发表于《Beverages》期刊的一项研究发现,机器学习模型仅能有限地根据常规理化指标识别北马其顿葡萄酒的品种。这凸显出实验室数据虽有潜力,但要实现可靠的实际分类仍有差距。
研究分析了多个年份的1,024款葡萄酒,并测试能否利用标准分析结果区分不同葡萄品种。研究称,模型在未见样本上的表现一般:红葡萄酒的准确率约为56%,白葡萄酒约为49%。研究人员使用主成分分析(PCA)减少输入变量后,模型表现不升反降。
研究结果凸显了葡萄酒分析中的一项根本难题:易于采集的数据未必足以支持可靠分类。常规理化检测能够反映葡萄酒的整体特征,如成分和大致风格,但研究表明,这些数据可能无法构成足够清晰的“指纹”,难以在不同生产年份中持续、准确地区分各个品种。
这项发现的意义不止于学术研究。在饮料行业,企业和监管机构越来越关注如何利用人工智能进行真伪核验、质量控制和产品验证。新研究结果表明,如果此类工具主要依赖标准实验室指标,对其表现就不应抱有过高期待。对酒庄、进口商和其他业内人士而言,这项研究提醒人们,在将机器学习系统用于标签、追溯或欺诈筛查等决策前,可能需要更严格的验证,也可能需要更丰富的数据。
研究采用多个年份的样本设计也很重要。天气、成熟进程和酿造选择都会造成年份差异,进而改变葡萄酒可测量的特征。某个模型在范围较窄的数据集上看似准确,遇到不同年份酿造的葡萄酒时,可靠性却可能下降。研究中的测试结果较低,表明即使样本来自同一国家,且采用相同的大类分析方法,要跨年份推广模型仍然困难。
这些结果也为有关人工智能在食品和饮料分析领域应用的广泛讨论增添了新的层次。机器学习能够发现人类观察者不易察觉的模式,但其输出在很大程度上取决于输入数据的类型和质量。在这项研究中,常规理化指标所包含的有效信号似乎有限。使用PCA后结果变差,说明将数据压缩为更少的综合变量,可能移除了模型仍然需要的信息。
这项研究并不意味着机器学习在葡萄酒分类中毫无用处。研究结果表明,在要求较高的现实环境中,仅靠常规理化数据可能不足以准确识别葡萄品种。采用更专业的分析方法、扩大数据集,或针对范围更窄的分类任务设计模型,仍有可能提升表现。不过,研究证据显示,在将快速AI真伪鉴定用于商业或监管领域之前,应对相关主张进行谨慎检验。
对生产商和买家来说,这一区别意义重大。一个模型即使在训练环境中表现尚可,但在测试样本中只能正确分类约一半,也很难用于需要承担重大后果的决策。在葡萄酒领域,产地、葡萄品种和真伪会直接影响价格与消费者信任;如果不配合其他核查手段就使用准确率处于这一水平的系统,可能引发实际和法律问题。
因此,这项研究对人工智能在葡萄酒分析中的应用提出了更审慎的看法。研究显示,机器学习能够从常规葡萄酒化学数据中发现模式,但也表明,当模型需要对多个年份的新样本进行分类时,其表现可能迅速下滑。对饮料行业而言,重点不是放弃人工智能,而是设定现实预期,并要求系统经过严格的外部验证后,才将其视为可靠工具。