Whiskey e AI: Il Naso Elettronico che Rivoluziona la Degustazione (e la Produzione!)

Ragazzi, preparatevi a qualcosa di veramente affascinante! Immaginate un “naso” artificiale, ma non uno qualsiasi. Parliamo di un naso elettronico (e-nose) super potente, guidato dall’intelligenza artificiale (AI) e connesso tramite 5G e IoT, capace di imparare a distinguere diversi tipi di whiskey e persino a riconoscere sottoprodotti indesiderati della distillazione come l’acetone. Sembra fantascienza? Beh, tenetevi forte, perché è esattamente quello che abbiamo sviluppato e testato!

Perché un Naso AI per il Whiskey?

Vi chiederete: “Ma perché scomodare l’AI per un buon bicchiere di whiskey?”. La risposta sta nel mercato e nella qualità. Il mercato globale del whiskey valeva oltre 62 miliardi di dollari nel 2023 e si stima supererà i 101 miliardi entro il 2032! Capite bene che garantire una qualità costante è fondamentale. Durante la distillazione, si formano tantissime sostanze: etanolo, esteri, aldeidi, fenoli e anche chetoni. Tra questi, l’acetone (presente nelle “teste” della distillazione) e il diacetile (che dà quel sapore burroso/formaggioso non proprio desiderato) sono osservati speciali. Rimuoverli è difficile e la loro presenza, anche in piccole quantità (parti per milione!), può rovinare il prodotto finale.

Tradizionalmente, si usano analisi chimiche complesse in laboratorio o panel di esperti degustatori (nasi umani!). Ma noi abbiamo pensato: e se potessimo avere un sistema oggettivo, veloce e magari portatile, da usare direttamente in distilleria? Ecco che entra in gioco il nostro naso elettronico. A differenza dei sensori immersi nel liquido, l’e-nose “annusa” i composti volatili, offrendo un’analisi non invasiva e potenzialmente in tempo reale.

Il Nostro “Super-Naso”: Tecnologia all’Avanguardia

Il cuore del nostro sistema è un dispositivo e-nose basato su sensori con nanotubi di carbonio a parete singola (sw-CNTs). Immaginate dei tubicini incredibilmente piccoli, la cui resistenza elettrica cambia quando entrano in contatto con diverse molecole odorose. Abbiamo integrato questo sensore (una versione customizzata dello Smell-Inspector di SmartNanotubes) con un chip ESP32 (un microcontrollore potente e versatile) e un modem 5G (usando una scheda Monarch 2).

Il sistema funziona così:

• Il sensore ha 4 array di 16 canali ciascuno (64 canali totali), più 2 per temperatura e umidità.
• Questi 64 canali “collaborano” per misurare 15 diverse “caratteristiche dell’odore” ((f_1 ldots f_{15})).
• Ogni 1.8 secondi, il dispositivo acquisisce i dati di resistenza, calcola i valori medi per le 15 caratteristiche e invia tutto via 5G a un server Edge vicino.

L’uso del 5G e dell’Edge computing permette di elaborare i dati quasi istantaneamente, senza sovraccaricare il piccolo dispositivo IoT.

Insegnare al Naso a “Capire” gli Odori: L’AI al Lavoro

Ok, il naso “sente”, ma come fa a distinguere un single malt da un blended, o dal fastidioso acetone? Qui entra in gioco la magia (o meglio, la scienza) dell’intelligenza artificiale e di un’attenta preparazione dei dati. Il processo, che avviene sull’Edge server, è cruciale:

1. Pulizia del Segnale (Smoothing): I dati grezzi sono “rumorosi”. Usiamo un filtro chiamato Savitzky-Golay per “lisciare” le curve del segnale, eliminando i picchi anomali senza perdere le informazioni importanti. Abbiamo ottimizzato i parametri del filtro (finestra di 51 punti, polinomio di grado 3) per ottenere il miglior compromesso tra precisione e velocità.
2. Correzione della Deriva (Drift Correction): I sensori, col tempo e l’esposizione, tendono a “deriva” (il segnale cala anche senza stimoli). Abbiamo sviluppato un metodo che stima questa deriva usando le fasi in cui il sensore è esposto solo all’aria e la sottrae dal segnale, rendendo le misure più stabili e confrontabili.
3. Normalizzazione (Rescaling): Per confrontare misure fatte in momenti diversi e concentrarci sulla “forma” dell’impronta olfattiva, normalizziamo il segnale (usando lo StandardScaler di Scikit-Learn).
4. Estrazione delle Caratteristiche (Feature Extraction): Invece di dare in pasto all’AI il segnale grezzo (o quasi), calcoliamo degli indicatori statistici che descrivono aspetti chiave della risposta del sensore durante l’esposizione all’odore. Abbiamo definito diverse feature, come:

• R0: Il valore medio del segnale durante la fase di non-esposizione iniziale.
• R: Il valore medio del segnale durante la fase di esposizione all’odore.
• R10, R24, R50, R75: Il valore medio del segnale dopo il 10%, 24%, 50% e 75% del tempo di esposizione.
• Max, Min: I valori massimo e minimo durante l’esposizione.

