Kuinka Tastry opettaa tietokoneen maistamaan uuden kemianteorian ja tekoälyä hyväksi

Kuinka Tastry käyttää uutta kemiaa ja tekoälyä ennustamaan kuluttajien mieltymyksiä.

Alusta alkaen halusimme vastata kysymykseen: “Voimmeko dekoodata aistiperusteisten tuotteiden yksilölliset maku-matriisit ja kuluttajien yksilölliset biologiset mieltymykset, jotta voimme ennustaa tarkasti miellyttävyyden?” Lyhyt vastaus on kyllä.

Kuitenkin jo varhaisessa tutkimuksessamme havaittiin, että olemassa olevat kemialliset analyysimenetelmät ja olemassa olevat kuluttajien mieltymyksistä keräämät tiedot antoivat tilastollisesti merkityksettömiä korrelaatioita tai ennusteita. Tiesimme, että joutuisimme luomaan omat tiedot, jotta voimme edetä.

Ensinnäkin, meidän piti luoda analyyttinen kemia, joka antaisi mahdollisimman suuren avoimuuden kemiaan (mukaan lukien haihtuvat, haihtumattomat, liuennetut, spektridatan jne.). Meidän piti myös dekoodata maku-matriisi tavalla, joka voisi auttaa arvioimaan, miten ihmiset kokevat tämän kemian makuaistissa.

Toiseksi, meidän piti luoda menetelmä, jolla voimme jatkuvasti ja tarkasti kerätä, täydentää ja seurata suuren, monipuolisen ja jatkuvasti kasvavan kuluttajaryhmän biologisia aistikokemuksia, jotta voimme käyttää niitä viitekehysmateriaalina.

Miksi nykyiset menetelmät eivät pysty ennustamaan kuluttajien mieltymyksiä aistiperusteisille tuotteille

Kun aloitimme tutkimuksemme vuonna 2015, meillä oli hypoteesi, että kaikki, mitä tarvitaan tietää viinin mausta, eli maku, tuoksu, tekstura ja väri, on olemassa kemiassa. Mutta mitä puuttui, oli kattavampi analyysimenetelmä.

Jotta voimme selittää tämän rajoituksen, on tärkeää ymmärtää, että aistiperusteisten tuotteiden kemia on pääasiassa keskittynyt laadunvalvontaan, eli kuinka paljon tätä analyyttiä on seoksessa? Fokus ei ole tyypillisesti arvioida kaikkia analyyttejä, niiden suhteellisia määriä tai miten ne yhdistyvät ihmiselle makuaistissa luomaan maun. Tämä on se sokea piste, jonka halusimme valaista, koska dynaamisia vuorovaikutuksia tapahtuu satojen yhdisteiden välillä ihmisellä makuaistissa. Ihmisen makuaisti kokee “kemiallisen keiton” maku-yhdisteitä samanaikaisesti, ei yhtä kertaa kuten kone. Näiden useiden yhdisteiden vuorovaikutukset yhdistettynä kunkin kuluttajan yksilölliseen biologiaan antavat kriittisen kontekstin siitä, mitkä kemian piirteet ovat ilmeneviä kyseiselle henkilölle.

Kun aisti kokemus otetaan huomioon, perinteinen lähestymistapa on yksinkertainen:

• Tutkimustiedot osoittavat, että ihmiset pitävät voista.
• Diasetyyli on yhdiste, joka yleensä liitetään voimakkaan maun.
• Jos teemme chardonnay-viinin, jossa on enemmän diasetyyliä, enemmän ihmisiä pitää siitä.

Perusongelmat tässä lähestymistavassa.

1. Maku ei voida ennustaa ainoastaan yhdisteiden määrän perusteella. Tietty diatseetyylin pitoisuus voidaan havaita voimakkaana toisessa viinissä tai eri vuosikerrassa, mutta ei toisessa. Tämä johtuu siitä, että viinissä on satoja muita yhdisteitä, ja riippuen niiden pitoisuuksista ja suhteista, diatseetyyli voidaan joko maskata tai ilmetä. Toisin kuin kone, ihmiset kokevat kaikki yhdisteet samanaikaisesti, heidän aistinsa eivät analysoi kunkin yhdisteen yksin, joten yksittäinen annos ei välttämättä ole ennustettavissa.

