Kuinka Tastry “opetti tietokoneen maistamaan”

Kuinka Tastry käyttää uudenaikaista kemiaa ja tekoälyä ennustamaan kuluttajien mieltymyksiä.

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

Kuitenkin jo varhaisessa tutkimuksessamme totesimme, että olemassa olevat kemialliset analyysimenetelmät ja olemassa olevat kuluttajien mieltymyksiin liittyvät tiedot antoivat tilastollisesti merkityksettömiä korrelaatioita tai ennusteita. Tiesimme, että joudumme luomaan oman datamme, jotta voimme edetä.

Ensinnäkin, meidän piti luoda analyyttinen kemiallinen menetelmä, joka antaisi mahdollisimman paljon läpinäkyvyyttä kemiaan (mukaan lukien haihtuvat, haihtumattomat, liuennetut, spektridatan jne.). Meidän piti myös koodata makumatriisi tavalla, joka voisi auttaa arvioimaan, miten ihmiset kokevat sen kemiaa makunsa kautta.

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

Miksi nykyiset menetelmät eivät pysty ennustamaan kuluttajien mieltymyksiä aistiperusteisille tuotteille

Kun aloitimme tutkimuksemme vuonna 2015, meillä oli hypoteesi, että kaikki, mitä tarvitaan tietää viinin makusta, eli mausta, tuoksuista, koostumuksesta ja väristä, on olemassa kemiassa. Mutta mitä puuttui, oli kattavampi analyysimenetelmä.

Selittääksemme tämän rajoituksen, on tärkeää ymmärtää, että aistiperusteisten tuotteiden kemia on suurelta osin keskittynyt laadunvalvontaan, eli kuinka paljon tiettyä analyyttiä on seoksessa? Fokus ei ole tyypillisesti arvioida kaikkia analyytteja, niiden suhteellisia suhteita tai miten ne yhdistyvät ihmiselle makunsa kautta luomaan makua. Tämä on se sokea piste, jonka halusimme valaista, koska dynaamisia vuorovaikutuksia tapahtuu satojen yhdisteiden välillä ihmisellä.

Kun aisti otetaan huomioon, yleinen lähestymistapa on yksinkertaisesti:

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

Perusongelmat tässä lähestymistavassa.

1. Maku ei voida ennustaa pelkästään yhdisteiden määrän perusteella. Tietty diaseetyylin pitoisuus voidaan havaita voimakkaana toisessa viinissä tai vuodenaikana, mutta ei toisessa. Tämä johtuu siitä, että viinissä on satoja muita yhdisteitä, ja riippuen niiden pitoisuuksista ja suhteista, diaseetyyli voidaan joko peittää tai ilmetä. Toisin kuin kone, ihmiset kokevat kaikki yhdisteet kerran, heidän aistinsa eivät analysoi kunkin yhdisteen yksin, joten yksittäinen määrä ei välttämättä ole ennustettavissa.

2. Ihmiset havaitsevat ja viestivät makuja eri tavoin. Jopa asiantuntijapaneelissa puolet asiantuntijoista saattaa kuvailla jotain maistuvan omenalta, ja toinen puoli saattaa kuvailla sen maistuvan päärynältä. Ja keskivertokuluttaja on vielä enemmän arvaamaton. Tutkimuksestamme emme usko, että ihmisen maku on tarpeeksi konkreettinen voidakseen välittää tarkasti kielen kautta yhden ihmisen toiselle. Kuvailemme liian epämääräisesti, ja määritelmämme vaihtelevat yksilöllisen biologian ja kulttuurikokemusten mukaan. Esimerkiksi Yhdysvalloissa useimmat kuluttajat kuvaavat bentsaldehydin havaitsemista “kirsikka”, mutta useimmat kuluttajat Euroopassa kuvaavat sitä “mantsikka”…samassa viinissä.

3. Maku, jonka kuluttajat havaitsevat, ei ole korrelaatiota siitä, pitävätkö he siitä. Tutkimuksessamme on havaittu, että kuluttajat eivät pääty viinin ostamiseen, 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 tuoksuyrityksissä. Yksi johtaja kuvasi frustraatiotaan viimeaikaisesta projektista luoda uusi laventeli-suklaa. Tämä yritys käytti miljoonia dollareita istuttamalla ja ajamalla fokusryhmiä, joissa kuluttajat pitivät suklaasta, pitivät laventelista ja pitivät laventeli-suklaasta. Lopputulos oli, että vastaajat olivat samaa mieltä siitä, että se oli laventeli-suklaa, mutta he myös olivat samaa mieltä siitä, etteivät he pitäneet siitä tietystä laventeli-suklaasta.

Tuloksena näistä oivalluksista, päätimme keskittyä tutkimukseemme siihen, mitä kemian matriiseja kuluttajat pitävät, ja miten paljon, sen sijaan, mitä makuja he havaitsevat.

Miten lähestymistapamme on erilainen

Roska sisään, roska ulos. Kun puhutaan datan laadusta, totesimme, että voimme luoda vain validin koulutusjoukon, jos emme käytä olemassa olevaa kaupallista tai joukkorahoitusta. Meidän piti luoda se itse, talossamme.

