قادة الفكر
كيف تقوم Tastry “بتعليم الكمبيوتر كيفية التذوق”

النقاط الرئيسيةتتنبأ Tastry بإعجاب المستهلكين بناءً على كيمياء النبيذ بدلاً من ملاحظات التذوق المدركة.
عرض المزيد
- تتنبأ Tastry بإعجاب المستهلكين بناءً على كيمياء النبيذ بدلاً من ملاحظات التذوق المدركة.
- تدرك حناجر البشر المركبات عند دمجها، لذا لا يمكن للقياسات الكيميائية المعزولة التنبؤ بالتفضيل.
- تتيح اختبارات تفضيل الطعام لـ TastryAI استنتاج الحنك البيولوجي للمستهلك دون بيانات خاصة بالنبيذ.
كيف تستخدم Tastry الكيمياء الجديدة والذكاء الاصطناعي للتنبؤ بالتفضيلات الاستهلاكية.
من البداية، كان السؤال الذي أردنا الإجابة عليه هو: “هل يمكننا فك تشفير المصفوفات الفريدة للنكهات في المنتجات القائمة على الحواس، والتفضيلات البيولوجية الفريدة للمستهلكين لتنبؤ بدقة بالاستحسان؟” الجواب القصير هو نعم.
ومع ذلك، في وقت مبكر من بحثنا، وجدنا أن الأساليب الحالية للتحليل الكيميائي والبيانات الحالية لتفضيلات المستهلكين توفر علاقات ارتباطية أو تنبؤية غير ذات دلالة إحصائية. كنا نعلم أننا سوف نضطر إلى إنشاء بياناتنا الخاصة من أجل إحراز تقدم.
أولا، كنا بحاجة إلى إنشاء طريقة كيميائية تحليلية توفر شفافية كاملة للكيمياء (بما في ذلك المركبات المتطايرة وغير المتطايرة، والمواد المذابة، والبيانات الطيفية، وغيرها). كما كنا بحاجة إلى فك تشفير مصفوفة النكهة بطريقة يمكن ترجمتها لمساعدة تقريب كيفية تجربة البشر لتلك الكيمياء على الحنك.
ثانيا، كنا بحاجة إلى إنشاء طريقة لجمع التفضيلات الحسية ذات الأساس البيولوجي وإثرائها وتتبعها باستمرار ودقة لدى مجموعة كبيرة ومتنوعة ومتنامية من المستهلكين الحقيقيين، لتكون بياناتنا المرجعية.
لماذا تفشل الأساليب الحالية في التنبؤ بتفضيل المستهلك لمنتجات قائمة على الحواس
عندما بدأنا بحثنا في عام 2015، كانت لدينا فرضية أن كل ما تحتاج إلى معرفته عن نكهة النبيذ، أي الطعم، والرائحة، والقوام، واللون – موجود في الكيمياء. ومع ذلك، ما كان مفقودا هو طريقة أكثر شمولا لتحليل الكيمياء.

لشرح هذا القصور، من المهم فهم أن الكيمياء لمنتجات قائمة على الحواس تركز بشكل كبير على مراقبة الجودة، أي كمية هذا المركب في ذلك الخليط؟ التركيز ليس عادة لتقييم جميع المركبات، ونسبها، أو كيفية تركيبها على الحنك البشري لإنشاء النكهة. هذه هي النقطة العمياء التي احتجنا إلى إضاءتها لأن هناك تفاعلات ديناميكية تحدث بين مئات المركبات على الحنك البشري. الحنك البشري يختبر “حساء كيميائي” من مركبات النكهة في نفس الوقت، وليس مركبا في المرة الواحدة مثل الآلة. التفاعلات بين هذه المركبات المتعددة، جنبا إلى جنب مع البيولوجيا الفريدة لكل مستهلك، توفر سياقا حاسما لتحديد السمات الكيميائية التي يدركها ذلك الشخص.
إلى الحد الذي يتم فيه أخذ الحواس في الاعتبار، يمكن القول ببساطة إن النهج التقليدي يبدو كالتالي:
- بيانات الاستطلاع تظهر أن الناس يحبون الزبدة.
- الدياسيتيل هو مركب يرتبط عادة بنكهة الزبدة.
- إذا قمنا بصنع شاردونيه تحتوي على المزيد من الدياسيتيل، فسوف يحبها المزيد من الناس.
المشاكل الأساسية مع هذا النهج.