2. Ihmiset havaitsevat ja viestivät makuja eri tavoin. Jopa asiantuntijaraadissa puolet asiantuntijoista voi kuvailla jotain maistuvan omenalta, ja toinen puoli voi kuvailla sen maistuvan päärynältä. Ja keskivertokuluttaja on vielä enemmän arvaamaton. Tutkimuksemme osoittaa, että ihmisen maku ei ole riittävän konkreettista voidakseen olla tarkasti kommunikoitavissa kielen kautta yhdestä henkilöstä toiseen. Kuvailemme liian epätarkasti, ja määritelmämme vaihtelevat yksilöllisen biologian ja kulttuurikokemusten mukaan. Esimerkiksi Yhdysvalloissa useimmat kuluttajat kuvaavat bentsaldehydin vaikutuksen “kirsikaksi”, mutta useimmat eurooppalaiset kuluttajat kuvaavat sen “pähkinäksi”… jopa samassa viinissä.

3. Maku, jota kuluttajat havaitsevat, ei ole korrelaatiota siitä, pitävätkö he siitä. Tutkimuksessamme on havaittu, että kuluttajat eivät päätyä ostamaan viiniä, koska se maistuu kirsikalle. He vain tekevät arvion, että he pitävät viinistä, ja he ovat todennäköisesti pitävät siitä uudelleen.

Esimerkki: Tämä puute ymmärryksestä ei ole ainutlaatuinen viinisektorille. Olemme kohdanneet johtajia ja tutkijoita maailman suurimmissa maku- ja tuoksuaineissa. Yksi johtaja kuvasi pettymystään viimeaikaisesta hankkeesta luoda uusi laventelishokolaadi. Tämä yritys käytti miljoonia dollareita istuttamalla ja suorittamalla kuluttajaryhmiä, jotka erityisesti pitivät suklaasta, laventelista ja laventelisuklaasta. Lopputuloksena oli, että vastaajat olivat yhtä mieltä siitä, että se oli laventelisuklaata, mutta he myös olivat yhtä mieltä siitä, etteivät he pitäneet kyseisestä laventelisuklaasta.

Kuinka lähestymistapaamme on erilainen

Roska sisään, roska ulos. Kun puhutaan datan laadusta, tajusimme, että voimme luoda vain oman, sisäisen koulutusjoukon.

Ensimmäinen asia, jota tarvitsimme, oli kemia, joka antaisi näkyvyyden hienoon tasapainoon haihtuvista, haihtumattomista, liuennetuista, spektridatista jne. viinissä yhdessä otteessa, jotta se olisi enemmän verrattavissa ihmisen makuaistiin.

Vuosien kokeilun jälkeen kehittelimme menetelmän, joka tuottaa yli 1 miljoonan datapisteen näytteestä. Tämä hienojakoinen ja hämmästyttävä määrä dataa käsitellään tekoälyalgoritmeilla, jotka on suunniteltu johtamaan riippuvuuksia, jotka kertovat ihmisen havainnoista perustuen yhdisteiden suhteellisiin määriin ja yhdisteiden ryhmiin.

Kun olimme osoittaneet tämän menetelmän tehokkuuden, aloimme analysoimaan ja dekoodaamalla useiden tuhansien viinien maku-matriisia maailmanlaajuisesti ja olemme kehittäneet kattavan maku-matriisitietokannan maailman viineistä.

Liittäminen kuluttajien mieltymyksiin kemiaan

Seuraavaksi meidän piti ymmärtää, mitkä maku-matriisit eri kuluttajat pitävät, jotta he maistavat ja arvostavat viiniä, jonka olemme analysoineet. Vuosien ajan olemme järjestäneet säännöllisiä, sokeita makutestejä tuhansien kuluttajien kanssa, joista jokainen on maistanut useita kymmeniä tai satoja viinejä ajan myötä. Vastauksissa ovat mukana viinin uudet kuluttajat, tavalliset viinijuojat, asiantuntijat, viinintekijät ja sommeliet.

Joukko-lähestymistavat yleensä puuttuvat kriittisiä tietoja. Esimerkiksi Parker-asteikolla useimmat ihmiset eivät arvioi viiniä alle 80 pisteen. Mutta olemme oppineet, että kuluttajat inhoavat sitä, mitä he inhoavat, enemmän kuin pitävät siitä, mitä he pitävät. Siksi on kriittinen saada täysi kuva mieltymyksistä – erityisesti negatiivisista mieltymyksistä.

