Ηγέτες σκέψης

Πώς η Tastry δίδαξε έναν υπολογιστή να γεύεται

Katerina Axelsson
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ Tastry προβλέπει την προτίμηση των καταναλωτών με βάση τη χημεία του κρασιού και όχι…
Δείτε περισσότερα
  • Η Tastry προβλέπει την προτίμηση των καταναλωτών με βάση τη χημεία του κρασιού και όχι τις αντιληπτές γευστικές νότες.
  • Οι ανθρώπινοι ουρανίσκοι αντιλαμβάνονται τις ενώσεις σε συνδυασμό, επομένως οι μεμονωμένες χημικές μετρήσεις δεν μπορούν να προβλέψουν την προτίμηση.
  • Το TastryAI προβλέπει την προτίμηση κρασιού από ερωτήσεις για το φαγητό χωρίς καθόλου δεδομένα καταναλωτών ειδικά για το κρασί.

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

Από την αρχή, η ερώτηση που θέλαμε να απαντήσουμε ήταν: «Μπορούμε να αποκωδικοποιήσουμε τις μοναδικές μήτρες γεύσης των προϊόντων που βασίζονται στην αίσθηση και τις μοναδικές βιολογικές προτιμήσεις των καταναλωτών για να προβλέψουμε με ακρίβεια το κατά πόσο θα τους αρέσουν;» Η σύντομη απάντηση είναι ναι.

Ωστόσο, στις αρχές της έρευνάς μας, διαπιστώσαμε ότι οι υπάρχουσες μεθόδοι χημικής ανάλυσης και τα υπάρχοντα δεδομένα προτιμήσεων καταναλωτών παρείχαν στατιστικά ασήμαντες συσχετίσεις ή προβλέψεις. Γνωρίζαμε ότι θα πρέπει να δημιουργήσουμε τα δικά μας δεδομένα για να κάνουμε πρόοδο.

Πρώτα, χρειαζόμασταν να δημιουργήσουμε μια μέθοδο αναλυτικής χημείας που θα παρείχε τη μέγιστη διαφάνεια στη χημεία (συμπεριλαμβανομένων των πτητικών και μη πτητικών συστατικών, διαλυμένων, φασματικών δεδομένων κ.λπ.). Επίσης, χρειαζόμασταν να αποκωδικοποιήσουμε τη γευστική μήτρα με έναν τρόπο που θα μπορούσε να μεταφραστεί για να προσεγγίσει πώς οι άνθρωποι βιώνουν αυτή τη χημεία στον ουρανίσκο τους.

Δεύτερον, χρειαζόμασταν να δημιουργήσουμε μια μεθοδολογία για να λαμβάνουμε, να εμπλουτίζουμε και να παρακολουθούμε συνεχώς και ακριβώς τις βιολογικές αισθητηριακές προτιμήσεις ενός μεγάλου, διαφορετικού και συνεχώς αυξανόμενου αριθμού πραγματικών καταναλωτών, για να χρησιμεύσουν ως η αλήθεια μας.

Γιατί οι τρέχουσες μεθόδοι αποτυγχάνουν να προβλέψουν τις προτιμήσεις των καταναλωτών για προϊόντα που βασίζονται στην αίσθηση

Όταν ξεκινήσαμε την έρευνά μας το 2015, είχαμε την υπόθεση ότι όλα όσα χρειάζεται να γνωρίζουμε για τη γεύση του οίνου, δηλαδή τη γεύση, την οσμή, την υφή και το χρώμα, υπάρχουν στη χημεία. Ωστόσο, αυτό που λείπει ήταν μια πιο ολοκληρωμένη μεθοδολογία ανάλυσης.

Για να εξηγήσουμε αυτόν τον περιορισμό, είναι σημαντικό να κατανοήσουμε ότι η χημεία των προϊόντων που βασίζονται στην αίσθηση είναι σε μεγάλο βαθμό επικεντρωμένη στον έλεγχο ποιότητας, δηλαδή πόση ποσότητα μιας συγκεκριμένης αναλυόμενης ουσίας υπάρχει στο μείγμα; Συνήθως ο στόχος δεν είναι η αξιολόγηση όλων των αναλυόμενων ουσιών, τις σχετικές αναλογίες ή πώς 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. Ο ανθρώπινος ουρανίσκος βιώνει μια «χημική σούπα» από ενώσεις γεύσης την ίδια στιγμή, όχι μια ένωση την φορά όπως μια μηχανή. Οι αλληλεπιδράσεις μεταξύ αυτών των πολλών ενώσεων σε συνδυασμό με τη μοναδική βιολογία κάθε καταναλωτή, παρέχουν κρίσιμο πλαίσιο για να πουν ποια χαρακτηριστικά της χημείας εκφράζονται σε αυτόν.

