Hvordan Tastry “lærer en computer at smage”

Hvordan Tastry bruger ny kemisk og AI-teknologi til at forudsige forbrugerpræferencer.

Fra starten var spørgsmålet, vi ville besvare: “Kan vi afkode de unikke smagmatricer af sensoriske produkter og de unikke biologiske præferencer hos forbrugere for at nøjagtigt forudsige, hvad de kan lide?” Svaret er ja.

Men tidligt i vores forskning fandt vi ud af, at eksisterende kemiske analysemetoder og eksisterende forbrugerpræferencedata kun gav statistisk insignifikante korrelationer eller forudsigelser. Vi vidste, at vi ville være nødt til at oprette vores eget data for at kunne gøre fremskridt.

Først skulle vi oprette en analytisk kemisk metode, der ville give os så megen gennemsigtighed i kemin som muligt (herunder flygtige og ikke-flygtige stoffer, opløste stoffer, spektraldata osv.). Vi skulle også afkode smagmatricen på en måde, der kunne oversættes til at hjælpe med at approksimere, hvordan mennesker oplever den kemi på deres gane.

Anden, vi skulle oprette en metode til at konstant og nøjagtigt indsamle, udvide og spore de biologiske sensoriske præferencer hos en stor, divers og voksende gruppe af virkelige forbrugere, der skulle fungere som vores grundsandhed.

Hvorfor nuværende metoder ikke kan forudsige forbrugerpræferencer for sensoriske produkter

Da vi startede vores forskning i 2015, havde vi hypotesen, at alt, hvad man behøver at vide om smagen af vin, dvs. smagen, duften, teksturen og farven – findes i kemin. Men hvad der manglede, var en mere omfattende metode til analyse.

For at forklare denne begrænsning er det vigtigt at forstå, at kemin hos sensoriske produkter primært fokuserer på kvalitetskontrol, dvs. hvor meget af denne analyt findes i denne blanding? Fokus er ikke typisk på at evaluere alle analyter, deres relative forhold eller hvordan de kombinerer på den menneskelige gane for at skabe smag. Dette er det blinde punkt, vi skulle belyse, fordi der er dynamiske interaktioner mellem hundredvis af forbindelser på en menneskelig gane. En menneskelig gane oplever en “kemisk suppe” af smagsstoffer på samme tid, ikke ét stof ad gangen som en maskine. Interaktionerne mellem disse multiple forbindelser i kombination med den unikke biologi hos hver forbruger giver kritisk kontekst til, hvilke træk af kemin der udtrykkes til den person.

Hvis sensoriske aspekter overhovedet tages i betragtning, ser den typiske tilgang således ud:

• Undersøgelser viser, at mennesker kan lide smør.
• Diacetyl er en forbindelse, der typisk associeres med smagen af smør.
• Hvis vi laver en chardonnay med mere diacetyl, vil flere mennesker kunne lide den.

Centrale problemer med denne tilgang.

1. Smag kan ikke forudsiges ved hjælp af kvantificering af forbindelser alene. En given koncentration af diacetyl kan opfattes som smør i en vin eller årgang, men ikke i en anden. Dette skyldes, at der er hundredvis af andre forbindelser i vinen, og afhængigt af deres koncentrationer og forhold, kan diacetyl enten maskeres eller udtrykkes. I modsætning til en maskine oplever mennesker alle forbindelser på samme tid, og deres sanser analyserer ikke hver forbindelse individuelt, hvorfor enhver enkelt kvantificering ikke nødvendigvis er forudsigelig.

2. Mennesker opfatter og kommunikerer smag forskelligt. Selv blandt en panelexperten kan halvdelen af eksperterne beskrive noget som smagende af æble, og den anden halvdel kan beskrive det som pære. Og den gennemsnitlige forbruger er endnu mindre forudsigelig. Fra vores forskning har vi lært, at menneskers smagssans ikke er tilstrækkeligt konkrete til at kunne kommunikere nøjagtigt gennem sprog fra person til person. Vores beskrivelser er for vagt, og vores definitioner varierer afhængigt af individuel biologi og kulturelle erfaringer. For eksempel beskriver de fleste forbrugere i USA perceptionen af benzaldehyd som “kirsebær”, men de fleste forbrugere i Europa beskriver det som “marcipan”… selv i samme vin.

3. De smage, forbrugere opfatter, har ingen korrelation med, om de faktisk kan lide det. I vores forskning er det observeret, at forbrugere ikke beslutter at købe en vin, fordi den smager af kirsebær. De dømmer simpelthen, om de kan lide vinen, og de er sandsynligvis at kunne lide den igen.

