Πώς η Tastry “Δίδαξε σε einen Υπολογιστή να Γευτεί”

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 матριτσες γεύσης των προϊόντων που βασίζονται στην αίσθηση και τις μοναδικές βιολογικές προτιμήσεις των καταναλωτών για να προβλέψουμε με ακρίβεια τη δυνατότητα να τους αρέσει;» 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 μεθοδολογία ανάλυσης χημείας που θα παρείχε τη μέγιστη διαφάνεια στη χημεία (συμπεριλαμβανομένων των εύφλεκτων, μη εύφλεκτων, διαλυμένων, φασματικών δεδομένων κ.λπ.). Επίσης, χρειαζόμασταν να αποκωδικοποιήσουμε τη ματρίτσα γεύσης με έναν τρόπο που θα μπορούσε να μεταφραστεί για να προσεγγίσει πώς οι άνθρωποι βιώνουν αυτή τη χημεία στο παλάτι τους.

Δεύτερον, χρειαζόμασταν να δημιουργήσουμε μια μεθοδολογία για να λαμβάνουμε, να εμπλουτίζουμε και να παρακολουθούμε συνεχώς και ακριβώς τις βιολογικές αισθητηριακές προτιμήσεις eines 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綜合ική μεθοδολογία ανάλυσης.

Για να εξηγήσουμε αυτό το περιορισμό, είναι σημαντικό να κατανοήσουμε ότι η χημεία των προϊόντων που βασίζονται στην αίσθηση είναι σε μεγάλο βαθμό επικεντρωμένη στην ελέγχου ποιότητας, δηλαδή πόσο από αυτό το αναλυτικό είναι σε αυτή τη μίξη; Ο επικεντρωμένος δεν είναι τυπικά για να αξιολογήσει όλα τα αναλυτικά, τις σχετικές αναλογίες ή πώς συνδυάζονται στο ανθρώπινο παλάτι για να δημιουργήσουν γεύση. Αυτό είναι το τυφλό σημείο που χρειαζόμασταν να φωτίσουμε, επειδή υπάρχουν δυναμικές αλληλεπιδράσεις που λαμβάνουν χώρα μεταξύ εκατοντάδων ενώσεων σε ένα ανθρώπινο παλάτι. Ένα ανθρώπινο παλάτι βιώνει ένα “χημικό 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 κρίσιμη контекστο για να πουν ποια χαρακτηριστικά της χημείας εκφράζονται σε αυτόν.

Για το μέτρο που η αίσθηση λαμβάνεται υπόψη, απλώς, η τυπική προσέγγιση μοιάζει με αυτό:

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

Κεντρικά προβλήματα με αυτήν την προσέγγιση.

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

2. Οι άνθρωποι αντιλαμβάνονται και επικοινωνούν γεύσεις διαφορετικά. Ακόμη και μεταξύ eines 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一个人 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.

3. 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 τοชอบούν 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 ενός νέου λαβανδένιου σοκολάτου. Αυτή η εταιρεία δαπάνησε εκατομμύρια δολάρια για να καθίσει και να τρέξει εστιατόρια με καταναλωτές που ειδικά αγαπούσαν σοκολάτα, λαβάνδα και λαβαντένιο σοκολάτι. Τελικά, τα αποτελέσματα ήταν ότι οι απαντώντες συμφωνούσαν ότι ήταν λαβαντένιο σοκολάτι, αλλά ότι επίσης συμφωνούσαν ότι δεν τους άρεσε αυτό το συγκεκριμένο λαβαντένιο σοκολάτι.

Ως αποτέλεσμα αυτών των επισημάνσεων, συνειδητοποιήσαμε ότι θα πρέπει να επικεντρωθούμε την έρευνά μας στην πρόβλεψη ποια χημικά матριτσες οι καταναλωτές喜欢, και σε ποιο βαθμό, αντί να πουν ποια γεύσεις 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 crowd-sourced δεδομένα. 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 εύφλεκτων, μη εύφλεκτων, διαλυμένων στερεών, φασματικών δεδομένων κ.λπ. ενός κρασιού σε μια στιγμή, για να είναι πιο σχετική με το ανθρώπινο παλάτι.

Χρόνια πειραμάτων οδήγησαν σε μια μεθοδολογία που παράγει πάνω από 1 εκατομμύριο δεδομένα σημεία 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 αναλυτικών και ομάδων αναλυτικών.

Όταν είχαμε αποδείξει την αποτελεσματικότητα αυτής της μεθόδου, ξεκινήσαμε να αναλύουμε και να αποκωδικοποιούμε τη ματρίτσα γεύσης πολλών χιλιάδων κρασιών παγκοσμίως και έχουμε αναπτύξει μια綜합ική βάση δεδομένων μαトリτσών γεύσης του κόσμου του οίνου.

Συσχετίζοντας τις προτιμήσεις των καταναλωτών με τη χημεία

Επόμενο, χρειαζόμασταν να κατανοήσουμε ποια ματρίτσες γεύσης 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 πολλά δutzies ή εκατοντάδες κρασιά με το χρόνο. Οι απαντώντες περιλαμβάνουν νέους στο κρασί, τυπικούς πίνουνδες κρασιού, εμπειρογνώμονες, οινοποιούς και σομελιέ.

Οι crowd-sourced συστήματα τυπικά λείπουν ή αγνοούν κρίσιμα δεδομένα. Για παράδειγμα, στην κλίμακα του Parker, οι περισσότεροι άνθρωποι δεν θα βαθμολογήσουν ένα κρασί κάτω από το μέσο 80pt. εύρος. Αλλά έχουμε μάθει ότι οι καταναλωτές δεν喜欢 ότι δεν τους αρέσει, περισσότερο από ότι τους αρέσει. 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 μαトリτσών 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 τα ατομικά κρασιά, καθώς και οι ατομικές προτιμήσεις, είναι σχεδόν μοναδικά. 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 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 τη βιολογική παλάτη τους.

