L'IA peut-elle goûter des aliments comme le café ou le chocolat avec des capteurs et améliorer leur goût pour la consommation humaine ?

L'IA peut aider à analyser et à améliorer le goût des aliments comme le café ou le chocolat en utilisant des données de capteurs combinées à des modèles d'apprentissage automatique formés sur la composition chimique et les retours sensoriels humains. Les langues électroniques et les capteurs de gaz détectent les composés aromatiques, et l'IA corrèle ces signaux avec les profils de goût perçus, permettant des ajustements de formulation pour rehausser la saveur, l'arôme et l'acceptabilité globale. Bien que l'IA ne puisse pas « goûter » comme les humains, elle accélère le développement de produits en prédisant comment les modifications d'ingrédients ou de procédés affectent les qualités sensorielles. Cette approche est de plus en plus utilisée en science alimentaire pour optimiser le goût et la qualité.

— Enriched 15 mai 2026 · Source : 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).