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

  • Τα δεδομένα της έρευνας δείχνουν ότι οι άνθρωποι θέλουν το βούτυρο.
  • Το διακετύλιο είναι μια ένωση που συνήθως συνδέεται με τη γεύση του βουτύρου.
  • Εάν δημιουργήσουμε ένα chardonnay με περισσότερο διακετύλιο, περισσότεροι άνθρωποι θα το προτιμήσουν.

Κεντρικά προβλήματα με αυτήν την προσέγγιση.

  1. Η γεύση δεν μπορεί να προβλεφθεί από την ποσοτικοποίηση των ενώσεων μόνο. Μια δεδομένη συγκέντρωση διακετυλίου μπορεί να αντιληφθεί ως βούτυρο σε ένα κρασί ή σε μια εσοδεία, αλλά όχι σε ένα άλλο. Αυτό είναι επειδή υπάρχουν εκατοντάδες άλλες ενώσεις στο κρασί, και ανάλογα με τις συγκεντρώσεις και τις αναλογίες τους, το διακετύλιο θα μπορούσε είτε να είναι μασκαρευμένο είτε να εκφραστεί. Σε αντίθεση με μια μηχανή, οι άνθρωποι βιώνουν όλες τις ενώσεις την ίδια στιγμή, οι αισθήσεις τους δεν αναλύουν κάθε ένωση ξεχωριστά, επομένως οποιαδήποτε μεμονωμένη ποσοτικοποίηση δεν έχει απαραίτητα προβλεπτική αξία.

 

  1. Οι άνθρωποι αντιλαμβάνονται και επικοινωνούν γεύσεις διαφορετικά. Ακόμη και μεταξύ ενός πάνελ εμπειρογνωμόνων, το ήμισυ των εμπειρογνωμόνων μπορεί να περιγράψει κάτι ως γεύση που μοιάζει με μήλο, και το άλλο ήμισυ μπορεί να το περιγράψει ως αχλάδι. Και ο μέσος καταναλωτής είναι ακόμη λιγότερο προβλέψιμος. Από την έρευνά μας, δεν πιστεύουμε ότι η ανθρώπινη γεύση είναι αρκετά ουσιαστική για να εκφραστεί ακριβώς μέσω της γλώσσας από ένα άτομο σε έναν άλλον. Οι περιγραφές μας είναι πολύ ασαφείς, και οι ορισμοί μας ποικίλλουν βάσει της ατομικής βιολογίας και των πολιτιστικών εμπειριών. Για παράδειγμα, στις Ηνωμένες Πολιτείες, 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.

 

  1. Οι γεύσεις που οι καταναλωτές αντιλαμβάνονται δεν έχουν καμία συσχετίση με το αν τους αρέσει πραγματικά. Στην έρευνά μας, παρατηρήσαμε ότι οι καταναλωτές δεν αποφασίζουν να αγοράσουν ένα κρασί επειδή έχει γεύση που μοιάζει με κεράσι. Απλώς κάνουν την κρίση ότι τους αρέσει το κρασί, και είναι πιθανό να το προτιμήσουν ξανά.

Παράδειγμα: Αυτή η έλλειψη κατανόησης δεν είναι μοναδική στο τμήμα του οίνου. Έχουμε συναντήσει διευθυντές και ερευνητές σε κάποιες από τις μεγαλύτερες εταιρείες αρωμάτων και γεύσεων στον κόσμο. Ένας διευθυντής περιέγραψε την απογοήτευσή του με ένα πρόσφατο έργο για τη δημιουργία μιας νέας σοκολάτας με λεβάντα. Αυτή η εταιρεία δαπάνησε εκατομμύρια δολάρια για να οργανώσει και να διεξαγάγει ομάδες εστίασης με καταναλωτές που ειδικά αγαπούσαν σοκολάτα, λαβάνδα και σοκολάτα με λεβάντα. Τελικά, τα αποτελέσματα ήταν ότι οι απαντώντες συμφωνούσαν ότι ήταν σοκολάτα με λεβάντα, αλλά ότι επίσης συμφωνούσαν ότι δεν τους άρεσε αυτό το συγκεκριμένο σοκολάτα με λεβάντα.

