Hvor velsmagende "Lærede en computer at smage."

Hvordan Tastry bruger ny kemi og kunstig intelligens til at forudsige forbrugernes præferencer.

Fra begyndelsen var spørgsmålet, vi ønskede at besvare: "Kan vi afkode de unikke smagsmatricer af sensoriske produkter og forbrugernes unikke biologiske præferencer for præcist at forudsige velbehagelighed?" Det korte svar er ja.

Men tidligt i vores forskning fandt vi ud af, at eksisterende kemiske analysemetoder og eksisterende forbrugerpræferencedata gav statistisk insignifikante korrelationer eller forudsigelser. Vi vidste, at vi skulle oprette vores egne data for at gøre fremskridt.

For det første var vi nødt til at skabe en analytisk kemimetode, der ville give så meget gennemsigtighed til kemien som muligt (inklusive flygtige stoffer, ikke-flygtige stoffer, opløste, spektrale data og så videre). Vi var også nødt til at afkode smagsmatrixen på en måde som kunne oversættes til at hjælpe tilnærmelsesvis, hvordan mennesker oplever den kemi på deres gane.

For det andet var vi nødt til at skabe en metode til konstant og præcist at indhente, forstærke og spore de biologiske sensoriske præferencer hos en stor, forskelligartet og stadigt voksende gruppe af faktiske forbrugere for at tjene som vores grundsandhed.

Hvorfor nuværende metoder ikke kan forudsige forbrugernes præference for sensorisk baserede produkter

Da vi startede vores forskning i 2015, havde vi den hypotese, at alt, hvad du behøver at vide om smagen af ​​vin, det vil sige smag, aroma, tekstur og farve - findes i kemien. Der manglede dog en mere omfattende analysemetode.

For at forklare denne begrænsning er det vigtigt at forstå, at kemien i sensorisk baserede produkter i høj grad er fokuseret på kvalitetskontrol, dvs. hvor meget af denne analyt er i den blanding? Fokus er typisk ikke at evaluere alle analytterne, deres relative forhold, eller hvordan de kombineres på den menneskelige gane for at skabe smag. Dette er den blinde plet, vi havde brug for at belyse, fordi der er dynamiske interaktioner, der finder sted mellem hundredvis af forbindelser på en menneskelig gane. En menneskelig gane oplever en "kemisk suppe" af smagsstoffer på samme tid, ikke én forbindelse ad gangen, som en maskine gør. Interaktionerne mellem disse multiple forbindelser i kombination med hver forbrugers unikke biologi giver en kritisk kontekst for, hvilke træk ved kemien, der udtrykkes til den person.

I det omfang der tages hensyn til sanselighed, simpelt sagt, ser den typiske tilgang således ud:

• Undersøgelsesdata viser, at folk kan lide smør.
• Diacetyl er en forbindelse, der typisk forbindes med smagen af ​​smør.
• Hvis vi laver en chardonnay med mere diacetyl, vil flere kunne lide den.

Kerneproblemer med denne tilgang.

1. Smag kan ikke forudsiges ved kvantificering af forbindelser alene. En given koncentration af diacetyl kan opfattes som smør i én 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 forbindelserne på én gang, deres sanser analyserer ikke hver forbindelse individuelt, derfor er enhver given kvantificering ikke nødvendigvis forudsigelig.

 

2. Mennesker opfatter og kommunikerer smag forskelligt. Selv blandt et panel af eksperter kan halvdelen af ​​eksperterne beskrive noget som smager som æble, og den anden halvdel kan beskrive det som pære. Og den gennemsnitlige forbruger er endnu mindre forudsigelig. Ud fra vores forskning mener vi ikke, at menneskelig smag er tilstrækkelig håndgribelig til at blive kommunikeret præcist gennem sproget fra én person til en anden. Vores beskrivelser er for vage, og vores definitioner varierer baseret på individuel biologi og kulturelle erfaringer. For eksempel beskriver de fleste forbrugere i USA opfattelsen af ​​benzaldehyd som "kirsebær", men de fleste forbrugere i Europa beskriver det som "marcipan" ... selv i den samme vin.

 

3. De smage, forbrugerne opfatter, har ingen sammenhæng med, hvorvidt de rent faktisk kan lide det. I vores forskning er det observeret, at forbrugerne ikke beslutter sig for at købe en vin, fordi den smager af kirsebær. De afgør simpelthen, at de kunne lide vinen, og de vil sandsynligvis kunne lide den igen.

Eksempel: Denne manglende forståelse er ikke unik for vinsegmentet. Vi har mødtes med ledere og forskere hos nogle af de største smags- og duftvirksomheder i verden. En leder beskrev sin frustration over et nyligt projekt om at skabe en ny lavendelchokolade. Dette firma brugte millioner af dollars på at sidde og drive fokusgrupper med forbrugere, der specifikt elskede chokolade, elskede lavendel og elskede lavendelchokolade. I sidste ende var resultaterne, at respondenterne var enige om, at det var lavendelchokolade, men at de også var enige om, at de ikke kunne lide netop den lavendelchokolade.

