Η γεύση παραμένει ένα από τα μεγαλύτερα εμπόδια για την ευρύτερη αποδοχή των φυτικών υποκατάστατων, ιδιαίτερα του φυτικού κρέατος. Ερευνητές εξετάζουν τώρα αν η τεχνητή νοημοσύνη μπορεί να προβλέψει ποια προϊόντα έχουν περισσότερες πιθανότητες να αρέσουν στους καταναλωτές, πριν αυτά φτάσουν στις δοκιμές αισθητηριακής αξιολόγησης. Η προσέγγιση δεν έχει στόχο να αντικαταστήσει τις δοκιμές με ανθρώπους, αλλά να περιορίσει από νωρίς τον αριθμό των συνταγών που χρειάζεται να δοκιμάσουν οι επιστήμονες τροφίμων.
Η προσπάθεια βασίζεται σε δεδομένα από περισσότερες από 21.000 αισθητηριακές αξιολογήσεις 215 φυτικών προϊόντων σε 24 κατηγορίες. Το μοντέλο τεχνητής νοημοσύνης μπορεί να αξιοποιεί τέσσερις διαφορετικές κατηγορίες πληροφοριών, τα συστατικά, τη διατροφική σύνθεση, τις εικόνες του προϊόντος και τις χημικές ενώσεις, ώστε να εκτιμήσει πώς είναι πιθανό να καταταχθεί ένα προϊόν σε μια δοκιμή από ανθρώπους. Για ένα φυτικό μπιφτέκι, για παράδειγμα, τα δεδομένα για τα συστατικά και τη διατροφική σύνθεση μπορούν να δώσουν ενδείξεις για τη γεύση και την αλμυρότητα, ενώ η εικόνα μπορεί να προσφέρει πληροφορίες για το χρώμα, την υφή, τη λιπαρότητα και ακόμη και τη ινώδη δομή του προϊόντος.
Τα πρώτα αποτελέσματα δείχνουν ότι το εργαλείο μπορεί να λειτουργήσει ως σύστημα προεπιλογής. Στις κατηγορίες προϊόντων που χρησιμοποιήθηκαν για την αξιολόγηση, το προϊόν που είχε καταταχθεί πρώτο από τους ανθρώπους στις αισθητηριακές δοκιμές ήταν και η πρώτη πρόβλεψη του μοντέλου στο 33% των περιπτώσεων. Σε ένα επιπλέον 67% των κατηγοριών, το προϊόν που είχε την πρώτη θέση στις ανθρώπινες δοκιμές βρισκόταν μέσα στις τρεις πρώτες επιλογές του μοντέλου. Μια τυχαία επιλογή τριών προϊόντων θα πετύχαινε το προϊόν που είχε καταταχθεί πρώτο περίπου στο 36% των περιπτώσεων. Η συγκεκριμένη δυνατότητα μπορεί να έχει πρακτική σημασία για τη βιομηχανία τροφίμων, καθώς η ανάπτυξη ενός νέου προϊόντος απαιτεί συχνά πολλές διαδοχικές δοκιμές μέχρι να βρεθεί μια συνταγή που να ανταποκρίνεται στις απαιτήσεις της γεύσης, της υφής και της συνολικής αποδοχής. Αν ένα μοντέλο μπορεί να αποκλείσει νωρίς αρκετές λιγότερο υποσχόμενες επιλογές, οι επιστήμονες τροφίμων μπορούν να επικεντρώσουν τις πραγματικές δοκιμές σε μικρότερο αριθμό συνταγών.