Eksempel: Dette mangel på forståelse er ikke unikt for vinsegmentet. Vi har mødt direktører og forskere i nogle af de største flavor- og parfumefirmaer i verden. En direktør beskrev sin frustration over et nyligt projekt til at skabe en ny lavendel-chokolade. Det firma havde brugt millioner af dollars på at afholde fokusgrupper med forbrugere, der specifikt elskede chokolade, elskede lavendel og elskede lavendel-chokolade. Til sidst var resultaterne, at respondenternes enighed om, at det var lavendel-chokolade, men de enedes også om, at de ikke kunne lide den specifikke lavendel-chokolade.

Som følge af disse indsighter konkluderede vi, at vi skulle fokusere vores forskning på at forudsige, hvilke kemiske matricer forbrugere kunne lide, og i hvilken udstrækning, snarere end hvilke smage de opfatter.

Hvordan vores tilgang er anderledes

Skrald-ind, skrald-ud. Når det kommer til datakvalitet, indså vi, at en gyldig træningssæt ikke kunne genereres fra eksisterende kommercielle eller crowdsourcede data. Vi ville være nødt til at oprette vores eget, internt.

Først og fremmest havde vi brug for en kemisk metode, der ville give os indsigt i den ømtålige balance mellem de flygtige, ikke-flygtige, opløste faste stoffer, spektraldata osv. af en vin i ét snapshot, for at være mere relateret til den menneskelige gane.

Års eksperimenter resulterede i en metode, der genererer over 1 million data punkter pr. prøve. Disse mange og overvældende mængder af data behandles derefter af maskinlæringsalgoritmer, der er designet af vores datavidenskabs hold til at afkode afhængighederne, der informerer om menneskelig perception baseret på forholdet mellem analyter og grupper af analyter.

Da vi havde bevist effikaciteten af denne metode, begyndte vi at analysere og afkode smagmatricen af mange tusinde vine verden over og har herefter udviklet en omfattende smagmatrixdatabase over vinverdenen.

At relaterer forbrugerpræferencer til kemi

Herefter skulle vi forstå, hvilke smagmatricer forskellige forbrugere foretrækker ved at lade dem smage og bedømme vinene, vi havde analyseret. Over årene har vi afholdt regelmæssige dobbelt-blindede smagspaneler med tusinder af forbrugere, hvor hver smager mange dusin eller hundredvis af vine over tid. Respondenterne inkluderer nybegyndere i vin, typiske vindrikkere, eksperter, vinproducenter og sommelierer.

Crowdsourced-systemer mangler ofte kritisk data. For eksempel på Parker-skalaen vil de fleste mennesker ikke bedømme en vin under midten af 80-pointskalaen. Men vi har lært, at forbrugere hader, hvad de hader, mere end de kan lide, hvad de kan lide. Derfor er det kritisk at have et fuldt billede af præferencer – især negative præferencer.

Vi brugte vores ny maskinlæring til at forstå forbrugernes unikke præferencer for forskellige typer af smagmatricer i vin. Over tid tillod dette os at nøjagtigt forudsige deres præferencer for vine, de endnu ikke havde smagt. Under denne proces lærte vi også, at enkeltvine samt enkeltpræferencer er næsten fingeraftrykslignende i deres unikhed. Vi konkluderede, at modsat branchepraksis, kan forbrugere og vine ikke nøjagtigt grupperes eller filtreres i generaliseringer.

Eksempel: To kvinder kan dele samme geografi, kultur, etnicitet, uddannelse, indkomst, bil, telefon og begge elsker Kim Crawford Sauvignon Blanc; men den ene kan elske Morning Fog Chardonnay, og den anden kan hade det. Den eneste pålidelige forudsigelige indsigt ligger i deres biologiske gane.

Hvordan skal vi skalaere denne innovation?

Hvad vi havde skabt, var godt, men smagspaneler er dyre og tidskrævende. Det ville være umuligt at afholde en årlig smagspanel af alle 248 millioner amerikanere over 21 år for at forstå, hvilke vine de kan lide.

Vi ville designe et skalaerbart værktøj, der havde samme effikaciteten i at forudsige en forbrugers præferencer uden at kræve deltagelse i smagspaneler eller udtrykke deres præferencer for en stor mængde tidligere smagte vine.

Vores løsning var at lade AI’en vælge simple madvarer, der delte aspekter af deres kemi med vine i en udvalg. Respondenter i vores smagspaneler svarede på hundredvis af sådanne spørgsmål om deres præferencer for mad og smag, der ikke direkte relaterer til vin; såsom “Hvordan føler du om grøn peber?”, eller “Hvordan føler du om svampe?”