Ως αποτέλεσμα αυτών των επισημάνσεων, συνειδητοποιήσαμε ότι θα πρέπει να επικεντρώσουμε την έρευνά μας στην πρόβλεψη των χημικών μητρών που προτιμούν οι καταναλωτές και του βαθμού προτίμησής τους, αντί στις γεύσεις που αντιλαμβάνονται.

Πώς η προσέγγισή μας είναι διαφορετική

Σκουπίδια-μέσα, Σκουπίδια-έξω. Όταν πρόκειται για την ποιότητα των δεδομένων, συνειδητοποιήσαμε ότι ένα έγκυρο σύνολο εκπαίδευσης δεν θα μπορούσε να δημιουργηθεί από τα υπάρχοντα εμπορικά ή δεδομένα πληθοπορισμού. Θα πρέπει να δημιουργήσουμε τα δικά μας, στο εσωτερικό.

Το πρώτο που χρειαζόμασταν ήταν μια μεθοδολογία χημείας που θα παρείχε ορατότητα στη λεπτή ισορροπία των πτητικών και μη πτητικών συστατικών, διαλυμένων στερεών, φασματικών δεδομένων κ.λπ. ενός κρασιού σε μια στιγμή, για να είναι πιο σχετική με τον ανθρώπινο ουρανίσκο.

Χρόνια πειραμάτων οδήγησαν σε μια μεθοδολογία που παράγει πάνω από 1 εκατομμύριο σημεία δεδομένων ανά δείγμα. Αυτά τα λεπτομερή και κατακλυσμικά δεδομένα είναι τότε επεξεργασμένα από αλγορίθμους μηχανικής μάθησης που σχεδιάστηκαν από την ομάδα μας για να αποκωδικοποιήσουν τις αλληλεπιδράσεις που ενημερώνουν την ανθρώπινη αντίληψη με βάση τις αναλογίες των αναλυόμενων ουσιών και των ομάδων τους.

Όταν είχαμε αποδείξει την αποτελεσματικότητα αυτής της μεθόδου, ξεκινήσαμε να αναλύουμε και να αποκωδικοποιούμε τη γευστική μήτρα πολλών χιλιάδων κρασιών παγκοσμίως και έχουμε αναπτύξει μια ολοκληρωμένη βάση δεδομένων μητρών γεύσης του κόσμου του οίνου.

Συσχετίζοντας τις προτιμήσεις των καταναλωτών με τη χημεία

Επόμενο, χρειαζόμασταν να κατανοήσουμε ποιες γευστικές μήτρες διάφοροι καταναλωτές προτιμούν, έχοντας τους να δοκιμάσουν και να βαθμολογήσουν το κρασί που είχαμε αναλύσει. Αυτά τα χρόνια, έχουμε τρέξει τακτικά διπλά-τυφλά πάνελ με χιλιάδες καταναλωτές, κάθε ένας από τους οποίους έχει δοκιμάσει πολλές δεκάδες ή εκατοντάδες κρασιά με το χρόνο. Οι απαντώντες περιλαμβάνουν νέους στο κρασί, συνήθεις καταναλωτές κρασιού, εμπειρογνώμονες, οινοποιούς και σομελιέ.

Τα συστήματα πληθοπορισμού συνήθως παραλείπουν ή αγνοούν κρίσιμα δεδομένα. Για παράδειγμα, στην κλίμακα του Parker, οι περισσότεροι άνθρωποι δεν θα βαθμολογήσουν ένα κρασί κάτω από τα μέσα της κλίμακας των 80 βαθμών. Αλλά έχουμε μάθει ότι η αποστροφή των καταναλωτών προς όσα δεν τους αρέσουν είναι ισχυρότερη από την προτίμησή τους για όσα τους αρέσουν. Επομένως, είναι κρίσιμο να έχουμε μια πλήρη εικόνα της προτίμησης – ειδικά των αρνητικών προτιμήσεων.

