Poate AI să guste lucruri precum cafeaua sau ciocolata cu ajutorul senzorilor și să le îmbunătățească gustul pentru consumul uman ?

AI poate ajuta la analiza și îmbunătățirea gustului alimentelor precum cafeaua sau ciocolata prin utilizarea datelor senzoriale combinate cu modele de învățare automată antrenate pe compoziția chimică și feedback-ul senzorial uman. Limbile electronice și senzorii de gaz detectează compușii de aromă, iar AI corelează aceste semnale cu profilurile de gust percepute, permițând ajustări ale formulării pentru a îmbunătăți aroma, aromele și acceptabilitatea generală. Deși AI nu poate „gusta” ca oamenii, accelerează dezvoltarea produselor prin predicția modului în care schimbările în ingrediente sau procesare afectează calitățile senzoriale. Această abordare este din ce în ce mai utilizată în știința alimentară pentru optimizarea gustului și calității.

— Îmbogățit la 15 mai 2026 · Sursă: 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).