كيف لذيذ "علم الكمبيوتر كيف يتذوق."

كيف يستخدم Tastry الكيمياء الجديدة والذكاء الاصطناعي للتنبؤ بتفضيلات المستهلك.

منذ البداية، كان السؤال الذي أردنا الإجابة عليه هو: "هل يمكننا فك رموز مصفوفات النكهة الفريدة للمنتجات القائمة على الحواس، والتفضيلات البيولوجية الفريدة للمستهلكين للتنبؤ بدقة بمدى إعجابهم بها؟" الإجابة القصيرة هي نعم.

ومع ذلك، وجدنا في وقت مبكر من بحثنا أن طرق التحليل الكيميائي الحالية وبيانات تفضيلات المستهلك الحالية، قدمت ارتباطات أو تنبؤات غير ذات أهمية إحصائية. كنا نعلم أنه سيتعين علينا إنشاء بياناتنا الخاصة من أجل إحراز التقدم.

أولاً، كنا بحاجة إلى إنشاء طريقة كيمياء تحليلية من شأنها أن توفر أكبر قدر ممكن من الشفافية للكيمياء (بما في ذلك المواد المتطايرة وغير المتطايرة والذائبة والبيانات الطيفية وما إلى ذلك). كنا بحاجة أيضًا إلى فك تشفير مصفوفة النكهة بطريقة ما. يمكن ترجمتها للمساعدة في تقريب كيفية تجربة البشر لتلك الكيمياء في ذوقهم.

ثانيًا، كنا بحاجة إلى إنشاء طريقة للحصول بشكل مستمر ودقيق على التفضيلات الحسية البيولوجية وزيادتها وتتبعها لمجموعة كبيرة ومتنوعة ومتنامية باستمرار من المستهلكين الفعليين لتكون بمثابة الحقيقة الأساسية لدينا.

لماذا تفشل الأساليب الحالية في التنبؤ بتفضيل المستهلك للمنتجات الحسية

عندما بدأنا بحثنا في عام 2015، كانت لدينا فرضية مفادها أن كل ما تحتاج لمعرفته حول نكهة النبيذ، أي الطعم والرائحة والملمس واللون، موجود في الكيمياء. ومع ذلك، فإن ما كان مفقودًا هو طريقة أكثر شمولاً للتحليل.

لشرح هذا القيد، من المهم أن نفهم أن كيمياء المنتجات الحسية تركز إلى حد كبير على مراقبة الجودة، أي ما مقدار هذه المادة التحليلية الموجودة في هذا الخليط؟ لا ينصب التركيز عادةً على تقييم جميع التحاليل، أو نسبها النسبية، أو كيفية دمجها في الحنك البشري لتكوين النكهة. هذه هي النقطة العمياء التي كنا بحاجة لإلقاء الضوء عليها، لأن هناك تفاعلات ديناميكية تحدث بين مئات المركبات الموجودة في الحنك البشري. يختبر الحنك البشري "حساءًا كيميائيًا" من مركبات النكهة في نفس الوقت، وليس مركبًا واحدًا في كل مرة كما تفعل الآلة. توفر التفاعلات بين هذه المركبات المتعددة جنبًا إلى جنب مع البيولوجيا الفريدة لكل مستهلك، سياقًا نقديًا بشأن السمات الكيميائية التي يتم التعبير عنها لذلك الشخص.

وبقدر ما يتم أخذ الحواس في الاعتبار، ببساطة، يبدو النهج النموذجي كما يلي:

• تظهر بيانات المسح أن الناس يحبون الزبدة.
• ثنائي الأسيتيل هو مركب يرتبط عادة بنكهة الزبدة.
• إذا صنعنا شاردونيه بكمية أكبر من ثنائي الأسيتيل، فسيحبه عدد أكبر من الناس.

المشاكل الأساسية مع هذا النهج.

1. لا يمكن التنبؤ بالنكهة عن طريق القياس الكمي للمركبات وحدها. قد يُنظر إلى تركيز معين من ثنائي الأسيتيل على أنه زبدة في نوع من النبيذ أو النبيذ، ولكن ليس في نوع آخر. وذلك لأن هناك مئات من المركبات الأخرى في النبيذ، واعتمادًا على تركيزاتها ونسبها، يمكن إخفاء ثنائي الأسيتيل أو التعبير عنه. على عكس الآلة، يختبر البشر جميع المركبات في وقت واحد، ولا تقوم حواسهم بتحليل كل مركب على حدة، وبالتالي فإن أي قياس كمي فردي ليس بالضرورة تنبؤيًا.

