Et si l’intelligence artificielle surpassait l’homme dans l’art de choisir un single malt? Des algorithmes d’apprentissage automatique sont parvenus à mieux prédire qu’un expert les arômes dominants de différents whiskies, selon une étude publiée jeudi.Dans notre environnement, la majorité des odeurs sont constituées d’un mélange complexe de molécules qui interagissent dans notre système olfactif pour créer une impression spécifique.C’est le cas du whisky, dont le profil aromatique peut être déterminé à partir de plus de 40 composés et qui peut contenir encore plus de composés volatils non-odorants.Ce qui rend particulièrement difficile l’évaluation ou la prédiction des caractéristiques aromatiques d’un whisky lorsqu’on se base uniquement sur sa composition moléculaire.C’est pourtant ce qu’ont réussi à faire des chimistes grâce à deux algorithmes d’apprentissage automatique, selon les résultats d’une étude publiée jeudi dans Communications Chemistry.Le premier algorithme, OWSum, est un outil statistique de prédiction d’odeurs moléculaires développé par les auteurs de l’étude. Le deuxième, CNN, est un réseau neuronal convolutif, qui aide à découvrir des relations dans des ensembles de données très complexes. Comme celles entre “les molécules et les attributs d’arôme les plus influents” dans un mélange de whisky, explique à l’AFP Andreas Grasskamp, chercheur au Fraunhofer Institute for Process Engineering and Packaging IVV, à Freising (Allemagne), et principal auteur de l’étude.Les chercheurs ont “entraîné” les algorithmes en leur fournissant une liste de molécules détectées par chromatographie en phase gazeuse et spectrométrie de masse (deux techniques permettant de séparer les molécules dans des mélanges et de les identifier) dans 16 échantillons de whisky: Talisker Isle of Skye Malt (10 ans d’âge), Glenmorangie Original, Four Roses Single Barrel, Johnnie Walker Red Label ou encore Jack Daniel’s…Ils leur ont aussi donné les descripteurs d’arômes déterminés pour chaque échantillon par un panel de 11 experts.Les algorithmes ont ensuite été utilisés pour identifier le pays d’origine de chaque whisky et ses cinq notes dominantes. – Détecter des contrefaçons -OWSum a réussi à déterminer si un whisky était américain ou écossais avec une précision supérieure à 90%. La détection de molécules de menthol et citronellol était fortement associée à une classification américaine, tandis que la détection de méthyl décanoate et d’acide heptanoïque était principalement liée à une classification comme whisky écossais.L’algorithme a aussi identifié les notes caramélisées comme les plus caractéristiques des whiskies américains, tandis que les notes “pomme”, “solvant” et “phénolique” (souvent décrites comme une odeur fumée ou médicinale) étaient les plus caractéristiques des whiskies écossais.Les chercheurs ont dans un deuxième temps demandé à OWSum et CNN de prédire les qualités olfactives des whiskies en se basant soit sur les molécules détectées soit sur leurs caractéristiques structurelles. Les deux algorithmes ont réussi à identifier les cinq notes dominantes d’un whisky donné avec plus de précision et de cohérence en moyenne que n’importe quel expert humain du panel.”Nous avons constaté que nos algorithmes s’alignent mieux avec les résultats du panel que chaque panéliste pris individuellement, offrant ainsi une meilleure estimation de la perception générale des odeurs”, souligne M. Grasskamp.Ces méthodes d’apprentissage automatique pourraient être utilisées pour détecter des contrefaçons. Ou encore pour évaluer si un mélange de whisky “aura l’arôme attendu, aidant ainsi à réduire les coûts en limitant les besoins en panels d’évaluation”, estime-t-il.Des résultats similaires pourraient-ils être obtenus avec du vin? “En théorie oui, tout ce dont ces outils ont besoin est une liste de composés détectés dans l’échantillon et leurs descripteurs correspondants”, selon M. Grasskamp. “Le défi reste dans les détails plus fins, comme la question de savoir si les arômes du vin sont suffisamment distincts pour un algorithme d’IA”, ajoute-t-il.
Thu, 19 Dec 2024 22:17:43 GMT
