How Tastry «Δίδαξε σε έναν υπολογιστή πώς να γεύεται».

Πώς το Tastry χρησιμοποιεί νέα χημεία και τεχνητή νοημοσύνη για να προβλέψει τις προτιμήσεις των καταναλωτών.

Από την αρχή, το ερώτημα που θέλαμε να απαντήσουμε ήταν: «Μπορούμε να αποκωδικοποιήσουμε τις μοναδικές μήτρες γεύσης των προϊόντων που βασίζονται σε αισθητήρια και τις μοναδικές βιολογικές προτιμήσεις των καταναλωτών για να προβλέψουμε με ακρίβεια την αρεστότητα;» Η σύντομη απάντηση είναι ναι.

Ωστόσο, νωρίς στην έρευνά μας διαπιστώσαμε ότι οι υπάρχουσες μέθοδοι χημικής ανάλυσης και τα υπάρχοντα δεδομένα προτιμήσεων των καταναλωτών, παρείχαν στατιστικά ασήμαντες συσχετίσεις ή προβλέψεις. Ξέραμε ότι θα έπρεπε να δημιουργήσουμε τα δικά μας δεδομένα για να σημειώσουμε πρόοδο.

Πρώτον, χρειαζόταν να δημιουργήσουμε μια μέθοδο αναλυτικής χημείας που θα παρείχε όσο το δυνατόν μεγαλύτερη διαφάνεια στη χημεία (συμπεριλαμβανομένων των πτητικών, μη πτητικών, διαλυμένων, φασματικών δεδομένων κ.λπ.) Χρειαζόμασταν επίσης να αποκωδικοποιήσουμε τη μήτρα γεύσης με έναν τρόπο που θα μπορούσε να μεταφραστεί για να βοηθήσει κατά προσέγγιση τον τρόπο με τον οποίο οι άνθρωποι βιώνουν αυτή τη χημεία στον ουρανίσκο τους.

Δεύτερον, χρειαζόταν να δημιουργήσουμε μια μέθοδο για να λαμβάνουμε, να αυξάνουμε και να παρακολουθούμε συνεχώς και με ακρίβεια τις βιολογικές αισθητηριακές προτιμήσεις μιας μεγάλης, ποικιλόμορφης και συνεχώς αυξανόμενης ομάδας πραγματικών καταναλωτών για να χρησιμεύουμε ως βασική μας αλήθεια.

Γιατί οι τρέχουσες μέθοδοι αποτυγχάνουν να προβλέψουν την προτίμηση των καταναλωτών για προϊόντα που βασίζονται σε αισθητήρια

Όταν ξεκινήσαμε την έρευνά μας το 2015, είχαμε την υπόθεση ότι όλα όσα πρέπει να γνωρίζετε για τη γεύση του κρασιού, δηλαδή τη γεύση, το άρωμα, την υφή και το χρώμα – υπάρχουν στη χημεία. Ωστόσο, αυτό που έλειπε ήταν μια πιο ολοκληρωμένη μέθοδος ανάλυσης.

Για να εξηγήσουμε αυτόν τον περιορισμό, είναι σημαντικό να κατανοήσουμε ότι η χημεία των προϊόντων που βασίζονται σε αισθητικούς παράγοντες εστιάζεται σε μεγάλο βαθμό στον ποιοτικό έλεγχο, δηλαδή πόσο από αυτή την αναλυόμενη ουσία βρίσκεται σε αυτό το μείγμα; Το επίκεντρο δεν είναι συνήθως η αξιολόγηση όλων των αναλυτών, των σχετικών αναλογιών τους ή του τρόπου με τον οποίο συνδυάζονται στον ανθρώπινο ουρανίσκο για να δημιουργήσουν γεύση. Αυτό είναι το τυφλό σημείο που χρειαζόμασταν να φωτίσουμε επειδή υπάρχουν δυναμικές αλληλεπιδράσεις που λαμβάνουν χώρα μεταξύ εκατοντάδων ενώσεων στον ανθρώπινο ουρανίσκο. Ένας ανθρώπινος ουρανίσκος βιώνει ταυτόχρονα μια «χημική σούπα» με γευστικές ενώσεις, όχι μια ένωση τη φορά όπως μια μηχανή. Οι αλληλεπιδράσεις μεταξύ αυτών των πολλαπλών ενώσεων σε συνδυασμό με τη μοναδική βιολογία κάθε καταναλωτή, παρέχουν κρίσιμο πλαίσιο ως προς το ποια χαρακτηριστικά της χημείας εκφράζονται σε αυτό το άτομο.

