Whisky : un nez électronique dopé à l’IA distingue les arômes américains et écossais

Le whisky se raconte volontiers avec un vocabulaire de dégustation, entre bois, fumée, caramel ou rondeur. Mais derrière ces impressions se cache un assemblage complexe de molécules. En décembre 2024, des travaux montrent qu’une intelligence artificielle peut exploiter cette signature chimique pour distinguer des whiskies américains de whiskies écossais, avec une précision annoncée de plus de 90 % dans le cadre de l’étude.

L’idée n’est pas de transformer une machine en amateur de spiritueux. Il s’agit plutôt de donner à l’industrie et aux chercheurs un instrument de mesure supplémentaire, capable de repérer des régularités difficiles à isoler à l’odorat seul. Ce « nez électronique » promet une analyse rapide et reproductible. Ses résultats doivent toutefois être lus à la mesure de l’expérience menée : elle porte sur seize échantillons, un nombre encore limité face à l’immense diversité des whiskies disponibles.

Ce que l’étude a réellement analysé

Le dispositif présenté associe une analyse de la composition chimique des boissons à des algorithmes d’intelligence artificielle. Les molécules détectées dans les échantillons deviennent des données que le système peut comparer, classer et relier à des descripteurs sensoriels ou à une famille de produits.

Un panel de onze membres a participé au travail autour des seize whiskies étudiés. L’objectif était de confronter les informations issues de la chimie aux perceptions aromatiques, puis d’entraîner des algorithmes à identifier des différences entre whiskies américains et scotchs.

Plusieurs composés ressortent parmi les marqueurs mis en avant : le menthol et le citronellol sont typiquement associés aux whiskies américains dans les résultats rapportés. Du côté des scotchs, le méthyl décanoate et l’acide heptanoïque apparaissent plus présents. Cela ne signifie pas qu’une seule molécule suffit à définir un whisky, ni qu’elle produit à elle seule un arôme identifiable. C’est la combinaison, et parfois l’interaction, de nombreux composés qui façonne le profil perçu.

Comment un nez électronique transforme-t-il des molécules en données ?

L’expression « nez électronique » peut donner l’image d’un petit appareil qui sentirait comme une personne. En réalité, elle désigne un ensemble de techniques qui convertissent une signature odorante ou chimique en informations mesurables, ensuite interprétées par un logiciel. Dans les travaux rapportés ici, le point de départ est la composition chimique des whiskies.

L’intelligence artificielle ne « sent » donc pas au sens humain du terme. Elle apprend des corrélations dans un jeu de données. Si certains profils de molécules sont fréquemment associés à des whiskies d’un groupe donné, l’algorithme peut apprendre à reconnaître ce motif dans un nouvel échantillon. De même, si des combinaisons chimiques reviennent avec des descriptions telles que boisé, fumé, onctueux ou caramélisé, le modèle peut tenter d’en prédire la présence.

Cette approche est particulièrement utile lorsque les variables sont nombreuses. Deux whiskies peuvent partager plusieurs composés, mais en contenir d’autres en quantités différentes. L’enjeu n’est pas seulement de repérer une substance isolée : il consiste à interpréter une carte chimique complexe, dont les indices pris séparément ne suffiraient pas toujours à établir une distinction nette.

Pour être solide, un modèle de ce type doit apprendre sur des données représentatives. Il doit aussi être évalué sur des échantillons qu’il n’a pas simplement mémorisés. Autrement dit, une bonne performance est toujours liée au périmètre du jeu de données utilisé : les produits examinés, leurs conditions de production, leur âge et les caractéristiques retenues dans l’analyse.

Que signifie une précision de plus de 90 % ?

Dans l’étude, l’un des algorithmes atteint une précision supérieure à 90 % pour différencier les spiritueux américains des homologues écossais inclus dans l’échantillon. C’est un résultat notable, qui dépasse les performances attribuées à chacun des membres du panel pour cette tâche de classification.

Il faut néanmoins distinguer deux choses. Premièrement, le modèle s’avère performant pour répondre à une question circonscrite : à quel groupe appartient un échantillon parmi les whiskies observés ? Deuxièmement, la dégustation humaine ne se limite pas à cette classification. Un professionnel peut décrire une évolution en bouche, juger l’équilibre général d’un assemblage, relever une sensation liée au contexte de service ou apprécier la cohérence d’un style. Ces dimensions ne se réduisent pas automatiquement à un score.

La force principale du système est sa constance. À données identiques, il applique les mêmes règles de calcul. Un dégustateur expérimenté reste, lui, exposé à la fatigue, à l’environnement immédiat ou aux variations de perception inhérentes à tout travail sensoriel. C’est précisément pourquoi l’IA peut constituer un outil complémentaire intéressant pour les analyses répétitives.

