В последнее время сфера искусственного интеллекта (ИИ) расширяется активными темпами, затрагивая все большие области жизнедеятельности человека. И если раньше использованием искусственного интеллекта была занята узкая часть специалистов, то сейчас при огромном спросе на ИИ попросту не хватает квалифицированных кадров, способных создать алгоритмы подчас в таких весьма деликатных областях, как, например, дегустация.
Как известно, в окружающей среде большинство запахов состоят из сложной смеси молекул, которые взаимодействуют в нашей обонятельной системе, создавая специфическое впечатление. Так, в частности, обстоит дело с виски, ароматический профиль которого можно определить по более чем 40 соединениям и который может содержать еще больше летучих соединений без запаха. Это особенно затрудняет оценку или прогнозирование ароматических характеристик виски, когда мы основываемся исключительно на его молекулярном составе.
Тем не менее, это то, что химикам удалось сделать с помощью двух алгоритмов машинного обучения ИИ, согласно результатам исследования, опубликованного на днях в журнале Communications Chemistry. В результате появился первый алгоритм OWSum, который представляет собой статистический инструмент для прогнозирования молекулярных запахов, разработанный авторами этого исследования. Второй алгоритм - CNN, представляет собой сверточную нейронную сеть, которая помогает обнаруживать взаимосвязи в очень сложных наборах данных. Как и те, которые находятся между "наиболее влиятельными молекулами и ароматическими свойствами" в смеси виски, объясняет один из исследователей из Института технологической инженерии и упаковки им. Фраунгофера во Фрайзинге (Германия).
Исследователи "обучили" алгоритмы, предоставив им список молекул, обнаруженных с помощью газовой хроматографии и масс-спектрометрии (два метода разделения молекул в смесях и их идентификации) в 16 образцах виски: солодовый виски Talisker Isle of Skye (10-летний), Glenmorangie и другие. Они также дали им описания ароматов, определенные для каждого образца группой из 11 экспертов. Затем были использованы алгоритмы для определения страны происхождения каждого виски и его пяти доминирующих сортов.
Алгоритму OWSum удалось определить, был ли виски американским или шотландским, с точностью более 90%. Обнаружение молекул ментола и цитронеллола было тесно связано с американской классификацией, в то время как обнаружение метилдеканоата и гептановой кислоты было в основном связано с классификацией шотландского виски. Алгоритм также определил карамелизованные оттенки вкуса как наиболее характерные для американского виски, в то время как "яблочные", "растворяющие" и "фенольные" оттенки (часто описываемые как дымный или лекарственный запах) были наиболее характерными для шотландского виски. На втором этапе исследователи попросили OWSum и CNN предсказать обонятельные свойства виски на основе либо обнаруженных молекул, либо их структурных характеристик.
Обоим алгоритмам удалось идентифицировать пять доминирующих оттенков виски в среднем с большей точностью и последовательностью, чем любому эксперту-человеку в группе. "Мы обнаружили, что наши алгоритмы лучше согласуются с результатами дегустации, чем мнение каждого участника дискуссии в отдельности, что дает лучшую оценку общего восприятия запахов", - подчеркнули исследователи. Они также отметили, что эти методы машинного обучения могут быть использованы для обнаружения подделок или для оценок, будет ли купаж виски иметь ожидаемый аромат, что поможет снизить затраты в производстве.
Что же касается вина, то исследователи не исключают возможности использования и здесь аналогичных методов. Так как теоретически все, что нужно разработанным исследователями из Института технологической инженерии и упаковки им. Фраунгофера инструментам, - это список соединений, обнаруженных в образце, и их соответствующие дескрипторы. Проблема останется лишь в более мелких деталях, таких как вопрос о том, достаточно ли различимы ароматы вина для алгоритма искусственного интеллекта.