- لا يمكن التنبؤ بالنكهة من خلال كمية المركبات وحدها. قد يتم إدراك تركيز معين من الدياسيتيل على أنه زبدة في نبيذ معين أو نبيذ من سنة إنتاج محددة، ولكن ليس في آخر. هذا لأن هناك مئات من المركبات الأخرى في النبيذ، واعتمادا على تركيزاتها ونسبها، قد يتم إخفاء أو التعبير عن الدياسيتيل. على عكس الآلة، البشر يختبرون جميع المركبات في نفس الوقت، حواسهم لا تحلل كل مركب على حدة، لذلك أي كمية معينة ليست بالضرورة تنبؤية.
- يختبر ويتواصل البشر بالنكهات بشكل مختلف. حتى بين فريق من الخبراء، قد يصف نصف الخبراء شيئا ما على أنه ذو طعم التفاح، والنصف الآخر قد يصفه على أنه ذو طعم الكمثرى. والمستهلك العادي أقل قابلية للتنبؤ. من خلال بحثنا، لا نعتقد أن الذوق البشري كاف ليكون دقيقا ويمكن التواصل به ببساطة من خلال اللغة من شخص إلى آخر. أوصافنا غامضة، وتعريفاتنا تختلف بناءا على البيولوجيا الفردية والخبرات الثقافية. على سبيل المثال، في الولايات المتحدة، يصف معظم المستهلكين إدراك البنزالدهيد على أنه “كرز”، ولكن معظم المستهلكين في أوروبا يصفه على أنه “مرزبان” … حتى في نفس النبيذ.
- النكهات التي يدركها المستهلكون لا تتوافق مع ما إذا كانوا يحبونها أم لا. من خلال بحثنا، لوحظ أن المستهلكين لا يقرون بشراء نبيذ لأن طعمه مثل الكرز. هم ببساطة يقرون أنهم أحبوا النبيذ، وهم من المحتمل أن يحبوه مرة أخرى.
مثال: هذا قصور في الفهم ليس فريدا بالنسبة لقطاع النبيذ. لقد التقينا مع مسؤولين وباحثين في بعض أكبر شركات النكهات والروائح في العالم. وصف أحد المسؤولين إحباطه مع مشروع حديث لإنشاء شوكولاتة لافندر جديدة. قامت هذه الشركة بإنفاق ملايين الدولارات على جلسات وإدارة مجموعات مع المستهلكين الذين يحبون بشكل خاص الشوكولاتة، يحبون اللافندر، ويحبون شوكولاتة اللافندر. في النهاية، كانت النتائج هي أن المستجيبين وافقوا على أنها شوكولاتة لافندر، ولكنهم وافقوا أيضًا على أنهم لا يحبون تلك الشوكولاتة اللافندر المحددة.
نتيجة لهذه الأفكار، استنتجنا أننا يجب أن نركز بحثنا على التنبؤ بما هي مصفوفات الكيمياء التي يحبها المستهلكون، ومدى حبهم لها، بدلًا من النكهات التي يدركونها.
كيف يختلف نهجنا
القمامة داخل، القمامة خارج. عندما يتعلق الأمر بجودة البيانات، أدركنا أن مجموعة تدريب صالحة لا يمكن أن تولد من البيانات التجارية أو المصدرة من الحشد. كنا بحاجة إلى إنشاء بياناتنا الخاصة، داخل الشركة.
الأمر الأول الذي احتجناه إليه كان طريقة كيميائية توفر رؤية على التوازن الدقيق للمركبات المتطايرة وغير المتطايرة، والمواد الصلبة المذابة، والبيانات الطيفية، وغيرها، لنبيذ في صورة واحدة، لتكون أكثر صلة بالحنك البشري.
أدت سنوات من التجارب إلى تطوير منهجية تنتج أكثر من مليون نقطة بيانات لكل عينة. يتم بعد ذلك معالجة هذه الكمية الكبيرة من البيانات بواسطة خوارزميات التعلم الآلي التي صممها فريق علوم البيانات لدينا لفك تشفير التبعيات التي تخبرنا عن الإدراك البشري بناءا على نسب المركبات ومجموعات المركبات.
بعد أن أثبتنا فعالية هذه الطريقة، بدأنا بتحليل و فك تشفير مصفوفة النكهة لآلاف أنواع النبيذ في جميع أنحاء العالم، وطوّرنا قاعدة بيانات شاملة لمصفوفات النكهة في عالم النبيذ.
ربط تفضيلات المستهلك بالكيمياء
بعد ذلك، كنا بحاجة إلى فهم ما هي مصفوفات النكهة التي يفضلها المستهلكون المختلفون من خلال جعلهم يذوقون ويقيّمون النبيذ الذي قمنا بتحليله. على مدار السنوات، قمنا بتشغيل مجموعات التذوق العمياء المزدوجة مع آلاف المستهلكين، ويتذوق كل منهم عشرات أو مئات الأنواع من النبيذ بمرور الوقت. المستجيبون يشملون المبتدئين في النبيذ، والمستهلكين العاديين، والخبراء، ومنتجي النبيذ وخبراء تقديمه.