Käytimme uutta tekoälyä ymmärtääksemme kuluttajien yksilöllisiä mieltymyksiä erilaisiin maku-matriiseihin viinissä. Ajan myötä tämä mahdollisti meidän tarkasti ennustaa heidän mieltymyksensä viinejä kohtaan, joita he eivät olleet vielä maistaneet. Tämän prosessin aikana olemme myös oppineet, että yksittäiset viinit ja yksilölliset mieltymykset ovat melkein sormenjäljen kaltaisia ainutlaatuisuudessaan. Päättelimme, että toisin kuin tavallisissa teollisuuden käytännöissä, kuluttajia ja viinejä ei voida ryhmitellä tai suodattaa yleistyksiin.

Esimerkki: Kaksi naista voi jakaa saman maantieteellisen sijainnin, kulttuurin, etnisyyden, koulutuksen, tulon, auton, puhelimen ja molemmat pitävät Kim Crawford Sauvignon Blanc -viinistä; mutta toinen voi pitää Morning Fog Chardonnay -viinistä ja toinen voi inhoa sitä. Ainoa luotettava ennustettavuus perustuu heidän biologiseen makuaistiinsa.

Kuinka skaalata tämä innovaatio?

Mitä olimme luoneet, oli hyvää, mutta makutestit ovat kalliita ja aikaa vieviä. Olisi mahdotonta järjestää vuosittainen makutesti 248 miljoonalle yli 21-vuotiaalle amerikkalaiselle ymmärtääkseen, mitkä viinit he pitävät.

Halusimme suunnitella skaalautuvan työkalun, jolla on sama tehokkuus ennustaa kuluttajan mieltymyksiä ilman, että heidän tarvitsee osallistua makutesteihin tai ilmoittaa mieltymyksensä suurelle joukolle aiemmin maistettuja viinejä.

Ratkaisumme oli antaa tekoälylle valita yksinkertaisia elintarvikkeita, jotka jakavat kemian piirteitä viinien valikoimassa. Vastauksissa makutesteissämme vastasivat useisiin satoihin kysymyksiin elintarvikkeiden ja makujen suhteen, jotka eivät liity suoraan viiniin; kuten “Miten sinä suhtaudut vihreään paprikaan?” tai “Miten sinä suhtaudut sieniin?”

Nämä kysymykset käytettiin TastryAI: n vertailukohteina makuaineiden tyyppeihin ja suhteellisiin määriin, jotka ovat yleisiä viinin peruskemian alla. Ihmisinä emme voi selvittää tai ymmärtää näitä monimutkaisia korrelaatioita ja malleja, mutta onneksi nämä monimutkaiset suhteet ovat erinomainen ongelma tekoälylle ratkaista.

Tässä datassa TastryAI oppi ennustamaan kuluttajan mieltymyksiä viiniin perustuen heidän vastauksiinsa ruokamieltymysskyselyyn. Mitä seurasi, oli kykyämme poistaa tarve minkäänlaiselle viiniin liittyvälle datalle ennustaa heidän mieltymyksensä viiniin.

Kuinka paljon dataa tarvitaan ymmärtääkseen kuluttajien mieltymyksiä?

Vaikka aloitimme sadoilla ruokamieltymyskysymyksillä, mitä enemmän vastauksia, sitä tarkempi tulokset, mutta on olemassa kääntöpiste 9-12 kysymyksen jälkeen. Pareton periaatteen mukaisesti parhaat ruokamieltymyskysymykset antoivat noin 80 %:n ymmärryksen kuluttajan makuaistista.

Tällä hetkellä on tyypillisesti 10-12 kysymyksen kysely punaviinejä varten ja toinen 10-12 kysymyksen kysely valkoviinejä, roséviinejä ja kuohuviinejä varten.