Χρησιμοποιήσαμε τη νέα μας μηχανική μάθηση για να κατανοήσουμε τις μοναδικές προτιμήσεις των καταναλωτών για διάφορους τύπους μητρών γεύσης στο κρασί. Με το χρόνο, αυτό μας επέτρεψε να προβλέψουμε ακριβώς τις προτιμήσεις τους για κρασιά που δεν είχαν δοκιμάσει ακόμη. Κατά τη διάρκεια αυτής της διαδικασίας, μαθαίνουμε επίσης ότι κάθε κρασί και κάθε ατομική προτίμηση είναι σχεδόν τόσο μοναδικά όσο ένα δακτυλικό αποτύπωμα. Συνειδητοποιήσαμε ότι, αντίθετα με τις συνήθεις πρακτικές της βιομηχανίας, οι καταναλωτές και τα κρασιά δεν μπορούν να ομαδοποιηθούν ή να φιλτράρονται συνεργατικά σε γενικεύσεις.

Παράδειγμα: Δύο γυναίκες μπορούν να μοιράζονται την ίδια γεωγραφία, πολιτισμό, εθνικότητα, εκπαίδευση, εισόδημα, αυτοκίνητο, τηλέφωνο, και οι δύο να αγαπούν το Kim Crawford Sauvignon Blanc, αλλά η μία μπορεί να αγαπά το Morning Fog chardonnay και η άλλη να μισεί. Η μόνη αξιόπιστη προβλέψιμη ορατότητα βρίσκεται με τις βιολογικά καθοριζόμενες γευστικές προτιμήσεις τους.

Πώς να κλιμακωθεί αυτή η καινοτομία;

Αυτό που είχαμε δημιουργήσει ήταν εξαιρετικό, αλλά τα πάνελ γεύσης είναι ακριβά και χρονοβόρα. Θα ήταν αδύνατο να τρέξουμε ένα ετήσιο πάνελ γεύσης για όλα τα 248 εκατομμύρια Αμερικανούς άνω των 21 ετών για να κατανοήσουμε ποια κρασιά θα τους αρέσουν.

Χρειαζόμασταν να σχεδιάσουμε ένα κλιμακωτό εργαλείο που θα είχε την ίδια αποτελεσματικότητα στην πρόβλεψη των προτιμήσεων ενός καταναλωτή, χωρίς να απαιτεί συμμετοχή σε πάνελ γεύσης ή να εκφράσει τις προτιμήσεις τους για ένα μεγάλο σύνολο κρασιών που είχαν ήδη δοκιμαστεί.

Η λύση μας ήταν να αναθέσουμε στην τεχνητή νοημοσύνη την επιλογή απλών τροφίμων που μοιράζονται πτυχές της χημείας τους με κρασιά σε μια ποικιλία. Οι απαντώντες στα πάνελ μας απάντησαν σε εκατοντάδες τέτοιες ερωτήσεις σχετικά με τις προτιμήσεις τους για τρόφιμα και γεύσεις που δεν σχετίζονται άμεσα με το κρασί, όπως “Πώς σας φαίνεται την πράσινη πιπεριά;”, ή “Πώς σας φαίνονται τα μανιτάρια;”

Αυτές οι ερωτήσεις χρησιμοποιήθηκαν από το TastryAI ως αναλόγους των τύπων και αναλογιών των ενώσεων που βρίσκονται συνήθως στη χημεία του οίνου. Ως άνθρωποι, δεν μπορούμε να διακρίνουμε ή να κατανοήσουμε αυτές τις σύνθετες συσχετίσεις και προτύπους, αλλά όπως συμβαίνει, η λύση αυτών των σύνθετων σχέσεων είναι ένα εξαιρετικό πρόβλημα για την μηχανική μάθηση να λύσει.

Με αυτά τα δεδομένα, το TastryAI έμαθε πώς να προβλέψει τις προτιμήσεις ενός καταναλωτή για κρασί, με βάση τις απαντήσεις τους στο Ερωτηματολόγιο Προτιμήσεων Τροφίμων. Τι προέκυψε ήταν η ικανότητά μας να εξαλείψουμε την ανάγκη για οποιαδήποτε δεδομένα κρασιού από έναν καταναλωτή για να προβλέψουμε τις προτιμήσεις τους για κρασί.