L’IA ne remplace pas le dégustateur, elle peut l’épauler

Présenter ces résultats comme le remplacement imminent des experts serait trompeur. Le panel humain demeure indispensable pour attribuer du sens aux données et pour décrire une expérience sensorielle dans sa globalité. Une molécule n’est pas un jugement de qualité, et un classement automatisé ne dit pas, à lui seul, si un whisky sera apprécié par un consommateur ou fidèle au style recherché par une distillerie.

L’intérêt d’un nez électronique se situe plutôt en amont ou en soutien des équipes. Il peut signaler qu’un lot s’écarte d’un profil habituel, aider à comparer des échantillons nombreux ou guider les contrôles avant une évaluation humaine plus approfondie. Les dégustateurs peuvent alors concentrer leur expertise sur l’interprétation, la décision et les nuances que des données chimiques ne suffisent pas à résumer.

Des applications possibles, du contrôle qualité aux plastiques recyclés

Pour les producteurs, la première application envisageable concerne la régularité. Une marque cherche généralement à conserver un profil reconnaissable d’un lot à l’autre, malgré les variations possibles de matières premières, de fûts ou de vieillissement. En comparant la signature chimique d’un nouveau lot avec un profil de référence, un outil algorithmique pourrait contribuer à détecter plus tôt une divergence.

La lutte contre les contrefaçons est une autre piste. Un produit présenté sous une identité donnée peut avoir une signature aromatique ou chimique qui ne correspond pas au profil attendu. Un système de comparaison ne suffirait pas à établir seul une fraude, mais il pourrait servir de signal d’alerte et orienter des vérifications plus poussées.

Les perspectives dépassent les spiritueux. Les chercheurs évoquent notamment le recyclage de plastiques anciens. Les matériaux recyclés peuvent conserver des odeurs indésirables, susceptibles de gêner leurs nouveaux usages. Une technologie capable de reconnaître ces signatures odorantes pourrait aider à repérer les matériaux qui nécessitent un traitement supplémentaire ou ne répondent pas aux critères visés.

Cette parenté d’usages rappelle que les technologies sensorielles ne concernent pas uniquement l’alimentation. Elles peuvent être mobilisées partout où une odeur, une molécule volatile ou une empreinte chimique révèle une propriété du produit. Leur intérêt tient alors moins à une imitation parfaite du nez humain qu’à leur capacité à mesurer et comparer de façon systématique.

Pourquoi les résultats doivent encore être élargis

La principale limite est la taille de l’échantillon. Avec seize whiskies, l’étude offre une démonstration encourageante, mais elle ne peut pas capturer toute la variété des styles américains et écossais. Les méthodes de fabrication, les origines des céréales, les fermentations, les types de fûts et les durées de maturation peuvent modifier profondément le profil chimique d’un produit.

L’âge des whiskies complique également l’exercice. Avec le temps, les interactions entre le spiritueux et le bois font évoluer les composés présents et la perception aromatique. Un modèle entraîné sur une sélection limitée doit donc être confronté à davantage de millésimes, de niveaux de vieillissement et de conditions de production avant de pouvoir prétendre à une grande généralisation.

La perception dépend enfin du contexte. Température de service, verre utilisé, odeurs ambiantes et habitudes de dégustation peuvent influencer ce qu’une personne identifie. L’analyse chimique apporte une mesure standardisée du produit, mais elle ne reproduit pas à elle seule toutes les conditions d’une dégustation réelle.

Les prochains travaux devront ainsi vérifier si les marqueurs retenus restent pertinents sur une gamme beaucoup plus vaste de whiskies. Ils devront aussi préciser comment articuler, plutôt qu’opposer, les résultats de l’algorithme et les évaluations des professionnels.

Ce qu’il faut surveiller dans les technologies sensorielles

Cette expérience illustre un mouvement plus large : l’intelligence artificielle devient un outil d’interprétation pour des données que l’humain perçoit souvent de manière intuitive, qu’il s’agisse d’odeurs, de textures ou de saveurs. Dans le whisky, la promesse la plus crédible n’est pas un arbitre automatique de la qualité, mais une aide pour objectiver certains contrôles et comprendre des profils complexes.

La suite dépendra de la diversité des données utilisées et de la transparence des validations. Si les systèmes sont testés sur un nombre plus important de produits, à différents âges et dans des conditions variées, ils pourraient devenir un appui concret pour les distilleries, les laboratoires et les experts. La dégustation restera subjective, mais elle pourra être éclairée par une lecture plus fine de la chimie qui se trouve dans le verre.