Η ΤΝ δοκιμάζει και τις ίδιες τις συνταγές
Μια δεύτερη εφαρμογή που παρουσιάστηκε από την ομάδα αφορά όχι μόνο την πρόβλεψη της αισθητηριακής επίδοσης ενός προϊόντος, αλλά και την ανάπτυξη νέων συνταγών. Σε μελέτη περίπτωσης για φυτικό γιαούρτι, ο αλγόριθμος είχε ως στόχο τέσσερα χαρακτηριστικά, την κρεμώδη υφή, την οξύτητα, τη συνοχή και την ομοιομορφία. Ένας πράκτορας τεχνητής νοημοσύνης επέλεξε επτά συστατικά και ένας αλγόριθμος Bayesian optimization πρότεινε τις πρώτες τρεις συνταγές. Οι ερευνητές παρασκεύασαν τα προϊόντα, τα έδωσαν σε ομάδα αισθητηριακής αξιολόγησης και στη συνέχεια τροφοδότησαν τα αποτελέσματα πίσω στο σύστημα για να προτείνει τις επόμενες συνταγές. Η διαδικασία επαναλήφθηκε για 10 γύρους και συνολικά 30 συνταγές. Σε σύγκριση με επιστήμονα τροφίμων που είχε στη διάθεσή του τον ίδιο χρόνο εργασίας, 40 ώρες, ο αλγόριθμος κατέληξε σε αποτέλεσμα που απείχε λιγότερο από 1% από τον επιθυμητό στόχο, ενώ η ανθρώπινη διαδικασία έφτασε σε απόσταση 15% από αυτόν. Οι ερευνητές, ωστόσο, τονίζουν ότι πρόκειται για μία μόνο σύγκριση και χρειάζονται περισσότερες δοκιμές πριν εξαχθούν ευρύτερα συμπεράσματα. Η προσέγγιση δοκιμάστηκε και σε φυτικό cottage cheese, όπου η τελική συνταγή που προέκυψε από τη διαδικασία έλαβε αισθητηριακή βαθμολογία 26% υψηλότερη από τη βασική συνταγή. Παρά τα ενθαρρυντικά αποτελέσματα, οι άνθρωποι παραμένουν απαραίτητοι σε κάθε στάδιο, καθώς παρασκευάζουν τα προϊόντα, τα αξιολογούν και παρέχουν τα δεδομένα πάνω στα οποία βελτιώνονται τα μοντέλα. Οι ερευνητές θεωρούν επίσης ότι χρειάζονται μεγαλύτερες και καλύτερα εναρμονισμένες βάσεις δεδομένων, ώστε τέτοια εργαλεία να μπορούν να χρησιμοποιηθούν ευρύτερα στον τομέα των εναλλακτικών πρωτεϊνών.
Το ενδιαφέρον για την τεχνολογία συνδέεται άμεσα με ένα πρόβλημα που αντιμετωπίζει η αγορά των φυτικών τροφίμων. Σε έρευνα καταναλωτών που επικαλούνται οι ερευνητές, το 46% όσων δήλωσαν ότι δεν θα αγόραζαν ξανά φυτικό υποκατάστατο κρέατος ανέφερε ως εμπόδιο τη γεύση. Σε περισσότερους από 5.000 καταναλωτές που συμμετείχαν σε αισθητηριακές δοκιμές, μόλις το 30% αξιολόγησε τα φυτικά προϊόντα κρέατος ως «του αρέσουν» ή «του αρέσουν πολύ», έναντι 68% για τα αντίστοιχα προϊόντα ζωικής προέλευσης. Στα φυτικά γαλακτοκομικά, τα αντίστοιχα ποσοστά ήταν 35% και 65%.
Για την ώρα, λοιπόν, η τεχνητή νοημοσύνη δεν μπορεί να αποφασίσει μόνη της αν ένα τρόφιμο είναι νόστιμο. Μπορεί όμως να βοηθήσει τους επιστήμονες να αποφασίσουν ποιες συνταγές αξίζει να δοκιμάσουν πρώτα, περιορίζοντας τον χρόνο και τον αριθμό των πειραμάτων που απαιτούνται για την ανάπτυξη ενός νέου φυτικού προϊόντος.
Πηγή: Food Technology Magazine, Institute of Food Technologists, “Can AI Predict Deliciousness?” Δείτε το πρωτότυπο άρθρο
ΔΕΙΤΕ ΕΠΙΣΗΣ
- Μεγάλο σκάνδαλο με σολομούς: Πούλησαν 500 τόνους ακατάλληλους για κατανάλωση – Εξαγωγές σε δεκάδες χώρες και στην Ελλάδα
- ΕΦΕΤ: Αλλαγές στους ελέγχους νερού σε επιχειρήσεις τροφίμων και εστίαση – Ποια έγγραφα θα ζητούν οι επιθεωρητές
- Ανατροπή για τα προϊόντα κάνναβης και CBD στην Ελλάδα: Ποια είναι παράνομα και ποια νόμιμα – Νέα εγκύκλιος του Υπουργείου Υγείας
