Může AI ochutnávat věci jako kávu nebo čokoládu pomocí senzorů a zlepšovat jejich chuť pro lidskou spotřebu ?

AI může pomáhat při analýze a zlepšování chuti potravin, jako je káva nebo čokoláda, pomocí senzorických dat v kombinaci s modely strojového učení, které jsou trénovány na chemickém složení a lidské senzorické zpětné vazbě. Elektronické jazyky a plynové senzory detekují chuťové sloučeniny a AI koreluje tyto signály s vnímanými profily chuti, což umožňuje úpravy receptur pro zvýšení chuti, vůně a celkové přijatelnosti. I když AI nemůže „chutnat“ jako lidé, urychluje vývoj produktů předpovídáním, jak změny v ingrediencích nebo zpracování ovlivňují senzorické vlastnosti. Tento přístup se stále více využívá ve vědě o potravinách k optimalizaci chuti a kvality.

— Aktualizováno 15. května 2026 · Zdroj: Nature Food, 2023

Background

AI-assisted taste engineering relies on electronic tongues and gas chromatography sensors that detect volatile organic compounds and non-volatile taste-active molecules. These instruments quantify compounds such as furfuryl acetate (ethyl-maltol-like aroma), 2-ethylphenol (smoky/phenolic notes), theobromine, and trigonelline in coffee; and theobromine, phenylethylamine, and various Maillard reaction products in chocolate. Machine learning models trained on both GC-MS or LC-MS chemical fingerprints and human sensory panels (e.g., trained assessors scoring attributes such as bitterness, acidity, sweetness, astringency, and aroma intensity) learn to predict perceived flavor profiles from raw chemical data. Partial least squares regression and deep neural networks are commonly used to map sensor outputs to human ratings, enabling rapid “virtual tasting.” Industry workflows iteratively adjust roast profiles or conching times, then re-measure, reducing sensory evaluation cycles from weeks to days. Similar approaches are reported for modulating bitterness in cocoa by varying fermentation time or adding natural bitter-masking peptides derived from enzymatic hydrolysis of milk proteins (Cao et al., Sci. Rep. 2022). In coffee, controlling 3-methylbutanal and guaiacol concentrations via controlled roasting can shift profiles from “green/grassy” to “caramel/smoky,” aligning with consumer preference clusters identified by preference mapping in supermarket panels (Nature Food, 2023). Sensor arrays and electronic noses have demonstrated classification accuracy above 90% for roast level and origin in Arabica lots (Romano et al., Food Chem., 2021).