“Geen enkele machine kan de menselijke ervaring echt repliceren”
Tal van geavanceerde technologieën lijken sensorisch onderzoek de komende jaren ingrijpend te gaan veranderen. Wat is daarin straks nog de rol van de mens? Hoe moeten de panels van de toekomst eruitzien?
door Robert Heeg
Kunstmatige intelligentie, met name ChatGPT, Virtuele en Augmented Reality, geavanceerde sensoren die menselijke zintuigen nabootsen; stuk voor stuk gaan deze ontwikkelingen een grote rol spelen in het sensorische veld. Terecht worden ze later dit jaar besproken op het 15e Pangborn Sensory Science Symposium in Nantes. Ongetwijfeld wordt daar ook gediscussieerd over de rol van de menselijke waarneming, nu zoveel technologieën onze eigenschappen steeds beter imiteren.
In een artikel voor het Institute of Food Technologists (IFT) houdt Karen Graves een pleidooi voor menselijke panels. Als senior director of sensory and consumer sciences bij Bell Flavors & Fragrances stelt zij dat panels onmiskenbare waarde toekennen aan het analyseproces. Wel vindt zij AI en voorspellende modellering ‘handige tools die we nodig hebben om ons naar een bepaald punt te brengen.’ Maar, voegt ze eraan toe: ‘Het belangrijkste blijft toch om een eindproduct voor de juiste menselijke panelgroep te krijgen om te valideren wat je probeert te doen.’
Geurendatabase
Hoewel panels belangrijk blijven, moeten ze volgens experts wel anders worden ontworpen om betere gegevens te verkrijgen. Daarin kan technologie een rol spelen. Zo is er Project AROMA van het Monell Center, een wetenschappelijk onderzoeksinstituut gericht op de smaak- en geurzintuigen. Hier wordt een open source-database aangelegd van 10,000 geuren. Deze database wordt gebruikt in de ontwikkeling van machine learning-modellen voor aroma-voorspelling, aldus projecthoofd Joel Mainland. ‘We onderzoeken of we bij enkele geuren op basis van de moleculaire structuur kunnen voorspellen hoe iets gaat ruiken. In het geval van gemengde geuren kijken we of we op basis van stoffen en de concentratie in een mix kunnen voorspellen hoe die mix gaat ruiken.’
Chefkoks
Sensorische panels zijn resource-intensief vanwege de vereiste training. Bij onderzoeksinstituut Dragonfly SCI rekent directeur Rebecca Bleibaum voor dat het verkrijgen van voldoende betrouwbare gegevens een panel van pakweg tien mensen kost. Die analyseren hetzelfde product drie keer, en dat resulteert in 30 observaties. Dit is volgens haar de beste methode om tot een kwantitatieve beschrijvende analyse te komen. Het kan efficienter, merkten ze bij Dragonfly, wanneer je met ontwikkelde experts werkt, zoals chefkoks. Die worden volgens Bleibaum te weinig ingezet in sensorische panels. Waar gemiddelde consumenten zo’n acht á tien uur training nodig hebben, is dat voor chefs gemiddeld 90 minuten. ‘Ze zijn zó snel en hebben een wereld van ervaring in eten. De datakwaliteit van zo’n panel is geweldig.’
Lichtgetraind panel
Een ander geluid laat Mainland echter horen. De neurowetenschapper zegt dat in Project AROMA werd gekeken naar de verschillen tussen het gebruik van intensief getrainde proefpersonen versus ongetrainde proefpersonen. Mensen uit de eerste categorie leverden weliswaar gegevens van hogere kwaliteit, maar het onderzoek toonde aan dat het waardevol is om veel gegevens van lage kwaliteit van ongetrainde proefpersonen te verzamelen, en daarvan gemiddelden te nemen. De aanbevolen aanpak is volgens Maitland om een lichtgetraind panel te gebruiken. ‘Dat is een heel efficiënte manier met een nog steeds zeer hoge betrouwbaarheid.’ Intensief of licht getraind, Graves ziet voor menselijke panels beslist een rol in de digitale toekomst: ‘Geen enkele machine kan de menselijke ervaring echt repliceren of perfect een consumentenvoorkeur voorspellen.