Fin dall’inizio, si è posto una domanda cruciale: “È possibile predire con precisione la gradevolezza dei prodotti sensoriali decodificando le matrici aromatiche uniche e le preferenze biologiche dei consumatori?” La risposta breve è sì.
Tuttavia, all’inizio della ricerca, ci si è resi conto che i metodi di analisi chimica esistenti e i dati sulle preferenze dei consumatori non fornivano previsioni statisticamente significative. Era evidente che si doveva creare un proprio set di dati per avanzare.
Prima di tutto, si è avuto la necessità di sviluppare un metodo di chimica analitica il più trasparente possibile, catturando dati volatili, non volatili, disciolti, spettrali e altro. Questo avrebbe aiutato a comprendere meglio come gli esseri umani percepiscono queste sostanze chimiche nel loro palato.
In secondo luogo, si è avuto bisogno di creare un metodo per ottenere, aumentare e monitorare costantemente le preferenze sensoriali biologiche di un gruppo ampio e diversificato di consumatori reali.
La ragione per cui i metodi attuali non riescono a prevedere le preferenze dei consumatori per i prodotti sensoriali è che spesso si concentrano solo sulla quantità di una determinata sostanza chimica presente nei prodotti, trascurando come questi composti interagiscano sul palato umano. Questo era il punto cieco che doveva superare.
Nella maggior parte dei casi, l’approccio tradizionale si limita a:
- I dati dei sondaggi mostrano che le persone amano il burro.
- Il diacetile è associato al gusto del burro.
Pertanto, producendo uno Chardonnay con più diacetile, piacerà a più persone. Tuttavia, questo approccio ha limiti. La percezione del sapore non può essere prevista solo quantificando i composti chimici, e le persone percepiscono e comunicano i sapori in modo diverso.
Inoltre, i gusti percepiti dai consumatori non sempre riflettono le loro preferenze effettive.
Per affrontare queste sfide, ci si è concentrati sulla previsione delle matrici chimiche piuttosto che cercare di predire direttamente i sapori percepiti.
Per quanto riguarda la qualità dei dati, si è resa la necessità di creare un set di dati valido internamente. E’ stato quindi sviluppato un metodo di chimica analitica dettagliato, generando milioni di punti dati per campione.
Dopo, sono state analizzate le matrici aromatiche di migliaia di vini, creando un vasto database.
Per comprendere le preferenze, sono state, poi, condotte degustazioni con migliaia di partecipanti. Questi dati sono stati poi utilizzati per addestrare un’intelligenza artificiale.
Ci si è quindi dedicato allo sviluppo di un’app basata sull’IA che usa domande sulla preferenza di cibi e sapori come indicatori delle preferenze del palato. Questo ha permesso di prevedere le preferenze dei consumatori con un alto grado di precisione.
In sintesi, l’intelligenza artificiale da lui sviluppata, TastryAI, funge da “focus group virtuale”, aiutando le aziende vinicole a ottimizzare la loro offerta e i consumatori a fare scelte informate.