Queste feature diventano l’input per i modelli AI.
5. Classificazione AI: Abbiamo testato diversi algoritmi di machine learning: Gaussian Naive Bayes, Random Forest (RF), Logistic Regression, Support Vector Machine (SVM) e una rete neurale Multi-layer Perceptron (MLP). L’obiettivo? Classificare correttamente la sostanza annusata.

Addestramento e Risultati: Il Naso Impara e Stupisce!

Per insegnare all’AI, abbiamo raccolto dati in laboratorio. Abbiamo usato un adattatore stampato in 3D per posizionare l’e-nose sempre allo stesso modo sulle bottiglie, evitando contaminazioni. Abbiamo “annusato” tre tipi di whiskey (un single malt Speyside – Tamnavulin, un blended fruttato – Cutty Sark Prohibition, un single malt torbato – Laphroaig) e acetone puro. Abbiamo fatto 5 campagne di misura in giorni diversi, raccogliendo 300 campioni per sostanza ogni volta (100 prima, 100 durante, 100 dopo l’esposizione).

Dato che avevamo più dati di “non esposizione”, abbiamo usato una tecnica chiamata SMOTE (Synthetic Minority Oversampling Technique) per generare dati sintetici della fase di esposizione, bilanciando il dataset. Poi, abbiamo addestrato i modelli AI.

E i risultati? Davvero notevoli!

• Distinguere i 3 tipi di whiskey: Il modello Random Forest, usando la feature statistica ‘R’ (media durante l’esposizione), ha raggiunto un’accuratezza pazzesca del 99%! Questo dimostra che, anche se simili, le impronte olfattive dei diversi whiskey (soprattutto tra single malt e blended) sono distinguibili.
• Distinguere whiskey da acetone: Qui, il modello migliore è stato l’MLP (la rete neurale), usando la feature ‘R10’ (media nel primo 10% dell’esposizione). Accuratezza del 96%! È interessante notare che R10, che richiede meno dati, sia stata la migliore, forse per l’alta volatilità dell’acetone che raggiunge subito i sensori.

Il bello è che l’intero processo di analisi (acquisizione, invio dati, pre-processing, inferenza AI) richiede circa 1.52 secondi, ben al di sotto del tempo di campionamento di 1.8 secondi. Questo significa che il sistema può operare praticamente in tempo reale! Anche l’addestramento dei modelli è rapidissimo (meno di un secondo).

Abbiamo anche confrontato il nostro approccio basato su feature statistiche con l’uso diretto dei dati pre-processati (come fatto in altri studi). I risultati sono stati chiari: le nostre feature danno un vantaggio significativo (ad esempio, RF con dati pre-processati raggiungeva solo l’81% di accuratezza nella classificazione dei whiskey, contro il nostro 99%).

Sfide e Prossimi Passi: La Strada è Ancora Lunga (ma Promettente!)

Certo, non è tutto oro quello che luccica. Abbiamo notato che i sensori possono “saturarsi” dopo molte misure ravvicinate, perdendo sensibilità. La correzione della deriva è buona, ma non perfetta. E distinguere whiskey molto, molto simili (magari due single malt della stessa distilleria e invecchiamento) resta una sfida complessa, come mostra anche l’analisi PCA (Principal Component Analysis) che abbiamo fatto: i cluster dei single malt erano vicini tra loro.

Il nostro naso elettronico non sostituirà (ancora!) l’esperienza di un sommelier esperto, ma i progressi sono evidenti. Stiamo già pensando al futuro:

• Ampliare i dataset con più tipi di whiskey, ma anche vino e birra.
• Utilizzare questi sistemi per monitorare le diverse fasi della distillazione o fermentazione, magari prevedendo la qualità finale del prodotto.
• Testare nuovi dispositivi e-nose, magari con più canali o maggiore sensibilità.

Conclusione: Un Assaggio di Futuro

Quello che abbiamo costruito è un sistema completo, dall’hardware al software, che dimostra come l’unione di nasi elettronici, IoT, 5G ed AI possa davvero fare la differenza in un settore tradizionale come quello delle distillerie. Abbiamo sviluppato pipeline di elaborazione del segnale specifiche per gli odori e dimostrato l’efficacia di modelli AI nel classificarli con alta precisione e in tempi rapidissimi.

È un passo avanti importante verso un controllo qualità più oggettivo, veloce ed efficiente. Stiamo, in un certo senso, insegnando alle macchine a “sentire” e interpretare il mondo degli odori, aprendo scenari che vanno ben oltre il whiskey. Chissà quali altri “assaggi” di futuro ci riserverà questa tecnologia!

Fonte: Springer