L'évaluation sensorielle, qui fait appel aux sens humains, se divise en deux grandes catégories : l'évaluation sensorielle analytique, qui recueille des résultats objectifs auprès d'un panel entraîné, et l'évaluation sensorielle basée sur les préférences, qui recueille des résultats subjectifs auprès de consommateurs lambda. Par ailleurs, ces dernières années, de nombreuses méthodes innovantes (méthodes rapides) ont été adoptées. Elles permettent de réaliser des analyses d'évaluation avec une certaine précision tout en réduisant le temps et le coût de la formation et de l'évaluation des panels. Parmi ces méthodes rapides, le Profil de Choix Libre (PCL) repose sur le principe que les évaluateurs évaluent les échantillons selon leurs propres critères. Cette méthode présente l'avantage de saisir directement les perceptions et expressions naturelles des consommateurs, sans nécessiter de formation préalable du panel. Les données recueillies par chaque individu, à l'aide de différents critères et échelles, sont intégrées par analyse multivariée et analyse de Procrustes généralisée (APG), puis interprétées comme un espace perceptif commun à l'ensemble des échantillons.
Cette fois-ci, afin de réaliser une analyse des moyennes pondérées cumulatives (GPA), non disponible dans le menu d'analyse de JMP, et d'analyser les données FCP, nous avons créé un script utilisant une intelligence artificielle de génération et rendu l'analyse possible en reliant JMP et Python. Nous souhaitons présenter les résultats et l'interprétation des données FCP.