Som et resultat af disse indsigter konkluderede vi, at vi skulle fokusere vores forskning på at forudsige, hvilke kemimatricer forbrugerne kunne lide, og i hvilket omfang, i modsætning til hvilke smagsvarianter de opfatter.

Hvordan vores tilgang er anderledes

Skrald ind, skrald ud. Når det kommer til datakvalitet, indså vi, at et gyldigt træningssæt ikke kunne genereres ud fra eksisterende kommercielle eller crowd-sourcede data. Vi bliver nødt til at skabe vores egen, internt.

Det første, vi havde brug for, var en kemimetode, der ville give synlighed på den delikate balance mellem de flygtige, ikke-flygtige, opløste faste stoffer, spektrale data osv. af en vin i et øjebliksbillede, for at være mere relateret til den menneskelige gane.

Års eksperimenter resulterede i en metode, der genererer over 1 million datapunkter pr. prøve. Denne granulære og overvældende mængde data behandles derefter af maskinlæringsalgoritmer, der er designet af vores datavidenskabsteam til at afkode de indbyrdes afhængigheder, som informerer menneskelig opfattelse baseret på forholdet mellem analytter og grupper af analytter.

Da vi havde bevist effektiviteten af ​​denne metode, begyndte vi at analysere og afkode smagsmatrixen af ​​mange tusinde vine verden over og har siden udviklet en omfattende smagsmatrixdatabase over vinens verden.

Relateret forbrugerpræferencer til kemi

Dernæst skulle vi forstå, hvilke smagsmatricer forskellige forbrugere foretrak ved at få dem til at smage og vurdere den vin, vi havde analyseret. Gennem årene har vi kørt regelmæssige dobbeltblindede smagspaneler med tusindvis af forbrugere, der hver især smager mange snesevis eller hundredvis af vine over tid. Respondenterne omfatter nybegyndere til vin, typiske vindrikkere, eksperter, vinproducenter og sommelierer.

Crowd-sourcede systemer savner eller ignorerer typisk kritiske data. For eksempel, på Parker-skalaen, vil de fleste mennesker ikke engang score en vin under midten af ​​80pt. rækkevidde. Men vi har lært, at forbrugerne ikke kan lide det, de ikke kan lide, mere end det, de kan lide. Derfor er det vigtigt at have et fuldstændigt billede af præferencer – især negative præferencer.

Vi brugte vores nye maskinlæring til at forstå forbrugernes unikke præferencer for forskellige typer smagsmatricer i vinen. Over tid gav dette os mulighed for præcist at forudsige deres præferencer for vine, de endnu ikke havde smagt. Under denne proces lærte vi også, at individuelle vine, såvel som individuelle præferencer, næsten er fingeraftrykslignende i deres unikke karakter. Vi konkluderede, at i modsætning til sædvanlig industripraksis, kan forbrugere og vine ikke nøjagtigt grupperes eller sammenfiltreres i generaliseringer.

Eksempel: To kvinder kan dele den samme geografi, kultur, etnicitet, uddannelse, indkomst, bil, telefon, og begge elsker Kim Crawford Sauvignon Blanc; men man kan elske Morning Fog chardonnay og den anden kan hade det. Den eneste pålidelige forudsigende synlighed hviler på deres biologiske gane.

Hvordan skalerer man denne innovation? 

Det, vi havde lavet, var fantastisk, men smagspaneler er dyre og tidskrævende. Det ville være umuligt at køre et årligt smagspanel af alle 248 millioner amerikanere over 21 år for at forstå, hvilke vine de vil kunne lide.

Vi ønskede at designe et skalerbart værktøj, der havde samme effektivitet til at forudsige en forbrugers præferencer, uden at det krævede deltagelse i smagspaneler eller at udtrykke deres præferencer for et stort sæt tidligere smagte vine.

Vores løsning var at få AI til at vælge simple madvarer, som delte aspekter af deres kemi med vine i et sortiment. Respondenter i vores smagspaneler besvarede flere hundrede sådanne spørgsmål om deres præferencer for fødevarer og smag, der ikke er direkte relateret til vin; såsom "Hvad har du det med grøn peberfrugt?" eller "Hvad har du det med svampe?"

Disse spørgsmål blev brugt af TastryAI som analoger til typerne og forholdet mellem forbindelser, der almindeligvis findes i den underliggende kemi af vin. Som mennesker kan vi ikke dechifrere eller forstå disse komplekse sammenhænge og mønstre, men som det sker, er det et glimrende problem for maskinlæring at løse at udfordre disse komplicerede forhold.