النظم المصدرة من الحشد غالبا ما تفقد أو تتجاهل البيانات الحرجة. على سبيل المثال، على مقياس باركر، معظم الناس لن يمنحوا نبيذًا درجة أقل من منتصف الثمانينيات. ولكننا تعلمنا أن المستهلكين يكرهون ما يكرهون أكثر مما يحبون ما يحبون. لذلك، من المهم أن يكون لدينا صورة كاملة للتفضيل – خاصة التفضيلات السلبية.
استخدمنا التعلم الآلي الجديد لفهم تفضيلات المستهلكين الفريدة لمختلف أنواع مصفوفات النكهة في النبيذ. مع مرور الوقت، سمح لنا هذا بالتنبؤ بدقة بتفضيلاتهم لنبيذ لم يذوقوه بعد. خلال هذه العملية، تعلمنا أيضا أن النبيذ الفردية، وكذلك التفضيلات الفردية، تكاد تكون فريدة كبصمات الأصابع. استنتجنا أن، على عكس الممارسات المعتادة في الصناعة، لا يمكن للمستهلكين والنبيذ أن يتم تجميعهم أو تصفيةهم بشكل دقيق إلى تصنيفات عامة.
مثال: يمكن أن تشترك امرأتان في نفس الجغرافيا، والثقافة، والعرق، والتعليم، والدخل، والسيارة، والهاتف، و كلاهما يحبان Kim Crawford Sauvignon Blanc؛ ولكن واحدة يمكن أن تحب Morning Fog Chardonnay والأخرى تكرهها. الوحيد الذي يمكن الاعتماد عليه هو الحنك البيولوجي.
كيف نوسع هذه الابتكارات؟
ما كنا قد أنشأناه كان رائعا، ولكن مجموعات التذوق باهظة التكلفة ومستهلكة للوقت. سيكون من المستحيل تشغيل مجموعة تذوق سنوية لجميع 248 مليون أمريكي فوق سن 21 لتفهم ما النبيذ الذي سوف يحبونه.
كنا نريد تصميم أداة قابلة للتوسيع لها نفس الفعالية في التنبؤ بتفضيلات المستهلك، دون الحاجة إلى المشاركة في مجموعات التذوق أو التعبير عن تفضيلاتهم لمجموعة كبيرة من أنواع النبيذ التي سبق تذوقها.
كان حلنا أن يختار الذكاء الاصطناعي أطعمة بسيطة تشترك في جوانب من كيميائها مع النبيذ في مجموعة. المستجيبون في مجموعات التذوق لدينا أجابوا على مئات من الأسئلة حول تفضيلاتهم للأطعمة والنكهات التي لا تتعلق مباشرة بالنبيذ؛ مثل “كيف تشعر تجاه الفلفل الأخضر؟” أو “كيف تشعر تجاه الفطر؟”
تم استخدام هذه الأسئلة من قبل TastryAI بوصفها مؤشرات بديلة لأنواع المركبات ونسبها الشائعة في كيمياء النبيذ. كما البشر، لا نستطيع فك تشفير هذه العلاقات المعقدة والأنماط، ولكن كما يحدث، فإن استخلاص هذه العلاقات المعقدة هو مشكلة ممتازة للتعلم الآلي لحلها.
مع هذه البيانات، تعلم TastryAI كيفية التنبؤ بتفضيل المستهلك للنبيذ بناءا على إجاباتهم على استطلاع تفضيلات الأطعمة. ما نتج عنه هو قدرتنا على القضاء على الحاجة إلى أي بيانات محددة للنبيذ من المستهلك لتنبؤ بتفضيلهم.
كم من البيانات نحتاجها لفهم تفضيلات المستهلك؟
على الرغم من أننا بدأنا مع مئات من أسئلة تفضيلات الأطعمة، كلما زادت الأسئلة، زادت الدقة، هناك عوائد متضائلة بعد 9-12 سؤال. مع عمل مبدأ باريتو، أسئلة تفضيلات الأطعمة التي أدت إلى أداء أفضل قدمت حوالي 80% من فهم الحنك.
حتى اليوم، هناك عادة استطلاع يحتوي على 10-12 سؤالا للنبيذ الأحمر، وآخر يحتوي على 10-12 سؤالا للنبيذ الأبيض، والوردي، والفوار.
