Sensorische analyse: hoe machines leren proeven en ruiken
Stel je een wijnproever voor die met gesloten ogen een slok neemt en zegt: "dit is een pinot noir uit een koel klimaat, twee tot drie jaar oud, met een vleugje kers en natte aarde." Dat vermogen om smaak, geur, textuur en uiterlijk van een product systematisch te beoordelen, heet sensorische analyse. Van oudsher is dit mensenwerk: getrainde proefpanels die volgens vaste protocollen producten beoordelen, van bier en koffie tot chocolade en parfum.
De laatste jaren proberen onderzoekers en bedrijven een deel van dat werk over te nemen of te ondersteunen met sensoren en kunstmatige intelligentie (AI). Denk aan een "elektronische neus" die vluchtige stoffen in de lucht meet, of een computermodel dat op basis van de chemische opbouw van een stof voorspelt hoe die zal ruiken. Dat is de kern van wat vandaag vaak "digitale" of "AI-gestuurde" sensorische analyse wordt genoemd: de poging om iets dat van oudsher subjectief en menselijk is, meetbaar en voorspelbaar te maken.
Wat is het precies?
Klassieke sensorische analyse begint met een panel: een groep mensen die getraind is om consistent te proeven, ruiken en beoordelen. Zij volgen gestandaardiseerde methoden, zoals de internationale norm ISO 8586 voor het selecteren en trainen van proefpersonen, en scoren producten op vaste schalen voor bijvoorbeeld zuurgraad, bitterheid of geurintensiteit. Dit blijft de gouden standaard, juist omdat mensen subtiele combinaties van duizenden geur- en smaakstoffen tegelijk kunnen waarderen.
De technologische aanvulling hierop bestaat uit twee stappen. Eerst worden producten chemisch geanalyseerd, vaak met gaschromatografie-massaspectrometrie (GC-MS), een techniek die een mengsel scheidt in losse moleculen en die vervolgens identificeert. Zo ontstaat een lijst van welke stoffen er precies in een kopje koffie of een parfum zitten.
Daarna komt de tweede stap: sensoren of software die patronen in die chemische data herkennen, in plaats van losse moleculen. Een elektronische neus (e-nose) gebruikt een rooster van chemische sensoren die elk net iets anders reageren op vluchtige stoffen; het totaalpatroon van die reacties werkt als een soort "geurvingerafdruk". Een elektronische tong (e-tongue) doet iets vergelijkbaars met elektrochemische sensoren die reageren op zure, zoete, bittere, zoute of umami-stoffen in vloeistoffen.
Machine learning-modellen worden vervolgens getraind op grote hoeveelheden data waarin menselijke panelscores gekoppeld zijn aan chemische metingen. Zo'n model leert bijvoorbeeld: "dit sensorpatroon hoort meestal bij een geur die mensen als 'muf' beoordelen." Eenmaal getraind kan het model nieuwe monsters razendsnel inschatten, zonder dat er telkens een menselijk panel aan te pas hoeft te komen.
Wat wil men ermee bereiken?
Het belangrijkste motief is consistentie. Menselijke proevers raken vermoeid, hebben een dag met verkoudheid, of laten zich onbewust beïnvloeden door verpakking of merknaam. Sensoren en algoritmes meten in principe elke keer op dezelfde manier.
Daarnaast telt snelheid en kostenbesparing zwaar mee. Een voedingsbedrijf dat honderd variaties van een recept wil testen, kan onmogelijk voor elke variant een volledig proefpanel inzetten. Een e-tongue of e-nose kan in korte tijd veel monsters doorlichten en de meest kansrijke varianten selecteren, waarna alleen die laatste ronde nog door mensen wordt beoordeeld.
Een derde doel is kwaliteitscontrole en veiligheid: sensoren die continu meten of voedsel begint te bederven, of dranken op batch-niveau controleren op afwijkingen, kunnen sneller ingrijpen dan een periodieke menselijke steekproef. In de veiligheidssector worden vergelijkbare e-nose-technieken bovendien ingezet om sporen van explosieven of drugs op te sporen.
Op de langere termijn dromen sommige onderzoekers van het "digitaliseren" van geur en smaak zelf: reuk vastleggen en overdragen zoals we nu geluid en beeld digitaal opslaan. Dat zou onder meer relevant zijn voor virtual reality, medische diagnostiek via adem- of huidgeur, en het automatisch ontwerpen van nieuwe geurstoffen. Dit is nadrukkelijk nog toekomstmuziek, geen bestaande toepassing.
