Kan AI smaka saker som kaffe eller choklad med sensorer och förbättra deras smak för mänsklig konsumtion ?

AI kan hjälpa till att analysera och förbättra smaken på livsmedel som kaffe eller choklad genom att använda sensordata i kombination med maskininlärningsmodeller som tränats på kemisk sammansättning och mänsklig sensorisk återkoppling. Elektroniska tungor och gassensorer upptäcker smakämnen, och AI korrelerar dessa signaler med upplevda smakprofiler, vilket möjliggör justeringar av recept för att förbättra smak, doft och den allmänna acceptansen. Även om AI inte kan "smaka" som människor gör, accelererar det produktutvecklingen genom att förutsäga hur förändringar i ingredienser eller bearbetning påverkar de sensoriska egenskaperna. Denna metod används alltmer inom livsmedelsvetenskap för att optimera smak och kvalitet.

— Uppdaterad 15 maj 2026 · Källa: 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).