سمح لنا هذا بحل قابلة للتوسيع. منذ إطلاقنا في عدة تجارب قبل سنوات، هناك الآن العديد من الاختبارات الشبيهة على مواقع التجارة الإلكترونية. يأخذ المستهلك اختبارًا يحتوي على 30 ثانية حول ما إذا كان يحب التوت أو القهوة، ويكافأ بتوصيات بالنبيذ. الفرق هو أن تلك الاختبارات هي في معظمها مرشحات ملاحظات التذوق، أي إذا كنت تحب التوت، سوف تحب نبيذًا يُوصف من قبل شخص ما على أنه ذو فاكهة داكنة، أو إذا كنت تحب القهوة، سوف تحب نبيذًا يُوصف من قبل شخص ما على أنه قابض أو عفصي. ولكننا تعلمنا أن إذا كانت تلك الأوصاف دقيقة لحنك ذلك الشخص، فإنها لا تمتلك قوة تنبؤية لتحديد ما إذا كان سوف يحب النبيذ أم لا؛ ولكنها ممتعة، يحب المستهلكون الاختبارات.
توصيات Tastry مرتبطة بمصفوفة النكهة للنبيذ. TastryAI ليس مرشح ملاحظات التذوق، إنه لا يسأل عما إذا كنت تحب رائحة أو طعم الفطر في نبيذك، إنه يحاول فهم نسب المركبات التي تحبها أو تكرهها بناءا على تفضيلات حنكك البيولوجي. كل سؤال يوفر طبقات عديدة من الإيضاح لأن كل سؤال يتداخل ويتغذى من أسئلة أخرى. بعد سؤال عن الفطر، قد يكون السؤال التالي “كيف تشعر تجاه طعم الفلفل الأخضر؟” قد يعرف التعلم الآلي أن هناك، على سبيل المثال، 33 مركبا في نسبة معينة مسؤولة عن إدراك الفطر، و 22 مركبا مسؤولة عن طعم الفلفل الأخضر – ولكن من المهم أن بعض تلك المركبات موجودة في كلاهما. إذا قلت إنك تحب الفطر، ولكن تكره الفلفل الأخضر، فإن التعلم الآلي أكثر ثقة بأنك تحب بعض المركبات، أكثر ثقة بأنك تكره مركبات أخرى، أما المركبات المشتركة فمن المرجح أن يتوقف تأثيرها على السياق وتركيبتها مع غيرها.
يمكنك أن تتخيل نوعا من مخطط فن متعدد الأبعاد، حيث التعلم الآلي يفك تشفير المركبات التي تحبها أو تكرهها جنبا إلى جنب مع مركبات أخرى.
وباستخدام استطلاع تفضيلات النكهة، وآراء المستهلك، نجمع بيانات حنك مجهولة الهوية من جميع أنحاء العالم. يمكن لموقع التجارة الإلكترونية، أو بائع التجزئة الكبير، إطلاق اختبار Tastry على التطبيق، و الحصول على آلاف من الاستجابات في غضون ساعات من المستهلكين في جميع أنحاء الولايات المتحدة. البيانات الوحيدة الأخرى التي نكتسبها هي رمز البريد. نستخدم رمز البريد لتطبيق صيغة مشتقة من انحدار الحافة البايزي (Bayesian ridge)، الذي يأخذ التوزيع الجغرافي لحنوك المستهلك المعروفة التي نجمعها ونتابعها، وبيانات أخرى، ويتنبأ بتفضيلات أكثر من 200 مليون مستهلك محتمل آخر في الولايات المتحدة. نستخدم مجموعة البيانات الموسعة هذه مصدرًا مرجعيًا، ولتوفير تنبؤات حول كيفية أداء النبيذ في السوق على مستوى المتجر، أو المحلي، أو الإقليمي.
مجموعة التركيز الافتراضية من Tastry
بعد تحليل النبيذ، وفك تشفير مصفوفة النكهة، وتقييم قابليته للشرب ضد مجموعة من الحنوك الفعلية والافتراضية، التعلم الآلي حاليا 92.8% دقيق في التنبؤ بتقيم المستهلك الأمريكي المتوسط للنبيذ. بعبارة أخرى، التعلم الآلي يمكن التنبؤ بمتوسط التقييم على مقياس من خمس نجوم للنبيذ، بهامش ±0.1 نجمة.
من الأسهل التفكير في التعلم الآلي على أنه “مجموعة تركيز افتراضية” من تفضيلات المستهلك.
استخدم مصنعو النبيذ TastryAI لتشغيل محاكاة حول كيفية إدراك المستهلكين لنبيذهم، حتى قبل أن يستثمروا سنوات و ملايين الدولارات في صناعته. يستخدم الموزعون TastryAI لتحديد المناطق التي سوف يؤدي فيها أنواع مختلفة من النبيذ أداء أفضل. يستخدم البائعون TastryAI لتحسين اختيارهم على الرفوف وعلى الإنترنت. ويستخدم المستهلكون TastryAI لتجنب خطر شراء نبيذ لا يحبونه.