Voorbeelden uit de praktijk
Enkele concrete initiatieven laten zien hoe divers dit veld is:
- Alpha M.O.S. (Frankrijk, opgericht begin jaren negentig) verkoopt al decennia commerciële elektronische-neus- en tongsystemen, zoals de Heracles-e-nose en de Astree-e-tongue, gebruikt door voedings-, drank- en cosmeticabedrijven voor kwaliteitscontrole en productontwikkeling.
- Osmo, een spin-off van onderzoek dat oorspronkelijk bij Google Research liep, werkt aan AI-modellen die de geur van een molecuul voorspellen op basis van zijn chemische structuur. Het onderliggende onderzoek, onder leiding van Alexander Wiltschko, werd in 2023 gepubliceerd en trok aandacht omdat het model verrassend goed bleek in het voorspellen hoe onbekende stoffen door mensen worden geroken.
- IBM Research presenteerde in 2020 "Hypertaste", een draagbaar prototype van een elektronische tong die met een klein aantal sensoren en machine learning snel onderscheid kan maken tussen vergelijkbare vloeistoffen, zoals verschillende merken mineraalwater.
- Gastrograph AI is een platform waarmee bedrijven, vooral in de koffie- en drankensector, sensorische beoordelingen van veel proevers tegelijk verzamelen via een app en combineren met data-analyse om smaakprofielen en kwaliteitstrends in kaart te brengen.
- Onderzoeksgroepen aan Wageningen University & Research combineren klassieke sensorische panels met statistische en data-analysemethoden om te begrijpen welke chemische samenstelling tot welke smaakbeleving leidt, onder meer bij onderzoek naar eiwittransitie en alternatieve eiwitbronnen.
Hoe ver is de techniek?
Voor afgebakende, herhaalbare taken is de technologie inmiddels behoorlijk volwassen. E-noses en e-tongues worden al operationeel ingezet in kwaliteitscontrole: is deze batch bier consistent met de vorige, is deze partij vis nog vers, wijkt dit flesje parfum af van de referentie. Daarin zijn ze betrouwbaar en snel.
Voor complexere, open vragen ligt dat anders. De menselijke neus wordt vaak geroemd om zijn vermogen om enorm veel verschillende geuren te onderscheiden; een veelgeciteerde schatting uit een onderzoek uit 2014 sprak zelfs van "triljoenen" geuren, maar die specifieke berekening is door andere wetenschappers bekritiseerd als methodologisch twijfelachtig. Wat wel breed erkend wordt: het aantal is enorm groot en de context, herinnering en emotie spelen een rol die sensoren vooralsnog niet nabootsen.
Modellen zoals dat van Osmo laten zien dat AI redelijk goed kan voorspellen hoe een bekend type molecuul ruikt, maar de voorspelling wordt onbetrouwbaarder bij complexe mengsels van tientallen tot honderden stoffen tegelijk, zoals in een glas wijn of een kop koffie. Ook blijft het lastig om subjectieve, cultureel gekleurde oordelen ("lekker", "authentiek") te vangen in een getal.
Het meest realistische beeld op dit moment is dat mens en machine elkaar aanvullen: sensoren en AI doen het grove voorwerk en de eerste selectie, getrainde menselijke panels blijven nodig voor de fijnproeverij en voor producten waarbij nuance er echt toe doet, zoals premium wijn, whisky of chocolade. Een volledige vervanging van het menselijk panel is voorlopig niet in zicht en wordt door de meeste onderzoekers ook niet als realistisch doel gezien.
Wie werken eraan?
Frankrijk kent met Alpha M.O.S. een van de langstlopende commerciële spelers in elektronische neus- en tongtechnologie. In de Verenigde Staten combineren techbedrijven als Google (via het voormalige olfactie-onderzoek dat leidde tot Osmo) en onderzoekslabs van IBM machine learning met chemische sensordata.
Nederland speelt internationaal een relatief grote rol op het gebied van voedingswetenschap en sensorisch onderzoek, met Wageningen University & Research als een van de toonaangevende kennisinstellingen, aangevuld door het onafhankelijke contractonderzoeksinstituut NIZO Food Research in Ede, dat onder meer voor de voedingsindustrie sensorisch en instrumenteel onderzoek uitvoert.
Op het gebied van fundamenteel reuk- en smaakonderzoek is het Monell Chemical Senses Center in Philadelphia (VS) een gezaghebbend, onafhankelijk instituut. In de commerciële smaak- en geurstoffenindustrie zetten grote spelers als het Zwitsers-Nederlandse dsm-firmenich (ontstaan uit een fusie in 2023), het Zwitserse Givaudan en het Amerikaanse IFF in toenemende mate AI in bij het ontwikkelen van nieuwe geur- en smaakstoffen, al zijn de meeste details daarvan bedrijfsgeheim.