L’intelligence artificielle et l’apprentissage automatique connaissent une ascension fulgurante. Dans le cadre de son doctorat, Michiel Schreurs, de la KU Leuven, a étudié la manière dont l’IA peut être utilisée pour prédire et comprendre le goût des denrées alimentaires, à commencer par celui des bières belges. Il présente ici les premières conclusions générales sur l’intelligence artificielle et l’apprentissage automatique dans la pratique.

« La modélisation de la saveur des produits et des processus n’a rien de neuf. À l’origine, ces modèles étaient basés sur des méthodes statistiques, qui pouvaient être calculées sans ordinateur. Aujourd’hui, des ordinateurs puissants permettent à l’IA et aux modèles d’apprentissage automatique de prédire les goûts ou les processus de production. Cette approche est différente, et elle traite souvent mieux les données disponibles, ce qui permet d’obtenir des modèles prédictifs plus précis. Ainsi, les modèles peuvent mieux traiter les données comportant de nombreuses variables différentes ou des interactions entre elles. Les données peuvent être des paramètres de processus, des notes de goût, des commentaires de consommateurs, des réussites ou des échecs dans le contrôle de la qualité », explique Michiel Schreurs, chercheur au VIB-KULeuven.

Logiciel gratuit disponible

Deuxième conclusion : « Il est surprenant que les programmeurs informatiques programment les modèles pour les rendre aussi simples et conviviaux que possible. Les logiciels libres disponibles permettent de développer ces modèles sans licences coûteuses. Toutefois, des connaissances de base en programmation sont nécessaires. Dernier point, mais non le moindre : « La qualité des données est cruciale. D’une part, les données doivent être de bonne qualité. D’autre part, un modèle ne peut apprendre que si des données de qualité sont disponibles en suffisance... Il est toujours préférable d’avoir le plus de données possible, même s’il est possible de commencer avec une cinquantaine de points de données, voire moins. Souvent, les modèles ne peuvent pas non plus extrapoler correctement, de sorte qu’ils ne peuvent pas faire de prédictions précises sur des situations pour lesquelles ils ne sont pas "entraînés", comme un type d’aliment ou un processus différent. Nous avons donc besoin de données sur les éléments que nous voulons modéliser. »

250 bières différentes

La perception et l’appréciation de l’arôme de la bière dépendent de l’interaction de nombreux composés chimiques ainsi que de facteurs externes. Il est donc difficiles de les comprendre et de les anticiper. « Pour prédire et améliorer les saveurs complexes de la bière grâce à l’apprentissage automatique, nous combinons des analyses chimiques et sensorielles approfondies de 250 bières différentes pour former des modèles d’apprentissage automatique qui nous permettent de prédire la saveur du breuvage et l’appréciation des consommateurs. »

Plus de 200 propriétés chimiques

« Pour chaque bière, nous mesurons plus de 200 propriétés chimiques, effectuons une analyse sensorielle descriptive quantitative avec un panel de dégustation formé et cartographions les données de plus de 180 000 avis de consommateurs pour "entraîner" 10 modèles d’apprentissage automatique différents. Cela a nécessité trois ans de recherche analytique et sensorielle », explique le scientifique. « Notre étude a montré comment le "big data" et l’apprentissage automatique révèlent des liens complexes entre la chimie alimentaire, le goût et la perception des consommateurs, et jette les bases du développement de nouveaux aliments personnalisés avec de meilleures saveurs. »

Selon M. Schreurs, prédire le goût et l’appréciation d’une denrée sur la base de ses propriétés chimiques est un objectif qui échappe largement à la science sensorielle, surtout pour les aliments et boissons complexes. « L’immense nombre de substances chimiques qui déterminent le goût des aliments constitue un obstacle majeur. Les composés aromatiques peuvent varier considérablement en termes de structure chimique et de concentration, ce qui rend leur quantification techniquement difficile et exigeante en main-d’œuvre, même à la lumière des innovations. En outre, les personnes ne goûtent pas toutes les mêmes composés aromatiques de la même manière, de sorte qu’elles auront une perception différente d’un même aliment. »

Dans sa présentation au salon Intrafood 2024, Michiel Schreurs nous fera part de ses réflexions, à la fois pratiques, sur le fonctionnement exact de l’IA et sur les raisons pour lesquelles elle est adaptée à ses recherches, et prospectives, sur le large éventail d’applications possibles de l’IA dans le secteur alimentaire.

www.verstrekenlab.sites.vib.be

www.intrafood.be/fr/sur-intrafood/seminaires