Πόσα δεδομένα χρειαζόμαστε για να κατανοήσουμε τις προτιμήσεις των καταναλωτών;

Αν και ξεκινήσαμε με εκατοντάδες ερωτήσεις προτιμήσεων τροφίμων, όσο περισσότερες απαντηθούν, τόσο πιο ακριβή τα αποτελέσματα, υπάρχουν μειωμένα οφέλη μετά από 9-12. Με την αρχή του Pareto, οι καλύτερες ερωτήσεις προτιμήσεων τροφίμων παρείχαν περίπου 80% κατανόηση του ουρανίσκου ενός καταναλωτή.

Ως σήμερα, υπάρχει τυπικά ένα ερωτηματολόγιο 10–12 ερωτήσεων για το κόκκινο κρασί, και ένα ακόμη ερωτηματολόγιο 10–12 ερωτήσεων για το λευκό, ροζέ και αφρώδες κρασί.

Αυτό επέτρεψε μια κλιμακωτή λύση. Από τότε που ξεκινήσαμε σε διάφορες πιλοτικές εφαρμογές πριν από χρόνια, υπάρχουν τώρα πολλά παρόμοια quizzes σε ιστοσελίδες ηλεκτρονικού εμπορίου. Ένας καταναλωτής λαμβάνει ένα 30-δευτερόλεπτο quiz σχετικά με το αν του αρέσουν τα βατόμουρα ή ο καφές, και ανταμείβεται με συστάσεις κρασιού. Η διαφορά είναι ότι αυτά τα quizzes είναι το πολύ φίλτρα σημειώσεων γεύσης, δηλαδή αν σας αρέσει τα βατόμουρα, θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ως σκούρα φρούτα, ή αν σας αρέσει ο καφές, θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ως στυφό. Αλλά έχουμε μάθει ότι αν αυτές οι περιγραφές είναι ακριβείς για τον ουρανίσκο του, δεν έχουν προβλέψιμη δύναμη ως προς το αν θα τους αρέσει το κρασί, αλλά είναι ελκυστικά, στους καταναλωτές αρέσουν τα κουίζ.

Οι συστάσεις του Tastry είναι συνδεδεμένες με τη γευστική μήτρα του κρασιού. Το TastryAI δεν είναι ένα φίλτρο σημειώσεων γεύσης, δεν ρωτάει αν σας αρέσει η οσμή ή η γεύση των μανιταριών στο κρασί σας, αλλά προσπαθεί να κατανοήσει τις αναλογίες των ενώσεων που σας αρέσουν ή δεν σας αρέσουν με βάση τις βιολογικές προτιμήσεις του ουρανίσκου σας. Κάθε ερώτηση παρέχει πολλά επίπεδα πληροφορίας, επειδή κάθε ερώτηση αλληλεπικαλύπτεται και τροφοδοτεί άλλες ερωτήσεις. Έτσι, μετά από το να ρωτήσουμε για τα μανιτάρια, ίσως η επόμενη ερώτηση είναι “Πώς σας φαίνεται η γεύση της πράσινης πιπεριάς;” Το AI μπορεί να ξέρει ότι υπάρχουν, για παράδειγμα, 33 ενώσεις σε μια δεδομένη αναλογία που είναι γενικά υπεύθυνες για την αντίληψη των μανιταριών, και 22 ενώσεις που είναι γενικά υπεύθυνες για τη γεύση της πράσινης πιπεριάς – αλλά σημαντικά, κάποιες από αυτές τις ενώσεις υπάρχουν και στις δύο. Αν πείτε ότι αγαπάτε τα μανιτάρια, αλλά μισείτε την πράσινη πιπεριά, τότε το AI είναι πιο βέβαιο ότι σας αρέσουν κάποιες ενώσεις, πιο βέβαιο ότι σας δυσαρεστούν άλλες ενώσεις, και αυτές που αλληλεπικαλύπτονται πιθανότατα εξαρτώνται από το πλαίσιο και τον συνδυασμό.

Έτσι, μπορείτε να φανταστείτε ένα πολυδιάστατο διάγραμμα Venn, όπου το AI αποκωδικοποιεί ποίες ενώσεις σας αρέσουν ή δεν σας αρέσουν σε συνδυασμό με άλλες ενώσεις.