2. يدرك البشر ويتواصلون مع النكهات بشكل مختلف. حتى بين لجنة من الخبراء، قد يصف نصف الخبراء شيئًا ما بأنه مذاق مثل التفاح، والنصف الآخر قد يصفه بأنه كمثرى. والمستهلك العادي أقل قابلية للتنبؤ به. من خلال بحثنا، لا نعتقد أن الذوق البشري ملموس بما يكفي ليتم توصيله بدقة من خلال اللغة من شخص إلى آخر. الأوصاف لدينا غامضة للغاية، وتختلف تعريفاتنا بناءً على البيولوجيا الفردية والتجارب الثقافية. على سبيل المثال، في الولايات المتحدة، يصف معظم المستهلكين البنزالديهيد بأنه "كرز"، لكن معظم المستهلكين في أوروبا يصفونه بأنه "مارزيبان"...حتى في نفس النبيذ.

3. النكهات التي يراها المستهلكون ليس لها أي علاقة بما إذا كانوا يحبونها بالفعل أم لا. لوحظ في بحثنا أن المستهلكين لا يقررون شراء النبيذ لأنه مذاقه مثل الكرز. إنهم ببساطة يصدرون الحكم بأنهم أحبوا النبيذ، ومن المرجح أن يعجبهم مرة أخرى.

مثال: هذا النقص في الفهم لا يقتصر على قطاع النبيذ. لقد التقينا مع المديرين التنفيذيين والباحثين في بعض أكبر شركات النكهات والعطور في العالم. وصف أحد المسؤولين التنفيذيين إحباطه من مشروع حديث لإنتاج شوكولاتة جديدة بالخزامى. أنفقت هذه الشركة ملايين الدولارات على الجلوس وإدارة مجموعات التركيز مع المستهلكين الذين أحبوا الشوكولاتة على وجه التحديد، وأحبوا الخزامى، وأحبوا شوكولاتة الخزامى. في نهاية المطاف، كانت النتائج أن المشاركين اتفقوا على أنها شوكولاتة اللافندر، لكنهم اتفقوا أيضًا على أنهم لا يحبون تلك الشوكولاتة بالخزامى على وجه التحديد.

ونتيجة لهذه الأفكار، خلصنا إلى أننا يجب أن نركز بحثنا على التنبؤ بالمصفوفات الكيميائية التي يحبها المستهلكون، وإلى أي مدى، مقارنة بالنكهات التي يرونها.

كيف يختلف نهجنا

القمامة في الداخل، القمامة في الخارج. عندما يتعلق الأمر بجودة البيانات، أدركنا أنه لا يمكن إنشاء مجموعة تدريب صالحة من البيانات التجارية أو البيانات المجمعة المصدر. سيتعين علينا إنشاء منطقتنا الخاصة في المنزل.

أول شيء كنا بحاجة إليه هو طريقة كيميائية من شأنها أن توفر رؤية واضحة للتوازن الدقيق للمواد الصلبة المتطايرة وغير المتطايرة والذائبة، والبيانات الطيفية، وما إلى ذلك، للنبيذ في لقطة واحدة، ليكون أكثر ارتباطًا بالحنك البشري.

أسفرت سنوات من التجارب عن منهجية تولد أكثر من مليون نقطة بيانات لكل عينة. تتم بعد ذلك معالجة هذه الكمية الهائلة من البيانات بواسطة خوارزميات التعلم الآلي التي صممها فريق علم البيانات لدينا لفك تشفير الترابطات التي تُعلم الإدراك البشري بناءً على نسب التحليلات ومجموعات التحليلات.

بمجرد أن أثبتنا فعالية هذه الطريقة، بدأنا في تحليل وفك تشفير مصفوفة النكهة لآلاف عديدة من النبيذ في جميع أنحاء العالم وقمنا منذ ذلك الحين بتطوير قاعدة بيانات مصفوفة النكهة الشاملة لعالم النبيذ.

ربط تفضيلات المستهلك بالكيمياء

بعد ذلك، كان علينا أن نفهم مصفوفات النكهة التي يفضلها مختلف المستهلكين من خلال جعلهم يتذوقون ويقيمون النبيذ الذي قمنا بتحليله. على مر السنين قمنا بتشغيل لوحات تذوق مزدوجة التعمية مع آلاف المستهلكين، حيث تذوق كل منهم العشرات أو المئات من أنواع النبيذ بمرور الوقت. يشمل المستجيبون القادمين الجدد إلى النبيذ، وشاربي النبيذ التقليديين، والخبراء، وصانعي النبيذ، والسقاة.

عادةً ما تفوت الأنظمة ذات المصادر الجماعية البيانات المهمة أو تتجاهلها. على سبيل المثال، على مقياس باركر، لن يحصل معظم الأشخاص على درجة نبيذ أقل من منتصف 80 نقطة. يتراوح. لكننا تعلمنا أن المستهلكين يكرهون ما لا يحبونه، أكثر من إعجابهم بما يحبونه. لذلك، من المهم أن يكون لديك صورة كاملة عن التفضيلات - وخاصة التفضيلات السلبية.

