SMU: модель AMIC оценивает качество вина по рецензиям, точность 89,26%

Оценка вина опирается на мнение экспертов, а исследования показывают их непоследовательность: по данным California State Fair Commercial Wine Competition, менее 10% судей стабильно одинаково оценивали идентичные вина под разными этикетками. Jing Cao, директор программ магистратуры кафедры статистики и науки о данных Southern Methodist University (SMU), занимается экономикой вина с начала 2010-х годов и опубликовала по теме более десяти научных работ. Она исследует, как ИИ меняет оценку вина. Одна из задач — понять, какие слова в винных рецензиях связаны с оценкой качества: язык рецензий использует собственные маркеры тональности, которые расходятся с обычной речью.

Jing Cao и её студент Chenyu Yang разработали модель AMIC (attention-based multiple instance classification). Модель сочетает векторные представления слов, классификацию по множеству экземпляров и механизм самовнимания. Она определяет, какие именно слова рецензии задают оценку качества вина, и учитывает их значение в контексте. По описанию SMU, модель распознаёт, что слова «stained», «carpet» и «fabric» в винных рецензиях указывают на высокое качество, а «quick», «breezy» и «easygoing» обычно говорят о менее сложных винах. Пользователь видит, на основании каких слов модель приняла решение.

Работа вошла в серию публикаций Jing Cao в Harvard Data Science Review; SMU сообщила о ней 3 июня 2025 года. По данным университета, модель AMIC достигла точности 89,26% и при этом даёт прозрачное объяснение своих решений. В той же серии вышли обзор ИИ-систем для оценки вина и историческая статья о развитии экономики вина, написанная вместе с Karl Storchmann. Cao предполагает, что ИИ будет помогать в оценке вина, не заменяя человеческое восприятие.