Forskere har lært algoritme at ’smage’ vin

Hvis man ikke ligefrem er vin-connaisseur kan det være en udfordring at ramme rigtigt, når man står foran butikshylderne med de gærede druer og skal vælge. Hvordan er det nu, at denne her vin smager? Og hvad var det nu for én, jeg købte sidst, som jeg så godt kunne lide?

I den situation er vin-apps som Vivino, Hello Vino, Wine Searcher og mange andre en hjælp. Her kan man scanne vinetiketter og få oplysninger om den enkelte vin og læse andres anmeldelser af den. Sådanne apps bygger på kunstigt intelligente algoritmer

Men nu har forskere fra DTU, Københavns Universitet og Caltech vist, at man kan tilføje et nyt, utraditionelt parameter til algoritmerne, der gør det nemmere at finde et præcist match til ens egne smagsløg: Nemlig folks smagsindtryk.

”Vi har her demonstreret, at ved at fodre en algoritme med data bestående af menneskers smagsindtryk kan algoritmen lave mere præcise forudsigelser af, hvilken slags vin, vi hver især foretrækker,” siger Thoranna Bender, som har lavet studiet i regi af Pioneer Centre for AI på KU, og som til daglig er kandidatstuderende ved DTU.

Mere nøjagtige forudsigelser af folks favoritvin

Forskerne har afholdt vinsmagninger, hvor i alt 256 deltagere er blevet bedt om at arrangere krus med forskellige vine på et stykke A3-papir ud fra, hvilke vine de synes minder mest om hinanden i smag. Jo større afstand mellem krusene, jo større forskellighed i smag. Det er en metode, som er udbredt i forbrugertests. Forskerne digitaliserede dernæst punkterne på papirarkene ved at affotografere dem.

De indsamlede data fra vinsmagningerne er så blevet kombineret med hundredtusindvis af vinetiketter og anmeldelser, som forskerne har fået stillet til rådighed af firmaet Vivino. Dernæst har de udviklet en algoritme, som bygger på det kæmpemæssige datasæt.

“Denne her smagsdimension, vi har skabt i modellen, giver os information om hvilke vine, der ligner hinanden i smag, og hvilke der ikke gør. Så jeg kan for eksempel stå med en flaske vin, som er min favoritvin, og sige: Jeg vil gerne vide, hvilken vin der minder mest om den i smag - eller både i smag og pris,” siger Thoranna Bender.

Professor og medforfatter Serge Belongie fra Datalogisk Institut, der også er leder af Pioneer Centre for AI på Københavns Universitet, supplerer:

”Vi kan se, at når algoritmen sætter data fra vinetiketter og anmeldelser sammen med dataene fra vinsmagningerne, laver den mere nøjagtige forudsigelser af folks vin-præferencer, end når den kun benytter sig af de traditionelle typer data i form af billeder og tekst. Så at lære maskiner at bruge menneskers sanseoplevelser resulterer altså i bedre algoritmer, der kommer brugeren til gode.”

Kan også bruges på øl og kaffe

Ifølge Serge Belongie er der en voksende trend inden for maskinlæring med at bruge såkaldte multimodale data, som normalt består af en kombination af billeder, tekst og lyd. Men at bruge smag eller andre sensoriske input som datakilder er helt nyt. Og det har et stort potentiale – bl.a. inden for fødevareområdet, mener professoren:

”Det at forstå smag er en central del af fødevarevidenskab og essentielt for at opnå en sund og bæredygtig fødevareproduktion. Men brugen af AI i den sammenhæng er helt på babystadiet. Projektet her viser styrken ved at bruge menneskebaserede input i kunstig intelligens, og jeg forudser, at resultaterne vil anspore mere forskning i krydsfeltet mellem fødevarevidenskab og AI,” siger Serge Belongie.

Metoden, som forskerne her har demonstreret, kan også sagtens overføres til andre slags mad og drikke, pointerer Thoranna Bender:

“Vi har valgt vin som case, men samme metode kan lige så vel anvendes på øl og kaffe. Tilgangen kan fx bruges til at anbefale produkter og måske også madopskrifter til folk. Og hvis vi kender de smagsmæssige ligheder i mad bedre, kan vi også bruge det i sundhedssektoren til at sætte måltider sammen, der både rammer rigtigt på smag og næring hos patienterne. Måske kan det endda bruges til at udvikle fødevareprodukter, der er skræddersyet til forskellige smagsprofiler,” siger Thoranna Bender.

Forskerne har offentliggjort deres data på en åben server til fri afbenyttelse.

”Vi håber, at nogle derude får lyst til at bygge oven på vores data. Jeg har allerede fået forespørgsler fra folk, som har supplerende data, som de ønsker at tilføje til vores datasæt. Og det synes jeg er virkelig cool,” slutter Thoranna Bender.

OM STUDIET

• Forskernes datasæt er tilgængelig på projektets hjemmeside.
• Den videnskabelige artikel om projektet er optaget på konferencen NeurIPS 2023 og bygger på Thoranna Benders speciale, som hun har skrevet under tilknytning til Pioneer Centre for AI på Københavns Universitet.
• Forfatterne bag er: Thoranna Bender, Simon Moe Sørensen, Grethe Hyldig, Søren Hauberg og Frederik Warburg fra DTU; Alireza Kashani fra Vivino; K. Eldjarn Hjorleifsson fra California Institute of Technology samt Serge Belongie fra Københavns Universitet.
• Projektet er lavet i samarbejde med firmaet Vivino.
• Forskningen er støttet af Danish Data Science Academy (DDSA) og Pioneer Centre for AI.