Jak Tastry “naučila počítač chutnat.”

Jak Tastry používá novou chemii a umělou inteligenci k předpovídání spotřebitelských preferencí.

Od začátku jsme se snažili odpovědět na otázku: “Můžeme dekódovat jedinečné flavorové matice smyslově založených produktů a jedinečné biologické preference spotřebitelů, aby přesně předpověděli oblíbenost?” Krátká odpověď je ano.

Nicméně, brzy v našem výzkumu jsme zjistili, že stávající chemické analytické metody a stávající údaje o spotřebitelských preferencích poskytují statisticky nevýznamné korelace nebo předpovědi. Věděli jsme, že budeme muset vytvořit své vlastní údaje, abychom mohli pokročit.

Prvním krokem bylo vytvořit analytickou chemickou metodu, která by poskytla co největší transparentnost chemie (včetně letuchých, neletuchých, rozpuštěných, spektrálních dat atd.). Potřebujeme také dekódovat flavorovou matici způsobem, který by mohl být přeložen, aby pomohl aproximovat, jak lidé zažívají tuto chemii na svém patře.

Druhým krokem bylo vytvořit metodu pro neustálé a přesné získávání, doplňování a sledování biologických smyslových preferencí velké, rozmanité a stále rostoucí skupiny skutečných spotřebitelů, aby sloužili jako naše základní pravda.

Proč současné metody selhávají při předpovídání spotřebitelské preference pro smyslově založené produkty

Když jsme začali náš výzkum v roce 2015, jsme měli hypotézu, že všechno, co potřebujete vědět o chuti vína, to znamená chuť, aroma, texturu a barvu – existuje v chemii. Nicméně, co chybělo, byla komplexnější metoda analýzy.

Abychom vysvětlili toto omezení, je důležité pochopit, že chemie smyslově založených produktů se zaměřuje především na kontrolu kvality, tj. kolik tohoto analytu je v této směsi? Zaměření není typicky na vyhodnocení všech analytů, jejich relativních poměrů nebo toho, jak se kombinují na lidském patře, aby vytvořily chuť. Toto je slepá skvrna, kterou jsme potřebovali osvětlit, protože dynamické interakce probíhají mezi stovkami sloučenin na lidském patře. Lidské patro zažívá “chemickou polévku” chutí současně, ne jednu sloučeninu najednou, jako stroj. Interakce mezi těmito několika sloučeninami v kombinaci s jedinečnou biologií každého spotřebitele poskytují kritický kontext toho, které rysy chemie jsou vyjádřeny této osobě.

Pokud je smyslovost zohledněna, jednoduše řečeno, typický přístup vypadá takto:

• Dotazníková data ukazují, že lidé mají rádi máslo.
• Diacetyl je sloučenin typicky spojená s chutí másla.
• Pokud vyrobíme chardonnay s více diacetylem, více lidí ho bude mít rádo.

Hlavní problémy s tímto přístupem.

1. Chuť nelze předpovědět pouze kvantifikací sloučenin. Zadaná koncentrace diacetylu může být vnímána jako máslo v jednom víně nebo ročníku, ale ne v jiném. To je proto, že existuje několik set dalších sloučenin ve víně a v závislosti na jejich koncentracích a poměrech může diacetyl být buď maskován nebo vyjádřen. Na rozdíl od stroje lidé zažívají všechny sloučeninы současně, jejich smysly neanalyzují každou sloučeninu jednotlivě, proto žádná jednotlivá kvantifikace není nutně předpověditelná.

2. Lidé vnímají a komunikují chutě jinak. I mezi panelem odborníků může polovina odborníků popisovat něco jako chuť jablka a druhá polovina může popisovat ji jako chuť hrušky. A průměrný spotřebitel je ještě méně předvídatelný. Z našeho výzkumu jsme se nedozvěděli, že lidská chuť je dostatečně hmotná, aby mohla být přesně komunikována pouze prostřednictvím jazyka z jedné osoby na druhou. Naše popisovače jsou příliš vágní a naše definice se liší v závislosti na individuální biologii a kulturních zkušenostech. Například ve Spojených státech většina spotřebitelů popisuje vnímání benzaldehydu jako “třešňové”, ale většina spotřebitelů v Evropě ho popisuje jako “mandlové”… i ve stejném víně.

3. Chutě, které spotřebitelé vnímají, nemají žádnou korelaci s tím, zda je skutečně mají rádi. V našem výzkumu bylo zjištěno, že spotřebitelé nerozhodují o koupi vína, protože má chuť třešně. Prostě činí úsudek, že jim víno chutí, a je pravděpodobné, že jim bude chutit znovu.