Disse spørgsmål blev brugt af TastryAI som analoger til typer og forhold af forbindelser, der typisk findes i den underliggende kemi i vin. Som mennesker kan vi ikke afkode eller forstå disse komplekse korrelationer og mønstre, men det viser sig, at det er et godt problem for maskinlæring at løse.

Med denne data lærte TastryAI at forudsige en forbrugers præferencer for vin baseret på deres svar på madpræferencetesten. Hvad der resulterede, var vores evne til at eliminere behovet for nogen vinspecifik data fra en forbruger for at forudsige deres præferencer for vin.

Hvor meget data har vi brug for at forstå forbrugerpræferencer?

Selvom vi startede med hundredvis af madpræferencespørgsmål, giver det bedste resultat efter 9-12 spørgsmål. Med Pareto-princippet giver de bedst fungerende madpræferencespørgsmål ca. 80% forståelse af en forbrugers gane.

I dag er der typisk en 10-12 spørgsmåls test for rødvin, og en anden 10-12 spørgsmåls test for hvidvin, rosé og boblevin.

Dette gav en skalaerbar løsning. Siden vi lancerede i forskellige pilotprojekter for år siden, er der nu mange lignende quizzer på e-handelssteder. En forbruger tager en 30-sekunders test om, hvorvidt de kan lide sorte bær eller kaffe, og de belønnes med vinanbefalinger. Forskellen er, at disse quizzer er på det højeste smagsnotefilter, dvs. hvis du kan lide sorte bær, vil du kunne lide en vin, der er beskrevet af nogen som smagende af mørke frugter, eller hvis du kan lide kaffe, vil du kunne lide en vin, der er beskrevet af nogen som værende astringerende. Men vi har lært, at hvis disse beskrivelser er nøjagtige for den persons gane, har det ingen forudsigelig kraft til at bestemme, om de vil kunne lide vinen; men det er engagerende, forbrugere kan lide quizzer.

Tastry’s anbefalinger er knyttet til smagmatricen af vinen. TastryAI er ikke et smagsnotefilter, det spørger ikke, om du kan lide duften eller smagen af svampe i din vin, det forsøger at forstå forholdet mellem forbindelser, du kan lide eller ikke kan lide, baseret på din biologiske ganepreferencer. Hvert spørgsmål giver mange lag af indsigt, fordi hvert spørgsmål overlapper og føder ind i andre spørgsmål. Så hvis du siger, du elsker svampe, men hader grøn peber, så er AI’en mere sikker på, at du kan lide nogle forbindelser, mere sikker på, at du ikke kan lide andre forbindelser, og de, der overlapper, er sandsynligvis kontekstuelle.

Så du kan næsten forestille dig en multidimensionel Venn-diagram, hvor AI’en afkoder, hvilke forbindelser du kan lide eller ikke kan lide i kombination med andre forbindelser.

Og med denne smagspræferencetest og forbrugerfeedback indsamler vi anonymiseret ganedata fra hele verden. En e-handels side eller stor butik kan lancere Tastry-quizzen på appen og have tusinder af svar inden for timer fra forbrugere på tværs af USA. Den eneste anden data, vi indsamler, er en postnummer. Vi bruger postnumret til at anvende en afledning af en Bayesian ridge, der tager den geografiske distribution af de kendte forbrugerganer, vi indsamler og overvåger, og andre data, og forudsiger resten af de 200M+ viable forbrugerganer i USA. Vi bruger denne forbedrede dataset som kilden til sandheden og til at give forudsigelser om, hvordan vine vil performe på et marked på butiksniveau, lokal eller regionalt.

Tastry Virtual Focus Group

Ved at analysere en vin, afkode dens smagmatrix og evaluere dens smagelighed i forhold til kombinationen af faktiske og virtuelle ganer, er AI’en i øjeblikket 92,8% nøjagtig i at forudsige den samlede amerikanske forbrugerrating for vinen. Med andre ord kan AI’en forudsige den gennemsnitlige 5-stjernet rating for en vin inden for +/- 1/10^te af en stjerne.

Det er lettest at tænke på AI’en som en “Virtual Focus Group” af forbrugerpræferencer.

Vinproducenter bruger TastryAI til at køre simulationer på, hvordan forbrugere vil opfatter deres vin, selv før de investerer år og millioner af dollars i at lave den. Grossister bruger TastryAI til at bestemme, i hvilke regioner forskellige vine vil performe bedst. Detailhandlere bruger TastryAI til at optimere deres udvalg på hylderne og online. Og forbrugere bruger TastryAI til at undgå risikoen for at købe en vin, de ikke kan lide.