In het verleden zijn we voorbeelden van kunstmatige intelligentie (AI) tegengekomen die onderscheid konden maken tussen zoete en zoute smaken, of geuren konden analyseren. Nu hebben een paar ijverige onderzoekers een AI-algoritme bedacht dat wijnen kan proeven om iemands favoriet te kiezen.
Dit ‘onderzoek‘ is uitgevoerd door de Technische Universiteit van Denemarken (DTU), de Universiteit van Kopenhagen en het California Institute of Technology (CalTech). “We hebben aangetoond dat, door een algoritme te voeden met gegevens die bestaan uit de smaakindrukken van mensen, het algoritme nauwkeurigere voorspellingen kan doen over wat voor soort wijn we individueel verkiezen”, zegt Thoranna Bender, een afgestudeerde student aan de DTU die het onderzoek uitvoerde.
Om het nieuwe systeem (genaamd WineSensed) te ontwikkelen, voerden de onderzoekers wijnproeverijen uit waarbij 256 vrijwilligers werd gevraagd om kleine glaasjes van verschillende wijnen op een vel papier te plaatsen, gebaseerd op de wijnen waarvan zij dachten dat ze het meest op elkaar leken. Het proces kende Ć©Ć©n instructie: hoe groter het verschil in smaak tussen de wijnen, hoe groter de afstand ertussen.
De wetenschappers gingen vervolgens verder met het verzamelen van de data, door de vellen papier te fotograferen en te digitaliseren. Deze gegevens werden vervolgens gekoppeld aan honderdduizenden wijnetiketten en gebruikersbeoordelingen van Vivino, om zo een wijndifferentiƫrend algoritme te produceren.
āDe smaakdimensie die we in het model hebben gecreĆ«erd, geeft ons informatie over welke wijnen qua smaak vergelijkbaar zijn en welke niet. Ik kan bijvoorbeeld bij mijn favoriete fles wijn staan en zeggen: ik zou graag willen weten welke wijn lijkt er qua smaak het meest op ā of zowel qua smaak als qua prijsā, aldus Thoranna Bender.
We present WineSensed, a large multimodal wine dataset for studying the relations between visual perception, language, and flavor. The dataset encompasses 897k images of wine labels and 824k reviews of wines curated from the Vivino platform. It has over 350k unique vintages, annotated with year, region, rating, alcohol percentage, price, and grape composition. We obtained fine-grained flavor annotations on a subset by conducting a wine-tasting experiment with 256 participants who were asked to rank wines based on their similarity in flavor, resulting in more than 5k pairwise flavor distances. We propose a low-dimensional concept embedding algorithm that combines human experience with automatic machine similarity kernels. We demonstrate that this shared concept embedding space improves upon separate embedding spaces for coarse flavor classification (alcohol percentage, country, grape, price, rating) and aligns with the intricate human perception of flavor.
Dezelfde methode kan overigens worden toegepast op bier en koffie.