Příklad: Tento nedostatek porozumění není specifický pro segment vína. Setkali jsme se s výkonnými řediteli a výzkumníky z některých největších firem na výrobu chutí a parfémů na světě. Jeden výkonný ředitel popsal svou frustraci s nedávným projektem na vytvoření nového levandulového čokoládového bonbónu. Tato společnost utratila miliony dolarů za sezení a běh focus group s spotřebiteli, kteří měli rádi čokoládu, měli rádi levanduli a měli rádi levandulovou čokoládu. Nakonec výsledky ukázaly, že respondenti souhlasili, že to je levandulová čokoláda, ale také souhlasili, že jim tato konkrétní levandulová čokoláda nechutí.

V důsledku těchto poznatků jsme dospěli k závěru, že bychom se měli zaměřit na výzkum předpovídání, které chemické matice spotřebitelé mají rádi a do jaké míry, místo toho, aby se snažili zjistit, jaké chutě vnímají.

Jak se náš přístup liší

Špatný vstup, špatný výstup. Když se jedná o kvalitu dat, jsme si uvědomili, že platný tréninkový soubor nemohl být vygenerován z existujících komerčních nebo crowdsourcovaných dat. Museli bychom je vytvořit sami, v rámci naší společnosti.

Prvním krokem bylo mít chemickou metodu, která by poskytla přehled o jemné rovnováze letuchých, neletuchých, rozpuštěných pevných látek, spektrálních dat atd. vína v jednom snímku, aby byl více srozumitelný pro lidské patro.

Roky experimentů vedly k metodologii, která generuje více než 1 milion datových bodů na vzorek. Tento podrobný a přehlcující objem dat je pak zpracován algoritmy strojového učení, které byly navrženy naším týmem datové vědy, aby dekódovaly vzájemné závislosti, které informují lidské vnímání na základě poměrů analytů a skupin analytů.

Jakmile jsme prokázali účinnost této metody, začali jsme analyzovat a dekódovat flavorovou matici mnoha tisíc vín po celém světě a od té doby jsme vyvinuli komplexní databázi flavorové matice světa vína.

Vztah spotřebitelských preferencí k chemii

Dalším krokem bylo pochopit, které flavorové matice různé spotřebitelé preferují, a to tak, že jim dáme ochutnat a ohodnotit víno, které jsme analyzovali. Během let jsme pravidelně pořádali dvojité zaslepené degustační panely se tisíci spotřebitelů, z nichž každý ochutnal mnoho desítek nebo stovek vín v průběhu času. Respondenti zahrnovali začínající spotřebitele vína, typické pijáky vína, odborníky, vinaře a sommeliéry.

Crowd-sourced systémy typicky postrádají nebo ignorují kritická data. Například na Parkerově škále většina lidí nebude hodnotit víno pod střední úroveň 80 bodů. Ale my jsme se dozvěděli, že spotřebitelé nenávidí to, co nenávidí, více než mají rádi to, co mají rádi. Proto je důležité mít úplný přehled o preferencích – zejména negativních preferencích.

Použili jsme náš novátorský strojový učení, abychom pochopili jedinečné preference spotřebitelů pro různé typy flavorových matic ve víně. V průběhu času nám to umožnilo přesně předpovědět jejich preference pro vína, která ještě neochutnali. Během tohoto procesu jsme také zjistili, že jednotlivá vína, stejně jako individuální preference, jsou téměř otiskem prstů v jejich jedinečnosti. Dospěli jsme k závěru, že, na rozdíl od běžných průmyslových postupů, spotřebitelé a vína nelze přesně seskupit nebo filtrovat do generalizací.

Příklad: Dvě ženy mohou sdílet stejnou geografii, kulturu, etnickou příslušnost, vzdělání, příjem, auto, telefon a obě mají rády Kim Crawford Sauvignon Blanc; ale jedna může mít ráda Morning Fog chardonnay a druhá může ho nenávidět. Jediná spolehlivá předvídatelná viditelnost spočívá v jejich biologickém patře.

Jak škálovat tuto inovaci?

To, co jsme vytvořili, bylo skvělé, ale degustační panely jsou drahé a časově náročné. Bylo by nemožné uspořádat roční degustační panel všech 248 milionů Američanů staršího 21 let, aby pochopili, která vína jim budou chutnat.

Chtěli jsme navrhnout škálovatelný nástroj, který by měl stejnou účinnost při předpovídání preferencí spotřebitelů, bez nutnosti účasti v degustačních panelech nebo vyjádření jejich preferencí pro velkou sadu dříve ochutnaných vín.

Naše řešení spočívalo v tom, že AI vybere jednoduché potraviny, které sdílejí aspekty své chemie s víny v sortimentu. Respondenti v našich degustačních panelech odpověděli na několik stovek otázek o svých preferencích potravin a chutí, které nejsou přímo související s vínem; jako například: “Jak se vám líbí zelená paprika?”, nebo “Jak se vám líbí houby?”

Tyto otázky byly použity TastryAI jako analogy typů a poměrů sloučenin běžně nalezených v základní chemii vína. Jako lidé, nemůžeme rozluštit nebo pochopit tyto komplexní korelace a vzory, ale jako se ukázalo, vyřešení těchto složitých vztahů je vynikajícím problémem pro strojové učení.

