인공지능(AI)이 만든 맥주를 맛볼 수 있는 날이 머지 않아 보인다. 새로운 맥주를 만드는 것은 전적으로 인간의 전문 지식에 의존해 왔지만, 이제 AI가 맥주 개발을 지원하기 위해 활용될 전망이다. 스위스 루체른 응용 과학 대학과 미국 퍼시픽 노스웨스트 국립 연구소의 연구원들이 딥 러닝을 사용하여 맥주 레시피와 다양한 속성 간의 관계 및 새로운 레시피 생성을 모델링했다.

루체른 응용 과학 대학의 연구원인 마크 브라빈(Marc Bravin)은 "AI는 사람들이 더 창의적이 되도록 도울 수 있다"고 말했다. "대부분의 사람들은 고정된  사고방식을 가지고 있기 때문에 사용할 수 있는 다른 재료에 대해 생각하지 않는다."

AI는 또한 양조업자가 실제로 생산하기 전에 새로운 레시피에서 맥주의 특성을 예측하는 데 도움이 될 수 있다. 예를 들어, 선택된 재료를 통해서 색, 알코올 함량 및 쓴맛을 알 수 있다. 퍼시픽 노스웨스트 국립 연구소의 데이터 과학자인 엘린 에이튼(Ellyn Ayton)은 "원하는 만큼 쓴 맛이 나지 않으면 양조하기 전에 조정할 수 있다."라고 말한다 .

새로운 맥주를 만드는 데 도움이 되는 기계 학습 기술이 조사되고 있다. 에이튼 연구팀은 맥주 레시피와 다양한 속성 간의 관계를 모델링했다. 시스템이 레시피를 에일(ale), 라거(lager) 또는 밀(wheat) 맥주로 분류할 수 있는지 확인하기 위해 맥주 유형에 초점을 맞췄다. 또 다른 작업에서 맥주를 American IPA(India Pale Ale) 또는 Dry Stout과 같은 81가지 특정 유형 중 하나로 분류하는 것을 목표로 했다. 세 번째 실험에서 모델은 쓴맛 단위 또는 색상과 같은 10가지 다른 속성의 범위를 예측했다.

팀은 생성된 예측을 비교하기 위해 두 가지 다른 딥 러닝 모델을 사용했다. DNN(Deep Neural Network) 모델은 레시피에서 개별 재료의 특성을 학습할 수 있다. 두번째 LSTM(Long Short-Term Memory) 모델은 구성 요소의 시퀀스에서 학습하므로 더 복잡하지만, 왼쪽에서 오른쪽으로 읽는 레시피나 문장처럼 순서가 중요한 텍스트 데이터 학습에 매우 유용하다.

공개 웹사이트에서 양조업자들이 공유한 20만개 이상의 맥주 레시피가  실험 데이터로 사용되었다. 두 개의 딥 러닝 모델은 레시피의 70%로 훈련됐고 나머지는 나중에 테스트 목적으로 사용됐다.

에이튼 팀은 LSTM 모델이 세 가지 작업 모두에서 가장 잘 수행된다는 것을 발견했다. 81종의 맥주 종류가 있는 복잡한 분류 작업에서 34%의 정확도를 보였지만 이는 상당히 낮은 수준이다. 그러나 팀은 시각화 기술을 사용해 모델이 레시피에서 의미 있는 구조를 학습하고 있음을 확인할 수 있었다. 에이튼 팀은 "모델이 클래스를 서로 구별하는 데 어려움을 겪거나 더 많은 교육 데이터가 필요하다"라고 말했다. 이어 "일부 맥주에 대한 예가 많지 않았기 때문에 모델이 실패했을 수 있다"고 덧붙였다.

트랜스포머(Transformer)라는 새로운 딥 러닝 방법을 사용하면 모든 레시피 구성 요소의 상호 관계를 학습할 수 있어 더 나은 결과를 얻는 데 도움이 될 수 있다. 텍스트 데이터를 사용하는 다른 작업에서 LSTM 모델을 능가하는 것으로 나타났다. 에이튼은 "그것이 우리의 성과를 높이는 데 확실히 도움이 될 것이라고 생각한다"라고 말한다.