Πώς να κλιμακωθεί αυτή η καινοτομία;

Τι είχαμε δημιουργήσει ήταν καλό, 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 eines 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 επιλέξουμε απλά είδη τροφίμων που μοιράζονται аспектια 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直接 με το κρασί, όπως “Πώς σας φαίνεται το πράσινο πιπέρι;”, ή “Πώς σας φαίνεται τα μανιτάρια;”

Αυτές οι ερωτήσεις χρησιμοποιήθηκαν από το TastryAI ως αναλόγους των τύπων και αναλογιών των ενώσεων που βρίσκονται συνήθως στη χημεία του οίνου. Jako 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 машинική μάθηση να λύσει.

Με αυτά τα δεδομένα, το TastryAI έμαθε πώς να προβλέψει τις προτιμήσεις eines καταναλωτή για κρασί, με βάση τις απαντήσεις τους στην Ερωτηματολόγιο Προτιμήσεων Τροφίμων. Τι προέκυψε ήταν η ικανότητά μας να εξαλείψουμε την ανάγκη για οποιαδήποτε δεδομένα κρασιού από einen 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 το principio του Pareto, οι καλύτερες ερωτήσεις προτιμήσεων τροφίμων παρείχαν περίπου 80% κατανόηση της παλάτης eines καταναλωτή.

Ως σήμερα, υπάρχει τυπικά μια ερώτημα 10-12 για το κόκκινο κρασί, και άλλη μια ερώτημα 10-12 για το λευκό, ροζέ και σπαークλινγκ κρασί.

Αυτό επέτρεψε μια κλιμακωτή λύση. Από τότε που ξεκινήσαμε σε διάφορες πιλότους πριν από χρόνια, υπάρχουν τώρα πολλά παρόμοια quizzes σε ιστοσελίδες ηλεκτρονικού εμπορίου. Ένας καταναλωτής λαμβάνει ένα 30-δευτερόλεπτο quiz σχετικά με το αν του αρέσει το μαύρο μούρο ή το καφέ, και ανταμείβεται με συστάσεις κρασιού. Η διαφορά είναι ότι αυτά τα quizzes είναι το πολύ φίλτρα σημειώσεων γεύσης, δηλαδή αν σας αρέσει το μαύρο μούρο, θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ως dark φρούτο, ή αν σας αρέσει το καφέ, θα σας αρέσει ένα κρασί που περιγράφεται από κάποιον ως astringent. Αλλά έχουμε μάθει ότι αν αυτές οι περιγραφές είναι ακριβείς για την παλάτη του, δεν έχουν προβλέψιμη δύναμη ως προς το αν θα τους αρέσει το κρασί, αλλά είναι ελκυστικά, οι καταναλωτές τους αγαπούν quizzes.

Οι συστάσεις του Tastry είναι συνδεδεμένες με τη ματρίτσα γεύσης 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 της παλάτης σας. Κάθε ερώτηση παρέχει πολλά στρώματα έμπνευσης, επειδή κάθε ερώτηση перекρывается και τροφεύει άλλες ερωτήσεις. Έτσι, μετά από το να ρωτήσουμε για τα μανιτάρια, ίσως η επόμενη ερώτηση είναι “Πώς σας φαίνεται η γεύση του πράσινου πιπέρι;” 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 του πράσινου πιπέρι – αλλά σημαντικά, κάποιες από αυτές τις ενώσεις υπάρχουν και στις δύο. Αν πείτε ότι αγαπάτε τα μανιτάρια, αλλά μισείτε το πράσινο πιπέρι, τότε το AI είναι πιο βέβαιο ότι σας αρέσουν κάποιες ενώσεις, πιο βέβαιο ότι σας δυσαρεστούν άλλες ενώσεις, και αυτές που перекrývονται είναι πιθανό ότι είναι контекστοποιημένες.

Έτσι, μπορείτε να φανταστείτε ένα multidimensional Venn διάγραμμα, 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 παλάτης 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 μια ταχυδρομική περιοχή. Χρησιμοποιούμε την ταχυδρομική περιοχή για να εφαρμόσουμε μια παραλλαγή του Bayesian ridge, η οποία λαμβάνει την γεωγραφική κατανομή των γνωστών παλάτων καταναλωτών που συλλέγουμε και παρακολουθούμε, και άλλα δεδομένα, και προβλέπει τα υπόλοιπα 200M+ βιώσιμα παλάτα 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 εκτελεστούν σε μια αγορά σε ένα κατάστημα, τοπικό ή περιφερειακό επίπεδο.

Tastry Virtual Focus Group

Μετά την ανάλυση ενός κρασιού, την αποκωδικοποίηση της ματρίτσας γεύσης του και την αξιολόγηση της παλatability του ενάντια στο συνδυασμό των πραγματικών και εικονικών παλάτων, 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 την μέση 5-αστέρα βαθμολογία για ένα κρασί εντός +/- 1/10^θ ενός αστεράκι.

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

Οι οινοποιίες χρησιμοποιούν το TastryAI για να τρέξουν симуляκια 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 εκτελεστούν καλύτερα. Οι λιανοπωλητές χρησιμοποιούν το TastryAI για να βελτιώσουν την ποικιλία τους στις ράφες και στο διαδίκτυο. Και οι καταναλωτές χρησιμοποιούν το TastryAI για να αποφύγουν τον κίνδυνο αγοράς ενός κρασιού που δεν θα τους αρέσει.