كيف علمت Tastry “الحاسوب كيف يتذوق”.

كيف تستخدم Tastry الكيمياء المبتكرة والذكاء الاصطناعي للتنبؤ بالتفضيلات الاستهلاكية.

من البداية، كانت السؤال الذي كنا نريد الإجابة عليه: “هل يمكننا فك تشفير مصفوفات النكهة الفريدة للمنتجات القائمة على الحواس، والتفضيلات البيولوجية الفريدة للمستهلكين لتنبؤ بدقة بالاعجاب؟” الجواب القصير هو نعم.

然而، في وقت مبكر من بحثنا، وجدنا أن طرق التحليل الكيميائي الحالية وبيانات تفضيل المستهلك الحالية، قدمت ارتباطات أو تنبؤات إحصائية غير значيمه. كنا نعلم أننا سوف نضطر إلى إنشاء بياناتنا الخاصة من أجل إحراز تقدم.

أولاً، كنا بحاجة إلى إنشاء طريقة كيميائية تحليلية توفر قدرًا كبيرًا من الشفافية للكيمياء (بما في ذلك المركبات المتطايرة وغير المتطايرة، والمحلات، وبيانات الطيف، وغيرها). كما كنا بحاجة إلى فك تشفير مصفوفة النكهة بطريقة يمكن翻訳ها لمساعدة تقريب كيفية تجربة البشر لهذه الكيمياء على الحنك.

ثانياً، كنا بحاجة إلى إنشاء طريقة للحصول بشكل دائم ودقيق على تفضيلات الحواس البيولوجية للمستهلكين، وتحسينها، وتعقبها، لخدمة كحقيقة أساسية.

لماذا ت失败 الطرق الحالية في التنبؤ بالتفضيلات الاستهلاكية للمنتجات القائمة على الحواس

عندما بدأنا بحثنا في عام 2015، كنا لدينا فرضية أن كل ما تحتاج إلى معرفته عن نكهة النبيذ، أي الطعم، والرائحة، والقوام، واللون – موجود في الكيمياء. ومع ذلك، ما كان مفقودًا هو طريقة تحليل شاملة أكثر.

لشرح هذا القصور، من المهم فهم أن الكيمياء للمنتجات القائمة على الحواس تركز بشكل كبير على مراقبة الجودة، أي كمية هذا المركب في هذا الخليط؟ لا يركز عادة على تقييم جميع المركبات، ونسبها، أو كيفية kếtلهم على الحنك البشري لإنشاء النكهة. هذا هو النقطة العمياء التي كنا بحاجة 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 مركبًا في كل مرة مثل آلة.

التفاعلات بين هذه المركبات المتعددة في組ination مع البيولوجيا الفريدة لكل مستهلك، توفر سياقًا حاسمًا حول ما الميزات من الكيمياء يتم التعبير عنها لهذا الشخص.

إلى حد ما يتم أخذ الحواس في الاعتبار، وببساطة، النهج التقليدية يبدو كما يلي:

• بيانات الاستطلاع تظهر أن الناس يحبون الزبدة.
• مركب Diacetyl عادة ما يرتبط بنكهة الزبدة.
• إذا قمنا بصنع شاردونيه مع المزيد من Diacetyl، سيحبها المزيد من الناس.

المشاكل الأساسية في هذا النهج.

1. لا يمكن التنبؤ بنكهة بواسطة كمية المركبات فقط. تركيز معين من Diacetyl قد يُعتبر مثل الزبدة في نبيذ أو نبيذ معين، ولكن ليس في آخر. هذا لأن هناك مئات من المركبات الأخرى في النبيذ، واعتمادًا على تركيزاتها ونسبها، قد يتم масك Diacetyl أو التعبير عنه. على عكس الآلة، البشر يختبرون جميع المركبات في نفس الوقت، حواسهم لا تحليل كل مركب على حدة، لذلك أي كمية معينة ليست بالضرورة تنبؤية.

