Cómo Tastry “enseñó a una computadora a saborear”

Cómo Tastry utiliza la química novel y la IA para predecir las preferencias de los consumidores.

Desde el principio, la pregunta que queríamos responder era: “¿Podemos descodificar las matrices de sabor únicas de productos basados en el sentido y las preferencias biológicas únicas de los consumidores para predecir con precisión la aceptación?” La respuesta corta es sí.

Sin embargo, al principio de nuestra investigación, encontramos que los métodos de análisis químico existentes y los datos de preferencias de los consumidores existentes proporcionaban correlaciones o predicciones estadísticamente insignificantes. Sabíamos que tendríamos que crear nuestros propios datos para hacer progreso.

Primero, necesitábamos crear un método de análisis químico que proporcionara la mayor transparencia posible en la química (incluyendo volátiles, no volátiles, disueltos, datos espectrales, etc.). También necesitábamos descodificar la matriz de sabor de una manera que pudiera ser traducida para ayudar a aproximar cómo los humanos experimentan esa química en su paladar.

En segundo lugar, necesitábamos crear un método para obtener, aumentar y rastrear constantemente las preferencias sensoriales biológicas de un gran grupo de consumidores diverso y en constante crecimiento para servir como nuestra verdad fundamental.

Por qué los métodos actuales no logran predecir la preferencia del consumidor para productos basados en el sentido

Cuando comenzamos nuestra investigación en 2015, teníamos la hipótesis de que todo lo que se necesita saber sobre el sabor del vino, es decir, el sabor, el aroma, la textura y el color, existe en la química. Sin embargo, lo que faltaba era un método de análisis más integral.

Para explicar esta limitación, es importante entender que la química de los productos basados en el sentido se centra principalmente en el control de calidad, es decir, ¿cuánto de este analito está en esa mezcla? El enfoque no es típicamente evaluar todos los analitos, sus ratios relativas o cómo se combinan en el paladar humano para crear sabor. Esto es el punto ciego que necesitábamos iluminar porque hay interacciones dinámicas que ocurren entre cientos de compuestos en un paladar humano. Un paladar humano experimenta un “caldo químico” de compuestos de sabor al mismo tiempo, no uno a la vez como una máquina. Las interacciones entre estos múltiples compuestos en combinación con la biología única de cada consumidor proporcionan un contexto crítico sobre qué características de la química se expresan a esa persona.

En la medida en que se tiene en cuenta el sentido, simplemente se parece a esto:

• Los datos de la encuesta muestran que la gente le gusta la mantequilla.
• El diacetilo es un compuesto típicamente asociado con el sabor a mantequilla.
• Si hacemos un chardonnay con más diacetilo, más personas lo gustarán.

Problemas básicos con este enfoque.

1. El sabor no se puede predecir mediante la cuantificación de compuestos solamente. Una concentración determinada de diacetilo puede ser percibida como mantequilla en un vino o una cosecha, pero no en otro. Esto se debe a que hay cientos de otros compuestos en el vino, y dependiendo de sus concentraciones y ratios, el diacetilo podría ser enmascarado o expresado. A diferencia de una máquina, los humanos experimentan todos los compuestos al mismo tiempo, sus sentidos no analizan cada compuesto individualmente, por lo tanto, cualquier cuantificación individual no es necesariamente predictiva.

2. Los humanos perciben y comunican sabores de manera diferente. Incluso entre un panel de expertos, la mitad de los expertos pueden describir algo como sabiendo a manzana, y la otra mitad puede describirlo como pera. Y el consumidor promedio es aún menos predecible. Según nuestra investigación, no creemos que el gusto humano sea lo suficientemente tangible como para ser comunicado con precisión a través del lenguaje de una persona a otra. Nuestros descriptores son demasiado vagos, y nuestras definiciones varían según la biología y las experiencias culturales individuales. Por ejemplo, en los EE. UU., la mayoría de los consumidores describen la percepción de benzaldehído como “cereza”, pero la mayoría de los consumidores en Europa lo describen como “almendrada”… incluso en el mismo vino.

3. Los sabores que los consumidores perciben no tienen correlación con si les gustan o no. En nuestra investigación, se observa que los consumidores no deciden comprar un vino porque sabe a cereza. Simplemente toman la decisión de que les gustó el vino, y es probable que les guste de nuevo.

