Az illataromák megtervezése ‒ vagyis hogy milyen legyen az ételek és az italok, a tisztítószerek, piperecikkek, illetve más háztartási termékek illata ‒ több milliárd dolláros üzlet. Az ezzel foglalkozó cégek évente rengeteg pénzt ölnek a kutatásba és fejlesztésbe, ide értve a számos fogyasztói tesztet is.

Azonban ezen felmérések eredményeinek értelmezése gyakran nehézségekbe ütközik ‒ az alanyok ízlése olyan széles skálán mozog, hogy a lehetetlennel határos megtalálni a közös pontokat. Ha elegendő adat állna rendelkezésre a fogyasztókról, az némileg segíthetne kiszűrni a nagyobb ellentmondásokat, de az is problémát jelent, hogy úgy negyven illatminta után az alanyok ítélőképessége teljesen megbízhatatlanná válik. Így a vállalatoknak nem áll módjukban kellő mennyiségű adat felhalmozására a jobb döntések meghozatalához.

A világ egyik legnagyobb aromavállalata az MIT számítástechnika és mesterséges intelligencia kutatásával foglalkozó laboratóriumától (CSAIL) kért segítséget. A teszteredmények analizálásához a genetikus programozás módszerét használták, melynek során matematikai modellek „versenyeznek” egymással annak alapján, hogy melyik írja le pontosabban az elérhető adatokat, majd az egyes modellek legjobb elemeiből létrehoznak egy még jobbat.

A svájci Givaudan által elvégzett fogyasztói felmérés során 69 alany értékelte hét alapillat 36 különféle kombinációját. Minden mintához egy pontszámot rendeltek az illatélmény minősége szerint.

Az MIT kutatói minden alany esetében véletlenszerűen kiválasztott matematikai függvények alapján igyekeztek előre jelezni, hogy az egyes illatok adott koncentrációja milyen pontszámot valószínűsít. A működőképes függvények rangsorolásánál a pontosság és az egyszerűség voltak a fő kritériumok. Így például ha egy függvény jól leírta az alany reakcióját egyetlen faktorra (pl. vajkoncentráció), akkor azt hasznosabbnak ítélték annál a kicsivel ugyan pontosabb, de sokkal összetettebb függvénynél, amely mind a hét összetevővel operál.

A függvények rangsorolása után a nagyon pontatlanokat félretették, majd a bennmaradók elemeiből véletlenszerűen összekombinálták a függvények következő generációját. Ezeket is rangsorolták pontosság és egyszerűség alapján. Ezt a procedúrát körülbelül harminc alkalommal ismételték meg, amíg a végeredményül kapott függvények már meglehetős pontossággal írták le az adott tesztalany preferenciáit.

A kutatók által így létrehozott egyéni ízlésprofilok alapján az alanyokat különféle csoportokba lehet sorolni. Lehetséges például, hogy egyes alanyok a fahéjat szeretik nagyon, mások a szerecsendiót, de egyik csoport sem szereti a másik kedvencét. Ez esetben a cég sokkal jobban jár, ha külön fahéjas és külön szerecsendiós termékvonallal áll elő, mintha mindkét illatot egyetlen termékben árusítaná. „A 36 illat mindegyikénél volt olyan, aki utálta az adott mintát, és volt olyan, aki imádta” ‒ mondta Una-May O’Reilly, a kutatás vezetője. Ha mindenáron olyan illatot kíván találni az ember, amelyet az egész panel kedvel, az kemény kompromisszumokkal jár.

Ami az alkalmazott kísérleti módszer jelentőségét illeti, arról Lee Spector, a Hampshire College professzora és a Genetic Programming and Evolvable Machines című folyóirat főszerkesztője így nyilatkozott: „Évtizedek óta játszadozunk evolúciós programozási technikákkal. Az egyik ok, amiért ezek a legutóbbi időszakig nem igazán robbantak be a köztudatba az volt, hogy nem igazán lehetett tudni, mely területeken érdemes ilyeneket használni.” Az illatpreferenciák vizsgálata ideálisnak tűnik ilyen szempontból, és a jelek szerint kiválóan be is váltak a módszerek, így ez az egész nagyon izgalmas, és sok új lehetőséget vet fel, folytatta.