2. يحس ويتواصل البشر بالنكهات بشكل مختلف. حتى بين مجموعة من الخبراء، قد يصف نصف الخبراء شيئًا على أنه ذو طعم مثل التفاح، والآخر نصف يصفونه على أنه مثل ال梨. والمستهلك العادي أقل قابليه للتنبؤ. من بحثنا، لا نعتقد أن ذوق الإنسان كافٍ ليكون موصوفًا بدقة من خلال اللغة من شخص لآخر. وصفاتنا غامضة، وتعريفاتنا تختلف بناءً على البيولوجيا الفردية والخبرات الثقافية. على سبيل المثال، في الولايات المتحدة، يصف معظم المستهلكين إدراك Benzaldehyde على أنه “كيريزي”، ولكن معظم المستهلكين في أوروبا يصفه على أنه “مرزبان” … حتى في نفس النبيذ.

3. النكهات التي يدركها المستهلكون لا تملك أي علاقة بالفعل مع ما إذا كانوا يحبونه أم لا. في بحثنا، لوحظ أن المستهلكين لا يقررون شراء نبيذ لأن طعمه مثل الكرز. إنهم ببساطة يقررون أنهم يحبون النبيذ، ومن المحتمل أن يحبوه مرة أخرى.

مثال: هذا نقص في الفهم ليس فريدًا لقطاع النبيذ. لقد التقينا مع مسؤولين وباحثين في بعض أكبر شركات النكهة والرائحة في العالم. وصف أحد المسؤولين إحباطه مع مشروع最近 لإنشاء شوكولاتة لافندر جديدة. قامت هذه الشركة بإنفاق ملايين الدولارات على جلسات وتنفيذ مجموعات التركيز مع المستهلكين الذين يحبون بشكل خاص الشوكولاتة، يحبون اللافندر، ويحبون شوكولاتة اللافندر. في النهاية، كانت النتائج أن المستجيبين وافقوا على أنها شوكولاتة لافندر، ولكنهم cũng وافقوا على أنهم لا يحبون هذه الشوكولاتة اللافندر المحددة.

نتيجة لهذه الأفكار، خلصنا إلى أننا يجب أن نركز بحثنا على التنبؤ بما تحبه مصفوفات الكيمياء للمستهلكين، ومدى ذلك، بدلاً من ما النكهات يدركها.

كيف يختلف نهجنا

القمامة في القمامة. عندما يتعلق الأمر بجودة البيانات، أدركنا أن مجموعة تدريب صالحة لا يمكن أن تُنشأ من البيانات التجارية أو المصدرة من الحشود. سوف نضطر إلى إنشاءها بأنفسنا، في المنزل.

الأمر الأول الذي كنا بحاجة إليه كان طريقة كيميائية توفر رؤية على التوازن الدقيق للمركبات المتطايرة وغير المتطايرة، والمحاليل الصلبة، وبيانات الطيف، وغيرها، من النبيذ في لقطة واحدة، لتكون أكثر صلة بالحنك البشري.

سنتان من التجارب أسفرت عن 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 ت告诉 الإدراك البشري بناءً على نسب المركبات ومجموعات المركبات.

مرة واحدة أثبتنا الفعالية لهذه الطريقة، بدأنا بتحليل وفك تشفير مصفوفة النكهة لآلاف النبيذ في جميع أنحاء العالم، وطورنا قاعدة بيانات شاملة لمصفوفة النكهة للعالم النبيذ.

ربط تفضيلات المستهلك بالكيمياء

بعد ذلك، كنا بحاجة إلى فهم ما تحبه مصفوفات النكهة المختلفة للمستهلكين عن طريق جعلهم يذوقون ويتقييمون النبيذ الذي قمنا بتحليله. على مدار السنوات، قمنا بتشغيل لوحات التذوق المزدوجة مع آلاف المستهلكين، كل منهم يذوق العديد من النبيذ أو مئات النبيذ مع مرور الوقت. يشمل المستجيبون المبتدئين في النبيذ، والمستهلكين العاديين للنبيذ، والخبراء، والصانعين، والصانعين.