Στο βαθμό που λαμβάνεται υπόψη η αισθητηριακή, με απλά λόγια, η τυπική προσέγγιση μοιάζει με αυτό:

• Τα στοιχεία της έρευνας δείχνουν ότι στους ανθρώπους αρέσει το βούτυρο.
• Το διακετύλιο είναι μια ένωση που συνήθως συνδέεται με τη γεύση του βουτύρου.
• Αν φτιάξουμε ένα chardonnay με περισσότερο διακετύλιο, θα αρέσει σε περισσότερους.

Βασικά προβλήματα με αυτήν την προσέγγιση.

1. Η γεύση δεν μπορεί να προβλεφθεί μόνο με ποσοτικοποίηση των ενώσεων. Μια δεδομένη συγκέντρωση διακετυλίου μπορεί να εκληφθεί ως βούτυρο σε ένα κρασί ή σοδειά, αλλά όχι σε ένα άλλο. Αυτό συμβαίνει επειδή υπάρχουν εκατοντάδες άλλες ενώσεις στο κρασί και ανάλογα με τις συγκεντρώσεις και τις αναλογίες τους, το διακετύλιο θα μπορούσε είτε να καλυφθεί είτε να εκφραστεί. Σε αντίθεση με ένα μηχάνημα, οι άνθρωποι βιώνουν όλες τις ενώσεις ταυτόχρονα, οι αισθήσεις τους δεν αναλύουν κάθε ένωση ξεχωριστά, επομένως οποιαδήποτε μεμονωμένη ποσοτικοποίηση δεν είναι απαραίτητα προγνωστική.

 

2. Οι άνθρωποι αντιλαμβάνονται και επικοινωνούν διαφορετικά τις γεύσεις. Ακόμη και μεταξύ μιας ομάδας ειδικών, οι μισοί ειδικοί μπορεί να περιγράψουν κάτι με γεύση σαν μήλο και οι άλλοι μισοί μπορεί να το περιγράψουν ως αχλάδι. Και ο μέσος καταναλωτής είναι ακόμη λιγότερο προβλέψιμος. Από την έρευνά μας, δεν πιστεύουμε ότι το ανθρώπινο γούστο είναι αρκετά απτό για να μεταδοθεί με ακρίβεια απλά μέσω της γλώσσας από το ένα άτομο στο άλλο. Οι περιγραφείς μας είναι πολύ ασαφείς και οι ορισμοί μας ποικίλλουν με βάση την ατομική βιολογία και τις πολιτισμικές εμπειρίες. Για παράδειγμα, στις ΗΠΑ οι περισσότεροι καταναλωτές περιγράφουν την αντίληψη της βενζαλδεΰδης ως «κεράσι», αλλά οι περισσότεροι καταναλωτές στην Ευρώπη την περιγράφουν ως «μαρζιπάν»… ακόμη και στο ίδιο κρασί.

 

3. Οι γεύσεις που αντιλαμβάνονται οι καταναλωτές δεν έχουν καμία σχέση με το αν τους αρέσει ή όχι. Στην έρευνά μας παρατηρείται ότι οι καταναλωτές δεν αποφασίζουν να αγοράσουν ένα κρασί επειδή έχει γεύση κεράσι. Απλώς κρίνουν ότι τους άρεσε το κρασί και είναι πιθανό να τους αρέσει ξανά.