Tämä mahdollisti skaalautuvan ratkaisun. Siitä lähtien, kun lanseerasimme useita koepiloteja vuosia sitten, on nyt monia samankaltaisia, ilmeikkäitä kyselyjä verkkokauppa-sivuilla. Kuluttaja vastaa 30 sekunnin kyselyyn siitä, pitävätkö he mustikasta vai kahvista, ja he saavat viinisuosituksia. Ero on, että nämä kyselyt ovat enimmäkseen makutietojen suodattimia, eli jos sinä pitäät mustikasta, sinä pitäät viinistä, jota joku on kuvaillut tumman marjanmakuisena, tai jos sinä pitäät kahvista, sinä pitäät viinistä, jota joku on kuvaillut kitkeräksi. Mutta olemme oppineet, että jos nämä kuvaukset ovat tarkkoja sinun makuaistisi kannalta, se ei ole ennustettavissa siitä, pitäisitkö sinä viinistä; mutta se on viihdyttävää, kuluttajat pitävät kyselyistä.

Tastryn suositukset ovat kytköksissä viinin maku-matriisiin. TastryAI ei ole makutietojen suodatin, se ei kysy, pitätkö sinä sienien tuoksusta tai mausta viinissä, se yrittää ymmärtää yhdisteiden suhteita, joita sinä pitäät tai et pidä, perustuen sinun biologiseen makuaistiisi. Jokainen kysymys antaa monia kerroksia syvyyttä, koska jokainen kysymys limittyy ja ruokkii toisia kysymyksiä. Esimerkiksi jos kysymme sienistä, seuraava kysymys voi olla “Miten sinä suhtaudut vihreään paprikaan?” Tekoäly voi tietää, että on 33 yhdistettä tietyn suhteen, jotka ovat yleensä vastuussa sienten havaitsemisesta, ja 22 yhdistettä, jotka ovat yleensä vastuussa vihreän paprikan mausta – mutta tärkeää on, että jotkut näistä yhdisteistä ovat molemmissa. Jos sinä sanot, että sinä rakastat sieniä, mutta sinä vihaat vihreää paprikaa, tekoäly on enemmän varma, että sinä pitäät joistakin yhdisteistä, enemmän varma, että sinä et pidä toisista yhdisteistä, ja ne, jotka ovat yhteisiä, ovat todennäköisesti kontekstuaalisia.

Voit kuvitella moniulotteisen Venn-diagrammin, jossa tekoäly erottaa, mitkä yhdisteet sinä pitäät tai et pidä yhdistettynä muihin yhdisteisiin.

Ja tällä maku-preferenssi kyselyllä ja kuluttajapalautteella keräämme anonyymia makuaisti-dataa ympäri maailmaa. Verkkokauppa-sivu tai suuri vähittäiskauppa voi käynnistää Tastry-kyselyn sovelluksessa ja saada tuhansia vastauksia kuluttajilta ympäri Yhdysvaltoja muutamassa tunnissa. Ainoa muu data, jonka keräämme, on postinumero. Käytämme postinumeroa soveltamaan Bayesilaista ridge-ohjusta, joka ottaa maantieteellisen jakautumisen tunnetuista kuluttajien makuaisteista, joita keräämme ja seuraamme, ja muita tietoja, ja ennustaa loput 200 miljoonasta kuluttajien makuaisteista Yhdysvalloissa. Käytämme tätä parannettua tietojoukkoa totuuden lähteenä ja ennustamaan, miten viinit suoriutuvat markkinoilla, kaupassa, paikallisesti tai alueellisesti.

Tastry Virtual Focus Group

Analysoimalla viiniä, dekoodaamalla sen maku-matriisia ja arvioimalla sen makuaistimukaisuutta yhdistelmän todellisten ja virtuaalisten makuaistien kanssa, tekoäly on tällä hetkellä 92,8 %:n tarkka ennustamaan Yhdysvaltojen kuluttajien keskimääräisen 5-tähden arvostelun viinille. Toisin sanoen, tekoäly voi ennustaa keskimääräisen 5-tähden arvostelun viinille +/- 1/10:tä tähteä.

On helppo ajatella tekoälyä “virtuaalisena fokusryhmänä” kuluttajien mieltymyksistä.

Viinitilat käyttävät TastryAI:ta simuloimaan, miten kuluttajat havaitsevat heidän viininsä, ennen kuin he panostavat siihen vuosia ja miljoonia dollareita. Viinien välittäjät käyttävät TastryAI:ta määrittämään alueet, joissa eri viinit suoriutuvat parhaiten. Vähittäiskauppiat käyttävät TastryAI:ta optimoimaan valikoimaa hyllyillä ja verkossa. Ja kuluttajat käyttävät TastryAI:ta välttääksesi riskin ostaa viini, jota he eivät pidä.