Kann KI mit Sensoren Dinge wie Kaffee oder Schokolade schmecken und ihren Geschmack für den menschlichen Verzehr verbessern ?

KI kann bei der Analyse und Verbesserung des Geschmacks von Lebensmitteln wie Kaffee oder Schokolade helfen, indem sie Sensordaten mit maschinellen Lernmodellen kombiniert, die auf chemischer Zusammensetzung und menschlichem sensorischem Feedback trainiert wurden. Elektronische Zungen und Gassensoren erfassen Aromastoffe, und KI korreliert diese Signale mit wahrgenommenen Geschmacksprofilen, wodurch Formulierungsanpassungen möglich werden, um Geschmack, Aroma und allgemeine Akzeptanz zu verbessern. Obwohl KI nicht wie Menschen „schmecken“ kann, beschleunigt sie die Produktentwicklung, indem sie vorhersagt, wie sich Änderungen bei Zutaten oder Verarbeitung auf sensorische Eigenschaften auswirken. Dieser Ansatz wird in der Lebensmittelwissenschaft zunehmend genutzt, um Geschmack und Qualität zu optimieren.

— Angereichert am 15. Mai 2026 · Quelle: 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).