Παράδειγμα: Αυτή η έλλειψη κατανόησης δεν είναι μοναδική στο τμήμα του κρασιού. Έχουμε συναντηθεί με στελέχη και ερευνητές σε μερικές από τις μεγαλύτερες εταιρείες γεύσεων και αρωμάτων στον κόσμο. Ένα στέλεχος περιέγραψε την απογοήτευσή του με ένα πρόσφατο έργο για τη δημιουργία μιας νέας σοκολάτας λεβάντας. Αυτή η εταιρεία ξόδεψε εκατομμύρια δολάρια καθιστώντας και οργανώνοντας ομάδες εστίασης με καταναλωτές που αγαπούσαν ειδικά τη σοκολάτα, λάτρευαν τη λεβάντα και τη σοκολάτα λεβάντας. Τελικά τα αποτελέσματα ήταν ότι οι ερωτηθέντες συμφώνησαν ότι ήταν σοκολάτα λεβάντας, αλλά ότι συμφώνησαν επίσης ότι δεν τους άρεσε η συγκεκριμένη σοκολάτα λεβάντας.

Ως αποτέλεσμα αυτών των γνώσεων, καταλήξαμε στο συμπέρασμα ότι θα πρέπει να εστιάσουμε την έρευνά μας στην πρόβλεψη ποιες χημικές μήτρες άρεσαν στους καταναλωτές και σε ποιο βαθμό, σε αντίθεση με τις γεύσεις που αντιλαμβάνονται.

Πώς είναι διαφορετική η προσέγγισή μας

Garbage-in, Garbage-out. Όσον αφορά την ποιότητα των δεδομένων, συνειδητοποιήσαμε ότι ένα έγκυρο σετ εκπαίδευσης δεν μπορούσε να δημιουργηθεί από υπάρχοντα εμπορικά δεδομένα ή δεδομένα που προέρχονται από πλήθος. Θα έπρεπε να δημιουργήσουμε το δικό μας, εσωτερικά.

Το πρώτο πράγμα που χρειαζόμασταν ήταν μια μέθοδος χημείας που θα παρείχε ορατότητα στη λεπτή ισορροπία των πτητικών, μη πτητικών, διαλυμένων στερεών, φασματικών δεδομένων κ.λπ., ενός κρασιού σε ένα στιγμιότυπο, ώστε να είναι πιο σχετικό με τον ανθρώπινο ουρανίσκο.

Χρόνια πειραματισμού κατέληξαν σε μια μεθοδολογία που παράγει πάνω από 1 εκατομμύριο σημεία δεδομένων ανά δείγμα. Αυτή η λεπτομερής και συντριπτική ποσότητα δεδομένων επεξεργάζεται στη συνέχεια από αλγόριθμους μηχανικής μάθησης που σχεδιάστηκαν από την ομάδα επιστήμης δεδομένων μας για να αποκωδικοποιήσουν τις αλληλεξαρτήσεις που ενημερώνουν την ανθρώπινη αντίληψη με βάση τις αναλογίες των αναλυτών και των ομάδων αναλυτών.

Μόλις αποδείξαμε την αποτελεσματικότητα αυτής της μεθόδου, αρχίσαμε να αναλύουμε και να αποκωδικοποιούμε τη μήτρα γεύσης πολλών χιλιάδων κρασιών παγκοσμίως και έκτοτε έχουμε αναπτύξει μια ολοκληρωμένη βάση δεδομένων μήτρας γεύσης για τον κόσμο του κρασιού.

Συσχέτιση των προτιμήσεων των καταναλωτών με τη χημεία

Στη συνέχεια, έπρεπε να καταλάβουμε ποιες μήτρες γεύσης προτιμούσαν διάφοροι καταναλωτές, βάζοντάς τους να δοκιμάσουν και να βαθμολογήσουν το κρασί που είχαμε αναλύσει. Με τα χρόνια έχουμε οργανώσει τακτικά πάνελ διπλής τυφλής γευσιγνωσίας με χιλιάδες καταναλωτές, καθένας από τους οποίους δοκιμάζει πολλές δεκάδες ή εκατοντάδες κρασιά με την πάροδο του χρόνου. Οι ερωτηθέντες περιλαμβάνουν νεοφερμένους στο κρασί, τυπικούς οινοπότες, ειδικούς, οινοποιούς και σομελιέ.