Ejemplo: Esta falta de comprensión no es única en el segmento del vino. Nos hemos reunido con ejecutivos y investigadores de algunas de las empresas de sabores y fragancias más grandes del mundo. Un ejecutivo describió su frustración con un proyecto reciente para crear un nuevo chocolate de lavanda. Esta empresa gastó millones de dólares en realizar grupos focales con consumidores que específicamente amaban el chocolate, amaban la lavanda y amaban el chocolate de lavanda. Finalmente, los resultados fueron que los encuestados estuvieron de acuerdo en que era chocolate de lavanda, pero también estuvieron de acuerdo en que no les gustaba ese chocolate de lavanda en particular.

Como resultado de estas ideas, concluimos que deberíamos centrar nuestra investigación en predecir qué matrices de química les gustan a los consumidores, y en qué medida, en lugar de qué sabores perciben.

Cómo es diferente nuestro enfoque

Basura dentro, basura fuera. En cuanto a la calidad de los datos, nos dimos cuenta de que un conjunto de entrenamiento válido no podía generarse a partir de datos comerciales o de multitud existentes. Tendríamos que crear nuestros propios datos, en casa.

Lo primero que necesitábamos era un método de química que proporcionara visibilidad sobre el delicado equilibrio de los volátiles, no volátiles, sólidos disueltos, datos espectrales, etc., de un vino en una sola instantánea, para ser más relatable al paladar humano.

Años de experimentación resultaron en una metodología que genera más de 1 millón de puntos de datos por muestra. Esta gran cantidad de datos es procesada por algoritmos de aprendizaje automático que fueron diseñados por nuestro equipo de ciencia de datos para descodificar las interdependencias que informan la percepción humana basada en las ratios de los analitos y grupos de analitos.

Una vez que hubimos demostrado la eficacia de este método, comenzamos a analizar y descodificar la matriz de sabor de muchos miles de vinos en todo el mundo y hemos desarrollado una base de datos integral de la matriz de sabor del mundo del vino.

Relacionar las preferencias de los consumidores con la química

A continuación, teníamos que entender qué matrices de sabor preferían varios consumidores al hacer que probaran y calificaran el vino que habíamos analizado. A lo largo de los años, hemos realizado paneles de degustación doble ciego con miles de consumidores, cada uno probando muchas decenas o cientos de vinos con el tiempo. Los encuestados incluyen nuevos en el vino, bebedores de vino típicos, expertos, productores de vino y sommeliers.

Los sistemas de multitud suelen perder o ignorar datos críticos. Por ejemplo, en la escala de Parker, la mayoría de las personas no calificarán un vino por debajo del rango de 80 puntos. Pero hemos aprendido que los consumidores odian lo que odian más de lo que les gusta lo que les gusta. Por lo tanto, es fundamental tener una imagen completa de la preferencia, especialmente las preferencias negativas.

Utilizamos nuestro aprendizaje automático novel para comprender las preferencias únicas de los consumidores para varios tipos de matrices de sabor en el vino. Con el tiempo, esto nos permitió predecir con precisión sus preferencias para vinos que aún no habían probado. Durante este proceso, también aprendimos que los vinos individuales, así como las preferencias individuales, son casi como huellas dactilares en su unicidad. Concluimos que, contrario a las prácticas habituales de la industria, los consumidores y los vinos no pueden ser agrupados o filtrados colaborativamente en generalizaciones.

Ejemplo: Dos mujeres pueden compartir la misma geografía, cultura, etnia, educación, ingresos, coche, teléfono y ambas aman el Sauvignon Blanc de Kim Crawford; pero una puede amar el Chardonnay Morning Fog y la otra puede odiarlo. La única visibilidad predictiva confiable se encuentra en su paladar biológico.

¿Cómo escalar esta innovación?

Lo que habíamos creado era genial, pero los paneles de degustación son costosos y consumen mucho tiempo. Sería imposible realizar un panel de degustación anual de todos los 248 millones de estadounidenses mayores de 21 años para entender qué vinos les gustarán.

Queríamos diseñar una herramienta escalable que tuviera la misma eficacia en la predicción de las preferencias de un consumidor, sin requerir la participación en paneles de degustación o la expresión de sus preferencias para un gran conjunto de vinos previamente probados.

Nuestra solución fue hacer que la IA seleccionara artículos de comida simples que compartieran aspectos de su química con vinos en una selección. Los encuestados en nuestros paneles de degustación respondieron a varias hundredas de preguntas sobre sus preferencias por alimentos y sabores que no están directamente relacionados con el vino; como, “¿Cómo se siente sobre el pimiento verde?”, o “¿Cómo se siente sobre los champiñones?”

Estas preguntas se utilizaron por TastryAI como análogos de los tipos y ratios de compuestos comúnmente encontrados en la química subyacente del vino. Como humanos, no podemos descifrar o entender estas correlaciones y patrones complejos, pero resulta que es un problema excelente para que el aprendizaje automático lo resuelva.

