В России нейросетевой «дегустатор» определит происхождение вина «по отпечаткам»
Учёные разработали цифровой сервис, который практически безошибочно определяет регион происхождения вина
В основе разработки лежит нейросетевая модель, которая «умеет» обрабатывать данные химического анализа вина и сравнивать их с эталонной базой регионов. Программа анализирует состав вина по десяткам микроэлементов, полученных в ходе лабораторных измерений, и создаёт подробный цифровой профиль продукта. Далее в работу включаются алгоритмы машинного обучения, которые сопоставляют этот профиль с уже известными «образами» винодельческих территорий.
Поиск закономерностей
Другими словами, программа не просто хранит данные, а учится находить устойчивые закономерности. Она учитывает сочетания элементов и их соотношения, а не просто отдельные числовые показатели. Метод позволяет различать вина даже из близких регионов с практически идентичными условиями выращивания винограда.
«Высокоточный» дегустатор
Для анализа данных используется нейросетевая модель, обученная на большом массиве образцов из российских винодельческих зон. По словам Зауали Темердашевой, точность определения происхождения вина превышает 95%.
Нейросеть позволяет программе «учиться» по мере накопления новых данных. Чем больше образцов вина проходит через приложение, тем точнее становятся его выводы.
Цифровой «любитель вина» против подделок
Новая технология удобна для практического применения. Программу можно использовать в лабораториях контроля качества, она также доступна для применения регуляторами и самими виноделами. Цифровой метод сравнения образцов делает процедуру определения происхождения вина предельно простой, а результат — максимально достоверным.
Для виноделов это надёжный способ защитить продукцию с географическим указанием происхождения винограда и снизить риски подделок. Потребители же получают дополнительную уверенность в том, что в бутылке действительно вино заявленного региона.
Разработчики отмечают, что созданную ими программу можно применять не только в винодельческой отрасли. Метод подходит и для других продуктов с защитой региона происхождения: масел, минеральной воды или сельхозсырья. Таким образом, новый продукт может выйти за рамки одной отрасли и может стать основой для целой линейки цифровых сервисов контроля качества.