استخدمنا التعلم الآلي الجديد لفهم التفضيلات الفريدة للمستهلكين لأنواع مختلفة من مصفوفات النكهة في النبيذ. مع مرور الوقت، سمح لنا هذا بالتنبؤ بدقة بتفضيلاتهم للنبيذ الذي لم يتذوقوه بعد. خلال هذه العملية، تعلمنا أيضًا أن النبيذ الفردي، بالإضافة إلى التفضيلات الفردية، يشبه تقريبًا بصمات الأصابع في تفرده. لقد خلصنا إلى أنه، خلافًا لممارسات الصناعة العرفية، لا يمكن تجميع المستهلكين والنبيذ بدقة، أو تصفيتهم بشكل تعاوني، في تعميمات.

مثال: يمكن أن تتشارك إناثان في نفس الجغرافيا والثقافة والعرق والتعليم والدخل والسيارة والهاتف، وكلاهما يحب كيم كروفورد ساوفيجنون بلانك؛ ولكن يمكن للمرء أن يحب Morning Fog chardonnay ويمكن للآخر أن يكرهه. الرؤية التنبؤية الوحيدة الموثوقة تقع على عاتقهم البيولوجي.

كيفية توسيع نطاق هذا الابتكار؟ 

ما قمنا بإنشائه كان رائعًا، لكن لوحات التذوق باهظة الثمن وتستغرق وقتًا طويلاً. سيكون من المستحيل إجراء لجنة تذوق سنوية تضم جميع الأمريكيين البالغ عددهم 248 مليونًا فوق سن 21 عامًا لفهم نوع النبيذ الذي سيحبونه.

أردنا تصميم أداة قابلة للتطوير تتمتع بنفس الفعالية في التنبؤ بتفضيلات المستهلك، دون الحاجة إلى المشاركة في لجان التذوق أو التعبير عن تفضيلاتهم لمجموعة كبيرة من أنواع النبيذ التي تم تذوقها مسبقًا.

كان الحل الذي توصلنا إليه هو جعل الذكاء الاصطناعي يختار المواد الغذائية البسيطة التي تشترك في جوانب الكيمياء الخاصة بها مع النبيذ في مجموعة متنوعة. أجاب المشاركون في لجان التذوق لدينا على عدة مئات من هذه الأسئلة حول تفضيلاتهم للأطعمة والنكهات التي لا ترتبط مباشرة بالنبيذ؛ مثل "ما هو شعورك تجاه الفلفل الأخضر؟"، أو "ما هو شعورك تجاه الفطر؟"

تم استخدام هذه الأسئلة بواسطة TastryAI كمناظرات لأنواع ونسب المركبات الموجودة عادة في الكيمياء الأساسية للنبيذ. كبشر، لا يمكننا فك أو فهم هذه الارتباطات والأنماط المعقدة، ولكن في الواقع فإن اكتشاف هذه العلاقات المعقدة يعد مشكلة ممتازة يجب على التعلم الآلي حلها.

باستخدام هذه البيانات، تعلمت TastryAI كيفية التنبؤ بتفضيل المستهلك للنبيذ، بناءً على إجاباتهم على استبيان تفضيلات الطعام. ما نتج عن ذلك هو قدرتنا على التخلص من الحاجة إلى أي بيانات خاصة بالنبيذ من المستهلك للتنبؤ بتفضيله للنبيذ.

ما مقدار البيانات التي نحتاجها لفهم تفضيلات المستهلك؟

مع أننا بدأنا بمئات أسئلة تفضيل الطعام، إلا أنه كلما زادت الإجابات، زادت دقة النتائج، وهناك عوائد متناقصة بعد 9-12. بتطبيق مبدأ باريتو، وفّرت أفضل أسئلة تفضيل الطعام فهمًا بنسبة 80% تقريبًا لذوق المستهلك.

اعتبارًا من اليوم، يوجد عادةً استبيان من 10 إلى 12 سؤالًا للنبيذ الأحمر، واستبيانًا آخر من 10 إلى 12 سؤالًا للنبيذ الأبيض والوردي والفوار.

