“La ricerca è l'atto di percorrere i vicoli per vedere se sono ciechi.”

Plutarco

L’analisi dei dati di Bordeaux porta a una nuova collaborazione nel machine learning

Era lo scorso luglio 2021 quando iniziammo a valutare l’opportunità di “contaminare” il nostro lavoro sulla predizione della qualità delle annate vinicole e dei prezzi con nuove forme di applicazione di machine learning applicate al mondo dei fine wines.

Questa volontà ci portò a conoscere e studiare il lavoro del Prof. Bernard Chen e del team dell’University of Central Arkansas (UCA), in particolare partimmo dall’interessante analisi svolta in “Can Wine Reviews in Bordeaux Reveal Wine Aging Capability?”. Il paper dei ricercatori K. Kwabla, F. Coulibaly, Y. Zhenis e Dr. Chen metteva in evidenza le possibili correlazioni tra i descrittori utilizzati dai critici e la possibilità che l’analisi di questi potesse far emergere delle correlazioni significative sulle capacità di invecchiamento dei vini presi in esame per Bordeaux. 

Il tempo scorreva e la vendemmia in Europa era alle porte: come accade sempre in questo periodo, ci trovammo alle prese con l’elaborazione dei dati sull’andamento vegetativo per la vendemmia 2021 a Bordeaux (scarica l’Abstract Bordeaux Vintage 2021) e tutte le altre aree monitorate, come la Borgogna..

L’idea, proposta dal team di Saturnalia, e immediatamente condivisa e accolta con entusiasmo dal Dr. Chen, non poteva che essere di aggiungere un anello, strategico, al sistema di ricerca già in essere: miliardi di pixel elaborati via satellite sull’area di Bordeaux per fornire il dettaglio dell’andamento vegetativo per singola superficie e dell’andamento climatico e farli incontrare con l’imponente database di tasting notes processato per il machine learning dal Dr. Chen.

Che cosa tratta la Wineinformatics?

La Wineinformatics è un nuovo tipo di ricerca nel settore vinicolo, che applica la data science a dataset inerenti al vino. Il lavoro attuale del Dr. Chen mira ad analizzare le wine review per trovare correlazioni con tematiche affini, come la valutazione dei vini, l’annata, il prezzo, e il terroir. Chen ha sviluppato la Computational Wine Wheel, uno strumento di Natural Language Processing che i computer possono utilizzare per comprendere il linguaggio umano nelle reviews. Con l’aiuto della Computational Wine Wheel, le wine review, siano esse specifiche per una regione o legate a particolari temi di ricerca, vengono raccolte ed elaborate all’interno di nuovo dataset. Il dataset così perfezionato permetterà poi di rispondere ad alcune domande, come: “cosa permette a un vino di ottenere un punteggio di 90+ ed essere considerato un vino eccezionale?”, “cosa accomuna un determinato gruppo di vino?”, “quali caratteristiche di un vino classico (95+) possono essere ritrovate nei vini bordolesi del XXI secolo?”, “Le wine reviews sono affidabili e coerenti?”. 

Grazie ai due indici di Saturnalia SEI (Saturnalia Evolution Index) e SVI (Saturnalia Variation Index) è infatti possibile rielaborare la riflettanza ottenuta dai sensori satellitari, riuscendo a misurare il livello di clorofilla e di stress idrico nelle foglie. Sfruttando algoritmi di intelligenza artificiale, Saturnalia deriva il Vintage Score, un vero e proprio voto sulla qualità potenziale di un vino, senza alcun assaggio ma basandosi solo su fonti oggettive, come dati satellitari, dati meteo e informazioni sul territorio/orografiche per l’andamento vegetativo e sapientemente miscelate agli scores dei critici più quotati al mondo.

Lo studio si pone come obiettivo l’uso del machine learning per valutare correlazioni tra il profilo gustativo, l’andamento delle annate e le potenziali finestre di consumo. Il lavoro dei due team procede e, prossimamente, pubblicheremo alcune anteprime su quanto si prospetta come un piccolo passo avanti nella wine informatics e per la fine wine industry.

contatti
supporto

© 2021 Ticinum Aerospace. All rights reserved

Wine informatics: quando dati satellitari e semantica si incontrano nel machine learning