에이튼에 따르면 딥 러닝 모델은 새로운 맥주를 개발하는 데 3개월 이상이 소요되는 양조장에 유용한 도구가 될 수 있다. 맥주의 속성을 예측하는 것 외에도 이러한 모델을 역으로 사용하여 원하는 속성을 기반으로 레시피를 생성할 수 있다. 에이튼은 ”그것이 양조장의 매우 복잡한 양조 과정에 도움이 될 것이라고 생각한다"고 밝혔다.

브라빈 연구팀은 딥 러닝이 새로운 맥주 레시피를 생성할 수 있는지 여부를 조사했다. 팀은 전 세계의 전문 양조업자와 취미 양조업자로부터 공개적으로 사용 가능한 15만개가 넘는 맥주 레시피를 수집했다. 재료 양 및 가공 단계와 같은 정보가 포함된 레시피 세트는 6만5천개 이상의 레시피로 구성된 학습 및 테스트 세트로 가공했다.

그런 다음 브라빈 팀은 데이터로 트랜스포머 딥 러닝 모델을 훈련했다. LSTM과 마찬가지로 이 유형의 모델은 순차적이므로 예를 들어 발효물 선택에 따라 선택할 홉(hop)을 제한할 수 있다. 팀은 조언을 얻기 위해 양조장과 협력했다. 브라빈은 "우리는 그들에게 조리법을 어떻게 디자인할 것인지 물었고 그들은 '우선 발효물을 선택한 다음 이 발효물과 일치하는 홉을 고른다'"고 말했다. 

이 모델은 1만개의 새로운 맥주 레시피를 생성할 수 있었다. 얼마나 새로운지를 평가하기 위해 테스트 데이터 세트와 모델이 훈련된 레시피를 생성된 레시피와 비교했다. 모델이 훈련 세트의 모든 레시피를 완전히 과대적합(overfit)하고 단순히 복사했는지 또는 항상 새로운 레시피를 제시했는지에 대한 지표를 제공했다.

평균적으로 생성된 레시피는 테스트 세트의 레시피보다 더 새로웠다. 연구원들은 또한 전문 양조업자에게 재료 비용 및 기술적 측면과 같은 다양한 요소를 기반으로 레시피 생산 가능성을 평가하게 했다. AI가 생성한 레시피의 1/3 미만이 생산에 적합한 것으로 간주됐다.

하지만 최종적인 테스트는 딥 러닝으로 만들어진 레시피의 맥주를 실제로 양조하는 것이었다. 현지 소규모 양조장은 팀의 레시피 생성기를 사용하여 IPA(India Pale Ale) 맥주 레시피를 만들었다. 그런 다음 그들은 자몽과 같은 풍미를 지닌 Deeper라는 맥주를 생산했다. 브라빈은 "대다수의 사람들이 정말 좋아했다고 생각한다"라고 말한다.

브라빈은 초기 프로토타입 모델에 만족하지만 개선의 여지가 있다고 생각한다. 예를 들어, 작업을 단순화하기 위해 모델은 맥주의 일부 유형의 재료에 대해서만 학습되었다. 다양한 유형의 홉을 선택할 수 있었지만 맥주 양조자가 선택할 수 있는 다양한 효모는 무시했다. 그는 "레시피의 구성 요소를 더 추가하고 모델이 여전히 잘 작동하는지 확인하는 것은 정말 흥미로울 것이다"라고 말한다.

브라빈은 이러한 모델이 소규모 양조장에서 채택하여 혁신 프로세스의 속도를 높일 수 있다고 생각한다. 그러나 그는 전문 양조업자의 의견이 필요하다고 계속 믿고 있다. 그는 "때때로 우리 모델은 전문가들이 절대 작동할 없다고 말하는 레시피를 출력한다"라고 말했다. 또 "모든 사람이 집에서 양조할 수 있는 완벽한 레시피를 출력하려면 조금 더 시간이 필요하다고 생각한다"고 덧붙였다.