Med disse data lærte TastryAI, hvordan man forudsiger en forbrugers præference for vin, baseret på deres svar på Food Preference Survey. Det resulterede var vores evne til at eliminere behovet for vinspecifikke data fra en forbruger til at forudsige deres præference for vin.

Hvor meget data har vi brug for for at forstå forbrugernes præferencer?

Selvom vi startede med hundredvis af spørgsmål om madpræference, jo flere der besvares, jo mere nøjagtige resultater, er der faldende afkast efter 9.-12. Med Pareto-princippet på arbejde, gav de bedst ydende spørgsmål om madpræference cirka. 80 % forståelse for en forbrugers gane.

Fra i dag er der typisk en 10-12 spørgsmåls undersøgelse for rødvin, og en anden 10-12 spørgsmål undersøgelse for hvid, rosé og mousserende vin.

Dette muliggjorde en skalerbar løsning. Siden vi lancerede i forskellige piloter for år siden, er der nu mange lignende finurlige quizzer på e-handelssider. En forbruger tager en 30-sekunders quiz om, hvorvidt de kan lide brombær eller kaffe, og de bliver belønnet med vinanbefalinger. Forskellen er, at disse quizzer højst er smagsnotefiltre, dvs. hvis du kan lide brombær, vil du kunne lide en vin, der af nogen beskrives som smagende som mørk frugt, eller hvis du kan lide kaffe, så vil du kunne lide en vin beskrevet af nogen som at være astringerende. Men vi har erfaret, at hvis disse beskrivelser er nøjagtige for den persons gane, så har den det ingen forudsigelseskraftr om de vil kunne lide vinen eller ej; men det er engagerende, forbrugerne kan lide quizzer.

Tastrys anbefalinger er knyttet til vinens smagsmatrix. TastryAI er ikke et smagsnotefilter, det spørger ikke, om du kan lide aromaen eller smagen af ​​svampe i din vin, det forsøger at forstå forholdet mellem forbindelser, du kan lide eller ikke kan lide, baseret på dine biologiske ganepræferencer. Hvert spørgsmål giver mange lag af indsigt, fordi hvert spørgsmål overlapper og indgår i andre spørgsmål. Så efter at have spurgt om svampe, er det næste spørgsmål måske "Hvordan har du det med smagen af ​​grøn peber?" AI ved måske, at der for eksempel er 33 forbindelser i et givet forhold, der generelt er ansvarlige for opfattelsen af ​​svampe, og 22 forbindelser, der generelt er ansvarlige for smagen af ​​grøn peberfrugt - men vigtigere er nogle af disse forbindelser, der findes i begge. Hvis du siger, at du elsker svampe, men hader grøn peber, så er AI mere sikker på dig ligesom nogle forbindelser, mere sikker på dig ikke lide andre forbindelser, og dem, der overlapper, er sandsynligvis kontekstuelle.

Så du kan på en måde forestille dig et multidimensionelt Venn-diagram, hvor AI'en pirrer, hvilke forbindelser du kan lide eller ikke kan lide i kombination med andre forbindelser.

Og med denne smagspræferenceundersøgelse og forbrugerfeedback indsamler vi anonymiserede ganedata fra hele verden. En e-handelsside, eller big box-forhandler, kan starte Tastry Quiz på appen og få tusindvis af svar inden for få timer fra forbrugere i hele USA. De eneste andre data, vi erhverver, er et postnummer. Vi bruger postnummeret til at anvende en afledning af en Bayesiansk højderyg, som tager den geografiske fordeling af de kendte forbrugerganer, vi indsamler og overvåger, og andre data, og forudsiger resten af ​​de 200M+ levedygtige forbrugerganer i USA. Vi bruger denne forbedrede datasæt som kilden til sandheden og for at give forudsigelser om, hvordan vine vil klare sig på et marked på butiks-, lokalt eller regionalt niveau.

Velsmagende virtuel fokusgruppe

Efter at have analyseret en vin, afkodet dens smagsmatrix og evalueret dens velsmag i forhold til kombinationen af ​​faktiske og virtuelle ganer, AI er i øjeblikket 92.8% nøjagtig i at forudsige den samlede amerikanske forbrugervurdering for vinen. Med andre ord kan AI'en forudsige den gennemsnitlige 5-stjernede vurdering for en vin inden for +/- 1/10^th af en stjerne.

Det er nemmest at tænke på AI som en "virtuel fokusgruppe" af forbrugerpræferencer.

Vingårde bruger TastryAI til at køre simuleringer af, hvordan forbrugerne vil opfatte deres vin, selv før de investerer år og millioner af dollars i at lave den. Grossister bruger TastryAI til at bestemme de regioner, hvor forskellige vine vil klare sig bedst. Detailhandlere bruger TastryAI til at optimere deres sortiment på hylderne og online. Og forbrugerne bruger TastryAI for at undgå risikoen for at købe en vin, som de ikke kommer til at kunne lide.