Analyse de la qualité du vin à l'aide de l'intelligence artificielle et de l'apprentissage automatique

La qualité du vin est importante pour les consommateurs ainsi que pour l'industrie du vin. La méthode traditionnelle (testeur de vin expert) pour mesurer la qualité du vin peut être coûteuse et prendre du temps. De nos jours, les modèles d'apprentissage automatique sont avant tout des outils destinés à remplacer l'intervention humaine. En tant que sous-domaine de l'intelligence artificielle (IA), l'apprentissage automatique (ML) vise à comprendre la structure des données et à les intégrer dans des modèles, qui peuvent ensuite être utilisés sur des données invisibles pour réaliser la tâche souhaitée. L'apprentissage automatique a été largement utilisé dans divers secteurs tels que les entreprises, la médecine et l'astrophysique pour n'en citer que quelques-uns et bien d'autres problèmes scientifiques. Inspirés par le succès de l'intelligence artificielle dans différents secteurs, nous pouvons l'utiliser pour prédire la qualité du vin en fonction de diverses propriétés physico-chimiques du vin. Parmi diverses méthodes d'apprentissage automatique, nous analysons les performances des méthodes ML d'ensemble d'arbres extrêmement aléatoires (arbres supplémentaires), d'Extreme Gradient Boosting (XG Boost) et de Light gradient-boosting machine (Light GBM). Ce travail démontre comment l'analyse de données statistiques peut être utilisée pour identifier les composants qui contrôlent principalement la qualité du vin avant la production.

Autorentext

Tutti gli autori lavorano presso l'ADYPSOE Lohegaon Pune, India. Il nostro istituto è un Brand Engineering College in India e il nostro college è affiliato a SPPU, Pune Maharashtra, India. Siamo molto felici di lavorare nel nostro attuale college ADYPSOE Pune.

Klappentext

La qualité du vin est importante pour les consommateurs ainsi que pour l'industrie du vin. La méthode traditionnelle (testeur de vin expert) pour mesurer la qualité du vin peut être coûteuse et prendre du temps. De nos jours, les modèles d'apprentissage automatique sont avant tout des outils destinés à remplacer l'intervention humaine. En tant que sous-domaine de l'intelligence artificielle (IA), l'apprentissage automatique (ML) vise à comprendre la structure des données et à les intégrer dans des modèles, qui peuvent ensuite être utilisés sur des données invisibles pour réaliser la tâche souhaitée. L'apprentissage automatique a été largement utilisé dans divers secteurs tels que les entreprises, la médecine et l'astrophysique pour n'en citer que quelques-uns et bien d'autres problèmes scientifiques. Inspirés par le succès de l'intelligence artificielle dans différents secteurs, nous pouvons l'utiliser pour prédire la qualité du vin en fonction de diverses propriétés physico-chimiques du vin. Parmi diverses méthodes d'apprentissage automatique, nous analysons les performances des méthodes ML d'ensemble d'arbres extrêmement aléatoires (arbres supplémentaires), d'Extreme Gradient Boosting (XG Boost) et de Light gradient-boosting machine (Light GBM). Ce travail démontre comment l'analyse de données statistiques peut être utilisée pour identifier les composants qui contrôlent principalement la qualité du vin avant la production.