Τα συστήματα που προέρχονται από πλήθος συνήθως χάνουν ή αγνοούν σημαντικά δεδομένα. Για παράδειγμα, στην κλίμακα Parker, οι περισσότεροι άνθρωποι δεν θα σκοράρουν ούτε ένα κρασί κάτω από τα μέσα των 80 pt. εύρος. Αλλά μάθαμε ότι οι καταναλωτές αντιπαθούν αυτό που αντιπαθούν, περισσότερο από αυτό που τους αρέσει. Ως εκ τούτου, είναι σημαντικό να έχετε μια πλήρη εικόνα των προτιμήσεων – ιδιαίτερα των αρνητικών προτιμήσεων.

Χρησιμοποιήσαμε τη νέα μας μηχανική εκμάθηση για να κατανοήσουμε τις μοναδικές προτιμήσεις των καταναλωτών για διάφορους τύπους αρωμάτων στο κρασί. Με την πάροδο του χρόνου, αυτό μας επέτρεψε να προβλέψουμε με ακρίβεια τις προτιμήσεις τους για κρασιά που δεν είχαν ακόμη δοκιμάσει. Κατά τη διάρκεια αυτής της διαδικασίας, μάθαμε επίσης ότι τα μεμονωμένα κρασιά, καθώς και οι ατομικές προτιμήσεις, είναι σχεδόν σαν δακτυλικά αποτυπώματα στη μοναδικότητά τους. Καταλήξαμε στο συμπέρασμα ότι, σε αντίθεση με τις συνήθεις πρακτικές του κλάδου, οι καταναλωτές και τα κρασιά δεν μπορούν να ομαδοποιηθούν με ακρίβεια ή να φιλτραριστούν από κοινού σε γενικεύσεις.

Παράδειγμα: Δύο γυναίκες μπορούν να μοιράζονται την ίδια γεωγραφία, κουλτούρα, εθνικότητα, εκπαίδευση, εισόδημα, αυτοκίνητο, τηλέφωνο και και οι δύο αγαπούν την Kim Crawford Sauvignon Blanc. αλλά ο ένας μπορεί να αγαπήσει το Morning Fog chardonnay και ο άλλος να το μισήσει. Η μόνη αξιόπιστη προγνωστική ορατότητα ανήκει στον βιολογικό τους ουρανίσκο.

Πώς να κλιμακωθεί αυτή η καινοτομία; 

Αυτό που δημιουργήσαμε ήταν υπέροχο, αλλά τα πάνελ γευσιγνωσίας είναι ακριβά και χρονοβόρα. Θα ήταν αδύνατο να οργανωθεί μια ετήσια επιτροπή γευσιγνωσίας και των 248 εκατομμυρίων Αμερικανών άνω των 21 ετών για να καταλάβουν ποια κρασιά θα τους αρέσουν.

Θέλαμε να σχεδιάσουμε ένα επεκτάσιμο εργαλείο που θα είχε την ίδια αποτελεσματικότητα στην πρόβλεψη των προτιμήσεων ενός καταναλωτή, χωρίς να απαιτείται συμμετοχή σε πάνελ γευσιγνωσίας ή να εκφράσει τις προτιμήσεις του για ένα μεγάλο σετ κρασιών που είχαν δοκιμάσει προηγουμένως.

Η λύση μας ήταν να επιλέγει η τεχνητή νοημοσύνη απλά τρόφιμα που μοιράζονται πτυχές της χημείας τους με κρασιά σε μια ποικιλία. Οι ερωτηθέντες στα πάνελ γευσιγνωσίας μας απάντησαν σε αρκετές εκατοντάδες τέτοιες ερωτήσεις σχετικά με τις προτιμήσεις τους για τρόφιμα και γεύσεις που δεν σχετίζονται άμεσα με το κρασί. όπως, «Πώς αισθάνεσαι για την πράσινη πιπεριά;» ή «Πώς αισθάνεσαι για τα μανιτάρια;»

Αυτές οι ερωτήσεις χρησιμοποιήθηκαν από το TastryAI ως ανάλογα με τους τύπους και τις αναλογίες των ενώσεων που βρίσκονται συνήθως στην υποκείμενη χημεία του κρασιού. Ως άνθρωποι, δεν μπορούμε να αποκρυπτογραφήσουμε ή να κατανοήσουμε αυτούς τους πολύπλοκους συσχετισμούς και μοτίβα, αλλά όπως συμβαίνει το να πειράξουμε αυτές τις περίπλοκες σχέσεις είναι ένα εξαιρετικό πρόβλημα για την επίλυση της μηχανικής μάθησης.