هذا يسمح بحل قابل للتطوير. منذ أن أطلقنا العديد من التجارب قبل سنوات، أصبح هناك الآن العديد من الاختبارات المماثلة ذات المظهر الغريب على مواقع التجارة الإلكترونية. يقوم المستهلك بإجراء اختبار مدته 30 ثانية حول ما إذا كان يحب التوت الأسود أو القهوة أم لا، ويتم مكافأته بتوصيات النبيذ. الفرق هو أن هذه الاختبارات هي في الغالب عبارة عن مرشحات لملاحظات التذوق، على سبيل المثال، إذا كنت تحب التوت الأسود، فسوف تحب النبيذ الذي وصفه شخص ما بأنه مذاق مثل الفاكهة الداكنة، أو إذا كنت تحب القهوة، فسوف تحب النبيذ الذي وصفه شخص ما بأنه مذاق مثل الفاكهة الداكنة. كونها قابضة. لكننا تعلمنا أنه إذا كانت هذه الأوصاف دقيقة بالنسبة لحنك ذلك الشخص، فهي كذلك لا قوة تنبؤيةr فيما يتعلق بما إذا كانوا سيحبون النبيذ أم لا; ولكنها جذابة، فالمستهلكون يحبون الاختبارات.

ترتبط توصيات Tastry بمصفوفة نكهة النبيذ. TastryAI ليس مرشحًا لملاحظات التذوق، فهو لا يسألك عما إذا كنت تحب رائحة أو طعم الفطر في النبيذ الخاص بك، إنها تحاول ذلك فهم نسب المركبات التي تحبها أو لا تحبها بناءً على تفضيلاتك البيولوجية. يوفر كل سؤال العديد من طبقات المعرفة لأن كل سؤال يتداخل ويغذي أسئلة أخرى. لذا، بعد السؤال عن الفطر، ربما يكون السؤال التالي هو "ما هو شعورك تجاه طعم الفلفل الأخضر؟" قد يعرف الذكاء الاصطناعي أن هناك، على سبيل المثال، 33 مركبًا في نسبة معينة مسؤولة بشكل عام عن إدراك الفطر، و22 مركبًا مسؤولًا بشكل عام عن طعم الفلفل الأخضر - ولكن الأهم من ذلك أن بعض هذه المركبات موجودة في كليهما. إذا قلت أنك تحب الفطر، ولكنك تكره الفلفل الأخضر، فإن الذكاء الاصطناعي سيكون أكثر ثقة بك مثل بعض المركبات، وأكثر ثقة لك كره المركبات الأخرى، وتلك التي تتداخل من المحتمل أن تكون سياقية.

لذا، يمكنك تخيل مخطط فين متعدد الأبعاد، حيث يقوم الذكاء الاصطناعي باكتشاف المركبات التي تفضلها أو التي لا تحبها مع المركبات الأخرى.

ومن خلال استطلاع تفضيلات النكهة وتعليقات المستهلكين، نقوم بجمع بيانات مجهولة المصدر عن الأذواق من جميع أنحاء العالم. يمكن لموقع التجارة الإلكترونية، أو بائع التجزئة الكبير، إطلاق اختبار Tastry Quiz على التطبيق، والحصول على آلاف الردود في غضون ساعات من المستهلكين في جميع أنحاء الولايات المتحدة. البيانات الأخرى الوحيدة التي نحصل عليها هي الرمز البريدي. نحن نستخدم الرمز البريدي لتطبيق اشتقاق سلسلة بايزي، التي تأخذ التوزيع الجغرافي لأذواق المستهلكين المعروفة التي نجمعها ونراقبها، وغيرها من البيانات، وتتنبأ ببقية أذواق المستهلكين القابلة للحياة والتي يزيد عددها عن 200 مليون في الولايات المتحدة. نحن نستخدم هذا المحسن مجموعة البيانات كمصدر للحقيقة، ولتقديم تنبؤات حول كيفية أداء النبيذ في السوق على مستوى المتجر أو المستوى المحلي أو الإقليمي.

مجموعة التركيز الافتراضية Tastry

عند تحليل النبيذ، وفك شفرة مصفوفة نكهته، وتقييم استساغته مقابل مزيج من الأذواق الفعلية والافتراضية، تبلغ دقة الذكاء الاصطناعي حاليًا 92.8% في التنبؤ بتصنيف المستهلك الأمريكي الإجمالي للنبيذ. بمعنى آخر، يمكن للذكاء الاصطناعي التنبؤ بمتوسط ​​تصنيف 5 نجوم للنبيذ في حدود +/- 1/10^th من النجم.

من الأسهل التفكير في الذكاء الاصطناعي باعتباره "مجموعة تركيز افتراضية" لتفضيلات المستهلك.

تستخدم مصانع النبيذ TastryAI لإجراء عمليات محاكاة حول كيفية إدراك المستهلكين لنبيذهم، حتى قبل أن يستثمروا سنوات وملايين الدولارات في صنعه. يستخدم تجار الجملة TastryAI لتحديد المناطق التي سيكون فيها أداء أنواع النبيذ المختلفة أفضل. يستخدم تجار التجزئة TastryAI لتحسين تشكيلتهم على الرفوف وعلى الإنترنت. ويستخدم المستهلكون TastryAI لتجنب مخاطر شراء النبيذ الذي لن يعجبهم.