Nectar działa w ramach platformy Food System Innovations. Projekt prowadzi standaryzowane, ślepe testy konsumenckie obejmujące produkty roślinne i hybrydowe. Przedstawiciele inicjatywy podali, że dotychczas oceniono ponad 100 produktów w kilkunastu kategoriach, przy czym każdy z nich był testowany przez co najmniej 100 konsumentów spożywających mięso. Testy odbywały się bez ujawniania informacji o pochodzeniu produktu, co miało ograniczyć efekt uprzedzeń deklaratywnych. Zakres zbieranych danych obejmuje ocenę ogólnej akceptacji, podobieństwa do konwencjonalnego mięsa, soczystości, struktury, intensywności smaku oraz wrażeń zapachowych. Wyniki te zestawiane są z danymi sprzedażowymi pochodzącymi z paneli konsumenckich i analiz rynku. Celem jest identyfikacja zależności między parametrami sensorycznymi a wynikami komercyjnymi. W analizach branżowych wskazano, że produkty uzyskujące wyższe oceny smaku osiągają jednocześnie lepsze wskaźniki sprzedaży w swoich kategoriach.

Projekt uzyskał finansowanie w wysokości 2 mln dol. w ramach konkursu AI Grand Challenge for Climate and Nature organizowanego przez Bezos Earth Fund. Środki przeznaczono na opracowanie modelu sztucznej inteligencji zdolnego do przewidywania wyników sensorycznych na podstawie danych recepturowych oraz opisowych. W prace zaangażowani są badacze ze Stanford University. Koncepcja zakłada adaptację dużych modeli językowych do analizy danych wielomodalnych obejmujących parametry sensoryczne, skład surowcowy oraz informacje rynkowe. Narzędzie ma umożliwiać symulowanie wpływu zmian receptury na przewidywaną ocenę konsumencką. W praktyce oznacza to skrócenie cyklu iteracyjnego rozwoju produktu oraz ograniczenie liczby kosztownych testów panelowych. Twórcy projektu deklarują, że rozwiązanie będzie dostępne w formule open source i możliwe do wdrożenia lokalnie przez producentów, bez konieczności przekazywania poufnych danych o składzie produktów.

Przedsięwzięcie opiera się na założeniu, że wystarczająco duży i jednorodnie zebrany zbiór danych sensorycznych pozwoli wytrenować model zdolny do przewidywania ocen nowych formulacji. W literaturze dotyczącej uczenia maszynowego w nauce o żywności wykazano, że modele mogą odwzorowywać profile smakowe i preferencje konsumenckie, jeśli dysponują odpowiednio reprezentatywnym zbiorem treningowym. W sektorze alternatywnych białek wyzwaniem pozostaje jednak złożoność matryc roślinnych, interakcje białek z tłuszczami oraz obecność związków odpowiadających za posmak gorzki lub ściągający. W raportach Taste of the Industry publikowanych przez Nectar wskazano, że znaczna część analizowanych produktów nie osiąga poziomu akceptacji porównywalnego z odpowiednikami mięsnymi. Dotyczy to zwłaszcza kategorii, w których konsumenci mają utrwalone oczekiwania dotyczące struktury włóknistej i profilu aromatycznego, takich jak kurczak czy wołowina mielona. Równolegle analizowane są produkty hybrydowe łączące komponenty zwierzęce i roślinne, które w niektórych przypadkach uzyskują wyższe oceny sensoryczne niż w pełni roślinne odpowiedniki.

Istotnym elementem projektu jest standaryzacja procedury testowej. Wiele firm prowadzi własne badania sensoryczne z użyciem odmiennych skal i protokołów, co utrudnia porównania między produktami. Centralna baza danych, obejmująca dziesiątki produktów ocenianych według tej samej metodologii, tworzy warunki do budowy modeli o większej stabilności predykcyjnej. Jednocześnie należy uwzględnić ograniczenia – preferencje smakowe różnią się geograficznie i kulturowo, dlatego model wytrenowany na konsumentach amerykańskich może nie odzwierciedlać preferencji w innych regionach. Relacja między oceną deklarowaną w warunkach testowych a realnym zachowaniem zakupowym bywa modulowana przez cenę, dostępność produktu i markę. Podsumowując, projekt Nectar zakłada próbę przeniesienia części procesu formulacyjnego do środowiska cyfrowego poprzez modelowanie zależności między składem, percepcją a sprzedażą. Ostateczna ocena skuteczności podejścia będzie jednak zależna od jakości danych wejściowych, transparentności walidacji modeli oraz ich użyteczności w realnych procesach przemysłowych.