Και με αυτήν την έρευνα προτιμήσεων γεύσης και την ανταπόκριση των καταναλωτών, συλλέγουμε ανώνυμα δεδομένα γευστικών προτιμήσεων από όλο τον κόσμο. Μια ιστοσελίδα ηλεκτρονικού εμπορίου ή ένας μεγάλος λιανοπωλητής μπορεί να εκκινήσει το Tastry Quiz στην εφαρμογή, και να έχει χιλιάδες απαντήσεις μέσα σε ώρες από καταναλωτές σε όλη την Αμερική. Το μόνο άλλο δεδομένο που συλλέγουμε είναι ο ταχυδρομικός κώδικας. Χρησιμοποιούμε τον ταχυδρομικό κώδικα για να εφαρμόσουμε μια παραλλαγή του Bayesian ridge, η οποία λαμβάνει την γεωγραφική κατανομή των γνωστών γευστικών προφίλ καταναλωτών που συλλέγουμε και παρακολουθούμε, και άλλα δεδομένα, και προβλέπει τα υπόλοιπα πάνω από 200 εκατομμύρια γευστικά προφίλ πιθανών καταναλωτών στις Ηνωμένες Πολιτείες. Χρησιμοποιούμε αυτό το εμπλουτισμένο σύνολο δεδομένων ως την πηγή της αλήθειας, και για να παρέχουμε προβλέψεις για το πώς τα κρασιά θα αποδώσουν σε μια αγορά σε ένα κατάστημα, τοπικό ή περιφερειακό επίπεδο.

Εικονική ομάδα εστίασης της Tastry

Μετά την ανάλυση ενός κρασιού, την αποκωδικοποίηση της γευστικής μήτρας του και την αξιολόγηση της γευστικότητας του ενάντια στο συνδυασμό των πραγματικών και εικονικών γευστικών προφίλ, το AI είναι τώρα 92,8% ακριβές στην πρόβλεψη της συνολικής βαθμολογίας καταναλωτή στις Ηνωμένες Πολιτείες για το κρασί. Με άλλα λόγια, το AI μπορεί να προβλέψει τη μέση βαθμολογία σε κλίμακα πέντε αστεριών για ένα κρασί, με απόκλιση έως ±0,1 αστέρι.

Είναι πιο εύκολο να σκεφτείτε το AI ως ένα “Εικονικό Πάνελ Γεύσης” των προτιμήσεων των καταναλωτών.

Οι οινοποιίες χρησιμοποιούν το TastryAI για να τρέξουν προσομοιώσεις για το πώς οι καταναλωτές θα αντιληφθούν το κρασί τους, ακόμη και πριν επενδύσουν χρόνια και εκατομμύρια δολάρια στη δημιουργία του. Οι grosistas χρησιμοποιούν το TastryAI για να καθορίσουν τις περιοχές στις οποίες τα διάφορα κρασιά θα αποδώσουν καλύτερα. Οι λιανοπωλητές χρησιμοποιούν το TastryAI για να βελτιώσουν την ποικιλία τους στα ράφια και στο διαδίκτυο. Και οι καταναλωτές χρησιμοποιούν το TastryAI για να αποφύγουν τον κίνδυνο αγοράς ενός κρασιού που δεν θα τους αρέσει.

Η Katerina Axelsson είναι ιδρύτρια και διευθύνουσα σύμβουλος της Tastry, μιας εταιρείας αισθητηριακών επιστημών που χρησιμοποιεί προηγμένη χημεία, μηχανική μάθηση και τεχνητή νοημοσύνη για να συνδέει καταναλωτές με προϊόντα που θα αγαπήσουν. Από την ίδρυση της Tastry το 2016, η ίδια και η ομάδα της έχουν εφαρμόσει λύσεις για περισσότερα από 200 οινοποιεία, διανομείς και επιχειρήσεις λιανικής σε όλες τις Ηνωμένες Πολιτείες. Το 2021, το Forbes την αναγνώρισε ως ένα από τα σημαντικότερα ονόματα για το μέλλον της γαστρονομίας. Παρουσιάστηκε επίσης στη σειρά 40 under 40 series του Pacific Coast Business Times το 2020.