Razones por las que la IA se hará cargo de la creación de recetas de cerveza

Los científicos han encontrado una manera de entrenar a la IA para que identifique los compuestos de sabor de la cerveza para hacer predicciones sobre lo que los consumidores disfrutarán más bebiendo.

La investigación, que implicó análisis químicos y sensoriales de 250 cervezas diferentes, se ha utilizado para "entrenar modelos de aprendizaje automático que permitan predecir el sabor y la apreciación del consumidor".

Los científicos afirmaron que "para cada cerveza, medimos más de 200 propiedades químicas, realizamos un análisis sensorial descriptivo cuantitativo con un panel de cata entrenado y mapeamos datos de más de 180,000 reseñas de consumidores para entrenar 10 modelos diferentes de aprendizaje automático".

Según el estudio, "predecir y comprender la percepción y la apreciación de los alimentos es uno de los principales desafíos en la ciencia de los alimentos", pero la modelización precisa del sabor y la apreciación podría "brindar importantes oportunidades tanto para los productores como para los consumidores, incluido el control de calidad, la huella digital de productos, la detección de falsificaciones, la detección de deterioro y el desarrollo de nuevos productos y combinaciones de productos".

La investigación destacó que "a pesar de la miríada de aplicaciones", predecir "el sabor y la apreciación de las propiedades químicas sigue siendo un objetivo en gran medida difícil de alcanzar en la ciencia sensorial, especialmente para alimentos y bebidas complejos". Como tal, cuando se trata de la creación de recetas, decantarse por una tendencia sobre otra no es una hazaña sencilla porque "un obstáculo clave es la inmensa cantidad de productos químicos activos del sabor" que claman por atención. Además, profundizar en lo que será más popular es difícil en la creación de recetas porque "los compuestos aromáticos pueden variar ampliamente en estructura química y concentración, lo que los hace técnicamente desafiantes y laboriosos de cuantificar, incluso frente a innovaciones en metabolómica, como la huella metabólica no dirigida".

Para explicar los avances que había dado la ruta del aprendizaje automático más informado, los científicos también destacaron que "la percepción del sabor es muy compleja, resultado de cientos de moléculas diferentes que interactúan a nivel fisicoquímico y sensorial", lo que significa que "la percepción sensorial es a menudo no lineal, caracterizada por efectos sinérgicos y antagónicos complejos y dependientes de la concentración que se enredan aún más por la genética. medio ambiente, cultura y psicología de los consumidores".

Esto significa que "el sabor percibido es, por lo tanto, difícil de medir" y, por lo tanto, "los paneles de cata capacitados se consideran la principal fuente de datos sensoriales de calidad, pero requieren una capacitación meticulosa, son de bajo rendimiento y alto costo". También se señaló que, aunque "las bases de datos públicas ofrecen la ventaja de acumular grandes cantidades de datos", también pueden "sufrir sesgos, incluido un sesgo en los voluntarios que contribuyen a la base de datos, así como factores de confusión como el precio, el estatus de culto y la conformidad psicológica con las calificaciones anteriores del producto".

En el estudio, los investigadores combinaron "extensos análisis químicos y datos sensoriales de un conjunto de diferentes cervezas comerciales con enfoques de aprendizaje automático para desarrollar modelos que predicen el sabor, el olor, la sensación en boca y la apreciación a partir de concentraciones de compuestos".

Un punto a favor fue que el estudio encontró que "la cerveza es particularmente adecuada para modelar la relación entre la química, el sabor y la apreciación" porque "la cerveza es un producto complejo, que consta de miles de compuestos de sabor" debido a la "diversidad química [que] surge de las materias primas (malta, levadura, lúpulo, agua y especias) y las conversiones bioquímicas durante el proceso de elaboración de la cerveza (secado, maceración, ebullición, fermentación, maduración y crianza)".

Estas ventajas, junto con el hecho de que "los consumidores de cerveza adoptan plataformas de reseñas en línea, como RateBeer y BeerAdvocate... La comunidad cervecera proporciona conjuntos de datos masivos de puntuaciones de sabor y apreciación de la cerveza, creando bases de datos sensoriales extraordinariamente grandes para complementar los análisis" de un panel sensorial profesional.

Los datos han permitido a los científicos "entrenar un conjunto de modelos de aprendizaje automático para predecir el sabor y la apreciación a partir del perfil químico de una cerveza" y una "disección de los modelos con mejor rendimiento". Además, les ha permitido "identificar compuestos específicos como posibles impulsores del sabor y la apreciación de la cerveza". Los experimentos de seguimiento ya han confirmado la importancia de estos compuestos y "mejoran significativamente el sabor y la apreciación de las cervezas comerciales seleccionadas".

Los científicos concluyeron que "a pesar de las limitaciones inherentes, la disección de nuestros modelos nos permitió identificar moléculas específicas como posibles impulsores del aroma de la cerveza y la apreciación del consumidor, incluidos compuestos que eran inesperados y no se habrían identificado utilizando enfoques estándar. Los impulsores importantes de la apreciación de la cerveza descubiertos por nuestros modelos incluyen los niveles de proteína, el acetato de etilo, el acetato de fenilo de etilo y el ácido láctico". El equipo señaló que "actualmente, muchos cerveceros ya utilizan ácido láctico para acidificar su agua de elaboración y garantizar un pH óptimo para la actividad enzimática durante el proceso de maceración", pero también señaló que "los resultados sugieren que la adición de ácido láctico también puede mejorar la apreciación de la cerveza, aunque su efecto individual aún no se ha probado".

Los investigadores añadieron que "curiosamente, el etanol parece ser innecesario para mejorar la apreciación de la cerveza, tanto para la cerveza rubia como para la cerveza sin alcohol. Dado el creciente interés de los consumidores por la cerveza sin alcohol... Es relevante que los cerveceros sepan qué compuestos pueden aumentar aún más la apreciación de estas cervezas por parte de los consumidores. Por lo tanto, nuestro modelo puede proporcionar fácilmente vías para mejorar aún más el sabor y la apreciación del consumidor de las cervezas alcohólicas y no alcohólicas, lo que generalmente se considera uno de los desafíos clave para la producción futura de cerveza".