準確預測出啤酒的感官特徵和消費者的喜好。以下是他們評估模型表現的幾個關鍵步驟：
1. 資料集分割：將資料集隨機分割為訓練集和測試集，確保模型在未見過的數據上的表現能夠被公平地評估。
2. 性能評估指標：使用決定係數（R^2）作為主要的性能指標來衡量模型的預測能力。R^2值越接近1，表示模型預測的結果與實際數據之間的一致性越高，預測性能越好。
3. 特徵重要性分析：通過分析模型中各個特徵（即化學成分）對預測結果的貢獻程度，確定哪些化學成分是影響啤酒風味和消費者喜好的關鍵因素。
4. 模型間的比較：對比不同機器學習模型的表現，找出預測啤酒風味和消費者欣賞度最準確的模型。
透過這些步驟，研究團隊能夠評估和比較不同機器學習模型在預測啤酒風味和消費者喜好上的效能，並識別出最佳的預測模型。這種方法不僅提高了預測的準確性，也為未來啤酒配方的優化提供了實用的指導。
測試的結果發現，10個模型中表現最好的演算法是梯度提升（Gradient Boosting），該模型顯著超越基於傳統統計的預測，能夠準確從化學剖面預測複雜的食物特徵和消費者的欣賞度。模型解剖幫助識別了特定和意想不到的化合物作為啤酒風味和欣賞度的驅動因素。透過添加這些化合物，成功地改良了商業酒精和非酒精啤酒，提高了消費者的喜愛度。研究展示了大數據和機器學習如何解開食品化學、風味和消費者感知之間的複雜聯繫，為開發具有優越風味的新食品奠定了基礎。
參考文獻：
Schreurs, M., Piampongsant, S., Roncoroni, M. et al. Predicting and improving complex beer flavor through machine learning. Nat Commun 15, 2368 (2024). https://doi.org/10.1038/s41467-024-46346-0
留言
張貼留言