S těmito daty se TastryAI naučila předpovídat spotřebitelskou preferenci pro víno na základě jejich odpovědí na Potravinový preferenční dotazník. Co vedlo k naší schopnosti eliminovat potřebu jakýchkoli vinných specifických dat od spotřebitele, aby předpověděl jeho preferenci pro víno.

Kolik dat potřebujeme k pochopení spotřebitelské preference?

Ačkoli jsme začali se stovkami potravinových preferenčních otázek, více odpovědí vede k přesnějším výsledkům, ale existují klesající výnosy po 9-12. S Paretoovým principem v provozu, nejlepší potravinové preferenční otázky poskytly přibližně 80% porozumění spotřebitelskému patru.

V současné době existuje typicky 10-12 otázek dotazníku pro červená vína a další 10-12 otázek dotazníku pro bílá, rosé a šumivá vína.

To umožnilo škálovatelné řešení. Od spuštění v různých pilotních projektech před lety existuje nyní mnoho podobných kvízů na e-commerce stránkách. Spotřebitel vyplní 30sekundový kvíz o tom, zda má rád černý rybíz nebo kávu, a je odměněn doporučeními vína. Rozdíl spočívá v tom, že tyto kvízy jsou ve skutečnosti filtry degustačních poznámek, tj. pokud máte rádi černý rybíz, budete mít rádi víno popsáno někým jako tmavé ovoce, nebo pokud máte rádi kávu, budete mít rádi víno popsáno někým jako astringentní. Ale my jsme se dozvěděli, že pokud tyto popisy jsou přesné pro patro této osoby, nemá to žádnou předvídatelnou sílu zda bude mít rád víno; ale je to zábavné, spotřebitelé mají rádi kvízy.

Doporučení Tastry jsou vázaná na flavorovou matici vína. TastryAI není filtrem degustačních poznámek, neptá se, zda máte rádi aroma nebo chuť hub ve vašem víně, snaží se pochopit poměry sloučenin, které máte rádi nebo nenávidíte na základě vašich biologických preferencí patra. Každá otázka poskytuje mnoho vrstev přehledu, protože každá otázka se překrývá a krmit do ostatních otázek. Takže, po dotazu na houby, perhaps další otázka je “Jak se vám líbí chuť zelené papriky?” AI může vědět, že existuje, například, 33 sloučenin v obecném poměru, které jsou odpovědné za vnímání hub, a 22 sloučenin, které jsou odpovědné za chuť zelené papriky – ale důležité je, že některé z těchto sloučenin existují v obou. Pokud řeknete, že máte rádi houby, ale nenávidíte zelenou papriku, pak je AI více přesvědčena, že máte rádi některé sloučenin, více přesvědčena, že nenávidíte jiné sloučenin, a ty, které se překrývají, jsou pravděpodobně kontextové.

Takže, můžete si představit multidimenzionální Vennův diagram, kde AI rozlušťuje, které sloučenin máte rádi nebo nenávidíte v kombinaci s ostatními sloučeninami.

A s tímto potravinovým preferenčním dotazníkem a spotřebitelskou zpětnou vazbou, shromažďujeme anonymizovaná data patra ze světa. E-commerce stránka nebo velká prodejna může spustit Tastry Kvíz na aplikaci a mít tisíce odpovědí v průběhu několika hodin od spotřebitelů po celém USA. Jediná další data, která získáváme, je poštovní směrovací číslo. Používáme poštovní směrovací číslo k aplikaci odvozeniny Bayesovského ridge, který bere geografické rozložení známých spotřebitelských patra, která shromažďujeme a monitorujeme, a další data, a předpovídá zbytek 200M+ životaschopných spotřebitelských patra v USA. Používáme tento vylepšený datový soubor jako zdroj pravdy a k poskytování předpovědí o tom, jak vína budou fungovat na trhu, v obchodě, místně nebo regionálně.

Tastry Virtuální Focus Group

Po analýze vína, dekódování jeho flavorové matice a vyhodnocení jeho přijatelnosti proti kombinaci skutečných a virtuálních patra, AI je目前 92,8% přesná při předpovídání agregované spotřebitelské hodnocení vína v USA. Jinými slovy, AI může předpovědět průměrné 5hvězdičkové hodnocení vína v rámci +/- 1/10^th hvězdy.

Nejsnazší je považovat AI za “Virtuální Focus Group” spotřebitelských preferencí.

Vinaři používají TastryAI k běhu simulací, jak spotřebitelé budou vnímat jejich víno, dokonce předtím, než investují roky a miliony dolarů do jeho výroby. Velkoobchodníci používají TastryAI k určení regionů, ve kterých různá vína budou fungovat nejlépe. Prodejci používají TastryAI k optimalizaci svého sortimentu na regálech a online. A spotřebitelé používají TastryAI k vyhnutí se riziku nákupu vína, které jim nebude chutnat.