النظم المصدرة من الحشود غالبًا ما تفوت أو تتجاهل البيانات الحاسمة. على سبيل المثال، على مقياس Parker، معظم الناس لن يمنحوا نبيذًا أقل من 80 نقطة. 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 المستهلك الفريدة لمختلف أنواع مصفوفات النكهة في النبيذ. مع مرور الوقت، سمح لنا هذا بالتنبؤ بدقة بتفضيلاتهم للنبيذ الذي لم يذوقوه بعد. خلال هذا العملية، تعلمنا أيضًا أن النبيذ الفردية، وكذلك التفضيلات الفردية، هي مثل بصمات الأصابع في الفريدية. خلصنا إلى أن، على عكس الممارسات التقليدية للصناعة، لا يمكن للمستهلكين والنبيذ أن يتم تجميعها أو تصفيتها بشكل دقيق إلى تعميمات.

مثال: امرأةتان يمكن أن تشتركان في نفس الجغرافيا، والثقافة، والعرق، والتعليم، والدخل، والسيارة، والهاتف، و كلاهما يحب كيم كروфорد Sauvignon Blanc؛ ولكن واحدة يمكن أن تحب Morning Fog Chardonnay، والآخر يكرهها. الرؤية التنبؤية الموثوقة تستند فقط إلى حنكهم البيولوجي.

كيفية تحويل هذه الابتكار؟

ما كنا قد أنشأناه كان رائعًا، ولكن لوحات التذوق مكلفة ومستهلكة للوقت. سيكون من المستحيل تشغيل لوحة تذوق سنوية لجميع 248 مليون أمريكي فوق سن 21 لتفهم ما النبيذ سيحبونه.

كنا نريد تصميم أداة قابلة للتوسيع لها نفس الفعالية في التنبؤ بتفضيلات المستهلك، دون الحاجة إلى المشاركة في لوحات التذوق أو التعبير عن تفضيلاتهم لنبيذ معين.

كان حلنا هو جعل الذكاء الاصطناعي يختار عناصر طعام بسيطة تشترك في جوانب من كيميائها مع النبيذ في مجموعة. أجاب المستجيبون في لوحات التذوق لدينا على عدة مئات من الأسئلة حول تفضيلاتهم للأطعمة والنكهات التي ليست直接 متعلقة بالنبيذ؛ مثل “كيف تشعر تجاه الفلفل الأخضر؟” أو “كيف تشعر تجاه الفطر؟”

استخدمت TastryAI هذه الأسئلة كأشباه لنوع و نسبة المركبات الشائعة في الكيمياء الأساسية للنبيذ. كما البشر، لا يمكننا فك أو فهم هذه العلاقات المعقدة والأنماط، ولكن كما يحدث، فإن حل هذه العلاقات المعقدة هو مشكلة جيدة للتعلم الآلي لحلها.

باستخدام هذه البيانات، تعلمت TastryAI كيفية التنبؤ بتفضيل المستهلك للنبيذ، بناءً على إجاباتهم على استطلاع تفضيل الطعام. ما نتج عنه هو قدرتنا على القضاء على الحاجة إلى أي بيانات محددة للنبيذ من المستهلك لتنبؤ بتفضيلهم.

كم من البيانات تحتاج إلى فهم تفضيلات المستهلك؟

على الرغم من أننا بدأنا بمئات من أسئلة تفضيل الطعام، كلما زادت الإجابات، زادت الدقة، وهناك عوائد متضائلة بعد 9-12. مع عمل مبدأ باريتو، قدمت أسئلة تفضيل الطعام الأفضل أداءً تقريبًا 80% من فهم حنك المستهلك.

حتى اليوم، هناك عادة استطلاع 10-12 سؤال للنبيذ الأحمر، وآخر 10-12 سؤال للنبيذ الأبيض، والوردي، والفوار.