Με αυτά τα δεδομένα, το TastryAI έμαθε πώς να προβλέπει την προτίμηση ενός καταναλωτή για το κρασί, με βάση τις απαντήσεις του στην Έρευνα Προτιμήσεων Τροφίμων. Αυτό που προέκυψε ήταν η ικανότητά μας να εξαλείψουμε την ανάγκη για συγκεκριμένα δεδομένα για το κρασί από έναν καταναλωτή για να προβλέψει την προτίμησή του για το κρασί.

Πόσα δεδομένα χρειαζόμαστε για να κατανοήσουμε τις προτιμήσεις των καταναλωτών;

Αν και ξεκινήσαμε με εκατοντάδες ερωτήσεις προτιμήσεων τροφίμων, όσο περισσότερες απαντώνται τόσο πιο ακριβή είναι τα αποτελέσματα, υπάρχουν φθίνουσες αποδόσεις μετά το 9-12. Με την αρχή Pareto να λειτουργεί, οι ερωτήσεις προτιμήσεων τροφίμων με την καλύτερη απόδοση παρέχονται περίπου. 80% κατανόηση του ουρανίσκου ενός καταναλωτή.

Από σήμερα, υπάρχει συνήθως μια έρευνα 10-12 ερωτήσεων για το κόκκινο κρασί και μια άλλη έρευνα 10-12 ερωτήσεων για το λευκό, το ροζέ και το αφρώδες κρασί.

Αυτό επέτρεψε μια επεκτάσιμη λύση. Από τότε που ξεκινήσαμε σε διάφορα πιλοτικά προγράμματα πριν από χρόνια, υπάρχουν τώρα πολλά παρόμοια κουίζ με ιδιότροπη εμφάνιση σε ιστότοπους ηλεκτρονικού εμπορίου. Ένας καταναλωτής κάνει ένα κουίζ 30 δευτερολέπτων σχετικά με το αν του αρέσουν ή όχι τα βατόμουρα ή ο καφές και ανταμείβεται με προτάσεις κρασιού. Η διαφορά είναι ότι αυτά τα κουίζ είναι το πολύ φίλτρα γευστικών σημειώσεων, δηλαδή, αν σας αρέσουν τα βατόμουρα, θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ότι έχει γεύση σκούρου φρούτου ή αν σας αρέσει ο καφές, τότε θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ως όντας στυπτικός. Αλλά μάθαμε ότι αν αυτές οι περιγραφές είναι ακριβείς για τον ουρανίσκο αυτού του ατόμου, έχει καμία προγνωστική δύναμηr για το αν θα τους αρέσει ή όχι το κρασί; αλλά είναι ελκυστικό, στους καταναλωτές αρέσουν τα κουίζ.

Οι συστάσεις του Tastry συνδέονται με τη μήτρα γεύσης του κρασιού. Το TastryAI δεν είναι ένα φίλτρο γευστικών σημειώσεων, δεν ρωτά αν σας αρέσει το άρωμα ή η γεύση των μανιταριών στο κρασί σου, προσπαθεί να κατανοήστε τις αναλογίες των ενώσεων που σας αρέσουν ή δεν σας αρέσουν με βάση τις προτιμήσεις του βιολογικού σας ουρανίσκου. Κάθε ερώτηση παρέχει πολλά επίπεδα γνώσης, επειδή κάθε ερώτηση επικαλύπτεται και τροφοδοτεί άλλες ερωτήσεις. Έτσι, αφού ρωτήσω για τα μανιτάρια, ίσως η επόμενη ερώτηση είναι "Πώς αισθάνεστε για τη γεύση της πράσινης πιπεριάς;" Η τεχνητή νοημοσύνη μπορεί να γνωρίζει ότι υπάρχουν, για παράδειγμα, 33 ενώσεις σε μια δεδομένη αναλογία γενικά υπεύθυνες για την αντίληψη των μανιταριών και 22 ενώσεις γενικά υπεύθυνες για τη γεύση της πράσινης πιπεριάς – αλλά είναι σημαντικό μερικές από αυτές τις ενώσεις υπάρχουν και στα δύο. Εάν λέτε ότι αγαπάτε τα μανιτάρια, αλλά μισείτε την πράσινη πιπεριά, τότε η τεχνητή νοημοσύνη έχει μεγαλύτερη αυτοπεποίθηση Μου αρέσει μερικές ενώσεις, πιο σίγουροι αντιπάθεια άλλες ενώσεις, και εκείνες που επικαλύπτονται είναι πιθανώς συμφραζόμενες.

