Designul aromelor - aromele produselor alimentare ambalate şi ale băuturilor, precum şi mirosurile produselor de curăţare, produse pentru toaletă şi alte articole de uz casnic - constituie o afacere de miliarde de dolari. Dar cât de clare sunt gusturile consumatorilor?
Prin folosirea "programării genetice" în algoritmii de realizare a mixturilor, cercetătorii ajută companiile de arome să-şi dea seama ce le place clienţilor.
Cele mai mari companii de arome cheltuiesc zeci de milioane de dolari în fiecare an pentru cercetare şi dezvoltare, inclusiv pentru o mulţime de teste a consumatorilor.
Dar înţelegerea rezultatelor testelor de degustare este dificilă. Preferinţele subiecţilor pot varia atât de mult, încât e posibil să nu apară niciun consens clar. Colectarea de date suficiente despre fiecare subiect ar permite companiilor de arome să elimine unele neconcordanţe, dar după aproximativ 40 de mostre de arome, subiecţii au tendinţa de a suferi de "oboseala de miros", iar eliminările lor devin nesigure. Deci, companiile sunt "condamnate" să ia deciziile pe baza a prea puţine date, cele mai multe dintre ele contradictorii.
Una dintre cele mai mari companii de arome din lume a apelat la cercetătorii de la Laboratorul de Inteligenţă Artificială şi Informatică al MIT (Computer Science and Artificial Intelligence Laboratory / CSAIL) pentru ajutor. Pentru a analiza rezultatele testelor de degustare, cercetătorii CSAIL se folosesc de programarea genetică, în care modelele matematice concurează unele cu celelalte pentru a potrivi datele disponibile şi apoi se inspiră pentru a produce modele care sunt mai precise.
Compania elveţiană de arome Givaudan a cerut ajutorul cercetătorului principal de la CSAIL Una-May O'Reilly, post doctorandului Kalyan Veeramachaneni şi Ekaterinei Vladislavleva de la Universitatea din Anvers, pentru a interpreta rezultatelor testelor, în care 69 de subiecţi au evaluat 36 de combinaţii diferite ale celor şapte arome de bază, alocând fiecăruia un punctaj în funcţie de atracţia olfactivă.
Pentru fiecare subiect, O'Reilly şi colegii ei au generat aleatoriu funcţii matematice care prezic scoruri în funcţie de concentraţiile diferitelor arome. Fiecare funcţie este evaluată ținând cont de două criterii: precizie şi simplitate. O funcţie care, de exemplu, prezice preferinţele unui subiect destul de precis folosind un singur factor – să spunem, concentraţia de unt – s-ar putea dovedi mult mai utilă decât una care dă o predicţie mai puţin exactă, dar necesită o manipulare matematică complicată de la toate cele şapte variabile.
După ce toate funcţiile au fost evaluate, cele care oferă previziuni insuficiente sunt eliminate. Elemente ale supravieţuitorilor selecţiei sunt aleatoriu recombinate pentru a produce o nouă generaţie de funcţii, acestea sunt apoi evaluate pentru precizie şi simplitate. Întregul proces se repetă de aproximativ 30 de ori, până când se restrânge la un set de funcţii care se potriveşte cu preferinţele unui singur subiect.
Deoarece metoda lui O'Reilly şi a colegilor ei produce profiluri ale testelor individuale de degustare ale subiecţilor, ei le pot sorta în grupuri distincte. Ar putea fi, de exemplu, faptul că subiecţii de test tind să aibă preferinţe puternice pentru scorţişoară sau nucşoara, dar nu ambele. Prin introducerea pe piaţă a unui produs pentru iubitorii de scorţişoară şi altul pentru iubitorii de nucşoară, o companie ar putea face mult mai bine decât dacă ar comercializa un produs pentru ambele categorii. " Pentru fiecare dintre aceste 36 de arome, unul a avut o părere bună, altul nu a agreat-o", spune O'Reilly. "Dacă încercaţi să identificați o aromă care să fie plăcută de întreaga listă, vor fi puţine rezultate concludente."
O'Reilly şi colegii ei nu au avut posibilitatea de a stabili empiric dacă modelele lor prezic corect răspunsurile subiecţilor la noile arome. Deci, pentru a încerca să stabilească precizia modelului lor, ei au construit în schimb un alt model. În primul rând, au dezvoltat un set de funcţii matematice, care reprezintă preferinţele reale pentru arome ale subiecţilor. Apoi, au arătat că, având în vedere limitările modelelor de test speciale, algoritmii lor încă ar putea ghici aceste preferinţe. Deşi ei au dezvoltat modelul doar în scopul validării abordării lor, spune O'Reilly, cercetătorii de arome au fost intrigați de posibilitatea de a o folosi pentru a dezvolta protocoale mai exacte şi mai eficiente de testare.
"Oamenii s-au jucat cu aceste tehnici (evolutive) de zeci de ani", spune Lee Spector, profesor de informatică la Colegiul Hampshire şi redactor-şef al revistei Programare genetică şi Maşini revoluţionare, locul în care apar cele mai recente documente ale cercetătorilor de la MIT. "Unul dintre motivele pentru care nu au făcut o mare senzaţie, până de curând este că oamenii nu şi-au dat cu adevărat seama, cred eu, unde pot obţine un profit bun." Preferinţa gustului, spune Spector, "este o zonă destul de interesantă în care să se aplice metode evolutive - şi se pare că acestea funcţionează, de asemenea, aşa că este interesant ".
Articolul este traducere de pe web.mit.edu.
Traducere: Spătaru Anamaria