سمح لنا هذا بحل قابل للتوسيع. منذ إطلاقنا في العديد من التجارب السنوية، هناك الآن العديد من الاختبارات الشبيهة بالمتعة على مواقع التجارة الإلكترونية. يأخذ المستهلك اختبارًا لمدة 30 ثانية حول ما إذا كان يحب التوت الأسود أو القهوة، ويكافأ بتوصيات النبيذ. الفرق هو أن هذه الاختبارات هي في معظمها مرشحات ملاحظات التذوق، أي إذا كنت تحب التوت الأسود، ستحب نبيذًا يُوصف من قبل شخص ما على أنه ذو فاكهة داكنة، أو إذا كنت تحب القهوة، ستحب نبيذًا يُوصف من قبل شخص ما على أنه متقشر. ولكننا تعلمنا أن إذا كانت هذه الوصفات دقيقة لحنك هذا الشخص، فإنها لا تمتلك قوة تنبؤية لأي نبيذ سيحبونه؛ ولكنها ممتعة، يحب المستهلكون الاختبارات.

توصيات Tastry مرتبطة بمصفوفة النكهة للنبيذ. TastryAI ليس مرشحًا لملاحظات التذوق، إنه ليس يسأل إذا كنت تحب رائحة أو طعم الفطر في نبيذك، إنه يحاول فهم نسب المركبات التي تحبها أو تكرهها بناءً على تفضيلات حنكك البيولوجي. كل سؤال يوفر طبقات متعددة من الارتباط لأن كل سؤال يتداخل ويتغذى من الأسئلة الأخرى. لذلك، بعد سؤال عن الفطر، قد يكون السؤال التالي “كيف تشعر تجاه طعم الفلفل الأخضر؟” قد يعرف الذكاء الاصطناعي أن هناك، على سبيل المثال، 33 مركبًا في نسبة معينة مسؤولة عن إدراك الفطر، و 22 مركبًا مسؤولًا عن طعم الفلفل الأخضر – ولكن من المهم أن بعض هذه المركبات توجد في كلاهما. إذا قلت إنك تحب الفطر، ولكن تكره الفلفل الأخضر،那么 الذكاء الاصطناعي أكثر ثقة بأنك تحب بعض المركبات، أكثر ثقة بأنك تكره مركبات أخرى، والمركبات التي تتداخل هي محتملة سياقية.

يمكنك تخيل رسم بياني متعدد الأبعاد، حيث يفك الذكاء الاصطناعي أي المركبات التي تحبها أو تكرهها في組ination مع مركبات أخرى.

وباستخدام استطلاع تفضيل الطعام، و反馈 المستهلك، نجمع بيانات حنك مجهولة المصدر 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 مشتق من Ridge البايزي، الذي يأخذ التوزيع الجغرافي لحنك المستهلك المعروفة التي نجمعها ونتابعها، وبيانات أخرى، ويتنبأ بالحنك المستهلك الباقي البالغ 200M+ في الولايات المتحدة. نستخدم هذه مجموعة البيانات المحسنة ك مصدر للحقيقة، ولتوفير التنبؤات حول كيفية أداء النبيذ في السوق على مستوى المتجر، أو المحلي، أو الإقليمي.

-Tastry الفوكس جروب الافتراضي

عند تحليل النبيذ، وفك تشفير مصفوفة النكهة، وتقييم القابلية للذوق ضد مجموعة من الحنك الفعلية والافتراضية، الذكاء الاصطناعي 92.8% دقيق في التنبؤ بالتقييم المجمّع للمستهلك الأمريكي للنبيذ. بعبارة أخرى، يمكن للذكاء الاصطناعي التنبؤ بالتقييم المعدل للنبيذ في +/- 1/10 من النجم.

من الأسهل التفكير في الذكاء الاصطناعي على أنه “فوكس جروب افتراضي” لتفضيلات المستهلك.

تستخدم مصانع النبيذ TastryAI لتشغيل محاكاة حول كيفية إدراك المستهلكين لنبيذهم، حتى قبل أن يستثمروا سنوات وملايين الدولارات في صنعه. يستخدم الموزعون TastryAI لتحديد المناطق التي سيعمل فيها النبيذ بشكل أفضل. يستخدم البائعون TastryAI لتحسين تشكيلة المنتجات على الرفوف وعلى الإنترنت. ويستخدم المستهلكون TastryAI لتجنب مخاطر شراء نبيذ لا يحبونه.