Con estos datos, TastryAI aprendió a predecir la preferencia de un consumidor por el vino, basándose en sus respuestas a la Encuesta de preferencias alimentarias. Lo que resultó fue nuestra capacidad para eliminar la necesidad de cualquier dato específico del vino de un consumidor para predecir su preferencia por el vino.

¿Cuántos datos necesitamos para entender la preferencia del consumidor?

Aunque comenzamos con cientos de preguntas de preferencia alimentaria, cuanto más se responden, más precisos son los resultados, hay rendimientos decrecientes después de 9-12. Con el principio de Pareto en funcionamiento, las mejores preguntas de preferencia alimentaria proporcionaron aproximadamente un 80% de comprensión del paladar de un consumidor.

Hoy en día, suele haber una encuesta de 10-12 preguntas para vino tinto, y otra encuesta de 10-12 preguntas para vino blanco, rosado y espumoso.

Esto permitió una solución escalable. Desde que lanzamos en varios pilotos hace años, ahora hay muchas pruebas similares en sitios de comercio electrónico. Un consumidor toma una prueba de 30 segundos sobre si le gustan las moras o el café, y es recompensado con recomendaciones de vino. La diferencia es que esas pruebas son, como máximo, filtros de notas de cata, es decir, si le gustan las moras, le gustará un vino descrito por alguien como sabiendo a frutas oscuras, o si le gusta el café, le gustará un vino descrito por alguien como astringente. Pero hemos aprendido que si esas descripciones son precisas para el paladar de esa persona, no tiene poder predictivo sobre si les gustará o no el vino; pero es atractivo, a los consumidores les gustan las pruebas.

Las recomendaciones de Tastry están vinculadas a la matriz de sabor del vino. TastryAI no es un filtro de notas de cata, no está preguntando si le gusta el aroma o el sabor de los champiñones en su vino, está tratando de entender las ratios de compuestos que le gustan o no, basándose en sus preferencias biológicas del paladar. Cada pregunta proporciona muchas capas de información porque cada pregunta se superpone y se alimenta de otras preguntas. Así, después de preguntar sobre los champiñones, quizás la siguiente pregunta sea “¿Cómo se siente sobre el sabor del pimiento verde?” La IA puede saber que hay, por ejemplo, 33 compuestos en una ratio generalmente responsable de la percepción de los champiñones, y 22 compuestos generalmente responsables del sabor del pimiento verde, pero importante, algunos de esos compuestos existen en ambos. Si dice que ama los champiñones, pero odia el pimiento verde, entonces la IA está más segura de que le gusta algunos compuestos, más segura de que odia otros compuestos, y aquellos que se superponen son probablemente contextuales.

Así que, se puede imaginar un diagrama de Venn multidimensional, donde la IA está descifrando qué compuestos le gustan o no, en combinación con otros compuestos.

Y con esta encuesta de preferencia de sabor y comentarios de los consumidores, recopilamos datos de paladar anónimos de todo el mundo. Un sitio de comercio electrónico o un minorista en caja grande puede lanzar la Prueba de Tastry en la aplicación y tener miles de respuestas dentro de horas de consumidores en todo EE. UU. Los únicos otros datos que adquirimos son un código postal. Utilizamos el código postal para aplicar una derivación de una cresta bayesiana, que toma la distribución geográfica de los paladares de los consumidores conocidos que recopilamos y monitoreamos, y otros datos, y predice el resto de los más de 200 millones de paladares de consumidores viables en EE. UU. Utilizamos este conjunto de datos mejorado como la fuente de verdad y para proporcionar predicciones sobre cómo los vinos se desempeñarán en un mercado en una tienda, local o regional.

Grupo de enfoque virtual de Tastry

Al analizar un vino, descodificar su matriz de sabor y evaluar su palatabilidad contra la combinación de paladares reales y virtuales, la IA es actualmente un 92,8% precisa en la predicción de la calificación promedio del consumidor estadounidense para el vino. En otras palabras, la IA puede predecir la calificación promedio de 5 estrellas para un vino dentro de +/- 1/10 de una estrella.

Es más fácil pensar en la IA como un “Grupo de enfoque virtual” de preferencias de los consumidores.

Los viñedos utilizan TastryAI para realizar simulaciones sobre cómo los consumidores percibirán su vino, incluso antes de invertir años y millones de dólares en hacerlo. Los mayoristas utilizan TastryAI para determinar las regiones en las que los vinos diferentes se desempeñarán mejor. Los minoristas utilizan TastryAI para optimizar su selección en las estanterías y en línea. Y los consumidores utilizan TastryAI para evitar el riesgo de comprar un vino que no les gustará.