Έτσι, μπορείτε να φανταστείτε ένα πολυδιάστατο διάγραμμα Venn, όπου η τεχνητή νοημοσύνη πειράζει ποιες ενώσεις σας αρέσουν ή δεν σας αρέσουν σε συνδυασμό με άλλες ενώσεις.

Και με αυτήν την έρευνα προτιμήσεων γεύσης και τα σχόλια των καταναλωτών, συλλέγουμε ανώνυμα δεδομένα ουρανίσκου από όλο τον κόσμο. Ένας ιστότοπος ηλεκτρονικού εμπορίου ή ένας μεγάλος πωλητής λιανικής, μπορεί να ξεκινήσει το Tastry Quiz στην εφαρμογή και να έχει χιλιάδες απαντήσεις μέσα σε λίγες ώρες από καταναλωτές σε όλες τις ΗΠΑ. Τα μόνα άλλα δεδομένα που λαμβάνουμε είναι ένας ταχυδρομικός κώδικας. Χρησιμοποιούμε τον ταχυδρομικό κώδικα για να εφαρμόσουμε μια προέλευση μιας μπεϋζιανής κορυφογραμμής, η οποία λαμβάνει τη γεωγραφική κατανομή των γνωστών καταναλωτικών ουρανίσκων που συλλέγουμε και παρακολουθούμε, καθώς και άλλα δεδομένα, και προβλέπει τους υπόλοιπους 200 εκατομμύρια+ βιώσιμους ουρανίσκους στις ΗΠΑ. Χρησιμοποιούμε αυτό το βελτιωμένο σύνολο δεδομένων ως πηγή αλήθειας και για την παροχή προβλέψεων σχετικά με την απόδοση των κρασιών σε μια αγορά σε κατάστημα, τοπικό ή περιφερειακό επίπεδο.

Εικονική ομάδα εστίασης Tastry

Κατά την ανάλυση ενός κρασιού, την αποκωδικοποίηση της μήτρας γεύσης του και την αξιολόγηση της γευστικότητάς του σε σχέση με τον συνδυασμό πραγματικών και εικονικών ουρανίσκων, Το AI είναι επί του παρόντος 92.8% ακριβές στην πρόβλεψη της συνολικής αξιολόγησης των καταναλωτών των ΗΠΑ για το κρασί. Με άλλα λόγια, το AI μπορεί να προβλέψει τη μέση βαθμολογία 5 αστέρων για ένα κρασί εντός +/- 1/10^th ενός αστεριού.

Είναι πιο εύκολο να σκεφτούμε την τεχνητή νοημοσύνη ως μια «Εικονική Ομάδα Εστίασης» των προτιμήσεων των καταναλωτών.

Τα οινοποιεία χρησιμοποιούν το TastryAI για να εκτελέσουν προσομοιώσεις σχετικά με το πώς θα αντιληφθούν οι καταναλωτές το κρασί τους, ακόμη και πριν επενδύσουν χρόνια και εκατομμύρια δολάρια για την παραγωγή του. Οι χονδρέμποροι χρησιμοποιούν το TastryAI για να καθορίσουν τις περιοχές στις οποίες τα διάφορα κρασιά θα έχουν καλύτερη απόδοση. Οι έμποροι λιανικής χρησιμοποιούν το TastryAI για να βελτιστοποιήσουν τη συλλογή τους στα ράφια και στο διαδίκτυο. Και οι καταναλωτές χρησιμοποιούν το TastryAI για να αποφύγουν τον κίνδυνο να αγοράσουν ένα κρασί που δεν πρόκειται να τους αρέσει.