Ensimmäinen asia, jota tarvitsimme, oli kemiallinen menetelmä, joka antaisi näkyvyyden hienoon tasapainoon haihtuvista, haihtumattomista, liuennetuista kiinteistä, spektridatista jne. viinin yhden otoksen kautta, jotta se olisi enemmän verrattavissa ihmisen makunsa.

Vuosiensa kokeilun jälkeen saimme aikaan menetelmän, joka tuottaa yli 1 miljoonan datapisteen kussakin näytteessä. Tämä yksityiskohtainen ja hämmästyttävä määrä dataa käsitellään sitten tekoälyalgoritmeilla, jotka suunniteltiin meidän data-tieteellisen tiimimme toimesta koodata riippuvuudet, jotka kertovat ihmiselle perustuvasta havainnosta yhdisteiden ja yhdisteiden ryhmien suhteiden perusteella.

Kun olimme osoittaneet tämän menetelmän tehokkuuden, aloimme analysoimaan ja koodaamalla makumatriisia monista tuhansista viineistä maailmanlaajuisesti ja olemme kehittäneet kattavan makumatriisitietokannan viinin maailmasta.

Liittäminen kuluttajien mieltymyksiin kemiaan

Seuraavaksi meidän piti ymmärtää, mitä makumatriiseja eri kuluttajat pitävät, saaden heidät maistamaan ja arvioimaan viiniä, jonka olimme analysoineet. Vuosien varrella olemme järjestäneet säännöllisiä sokeita maistamispaneelia tuhansille kuluttajille, joista jokainen on maistanut monia kymmeniä tai satoja viinejä ajan myötä. Vastauksissa ovat mukana viinin uudet kuluttajat, tyypilliset viinijuojat, asiantuntijat, viinintekijät ja sommeliers.

Joukkorahoitusjärjestelmät yleensä puuttuvat tai laiminlyövät kriittisiä tietoja. Esimerkiksi Parkerin asteikolla useimmat ihmiset eivät edes arvioi viiniä alle 80 pisteen. Mutta olemme oppineet, että kuluttajat inhoavat sitä, mitä he inhoavat, enemmän kuin pitävät siitä, mitä he pitävät. Sen vuoksi on tärkeää saada täysi kuva mieltymyksistä – erityisesti negatiivisista mieltymyksistä.

Käytimme uudenaikaista tekoälyämme ymmärtämään kuluttajien yksilöllisiä mieltymyksiä eri makumatriiseja kohtaan viinissä. Ajan myötä tämä mahdollisti meidän ennustaa heidän mieltymyksiään viinejä kohtaan, joita he eivät olleet vielä maistaneet. Tämän prosessin aikana olemme myös oppineet, että yksittäiset viinit, sekä yksittäiset mieltymykset, ovat melkein sormenjäljen kaltaisia ainutlaatuisuudessaan. Päätimme, että toisin kuin yleiset teollisuuden käytännöt, kuluttajia ja viinejä ei voida ryhmitellä tai suodattaa yleistyksiin.

Esimerkki: Kaksi naista voivat 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 makunsa.

Miten skaalata tämä innovaatio?

Mitä olimme luoneet, oli hyvää, mutta maistamispaneelit ovat kalliita ja aikaa vieviä. Olisi mahdotonta järjestää vuosittainen maistamispaneeli 248 miljoonalle yli 21-vuotiaalle amerikkalaiselle ymmärtääkseen, mitä viinejä he pitävät.

Halusimme suunnitella skaalautuvan työkalun, jolla on sama tehokkuus ennustaa kuluttajan mieltymyksiä ilman osallistumista maistamispaneeliin tai ilman heidän mieltymyksensä useista aikaisemmin maistetuista viineistä.

Ratkaisumme oli antaa tekoäly valita yksinkertaisia ruoka-aiheita, jotka jakavat joitain kemian piirteitä viinien kanssa. Vastauksissa maistamispaneelissamme vastasivat useisiin satoihin kysymyksiin heidän mieltymyksistään ruokiin ja makuun, jotka eivät liity suoraan viiniin; kuten “Miten sinä suhtaudut vihreään paprikaan?”, tai “Miten sinä suhtaudut sieniin?”

Näitä kysymyksiä käytettiin TastryAI:na vertauskuvina yhdisteiden tyyppien ja suhteiden, jotka ovat yleensä viinin perustavanlaatuista kemiaa. Ihmisinä emme voi selvittää tai ymmärtää näitä monimutkaisia korrelaatioita ja malleja, mutta käytännössä nämä monimutkaiset suhteet ovat erinomainen ongelma tekoälylle ratkaista.

Tässä datassa TastryAI oppi ennustamaan kuluttajan mieltymyksiä viiniin perustuen heidän vastauksiinsa Ruokamieltymysskyselyyn. Mitä seurasi, oli kykymme poistaa tarve minkäänlaiselle viinikohtaiselle datalle kuluttajalta ennustamaan heidän mieltymyksiään viiniin.

Kuinka paljon dataa tarvitaan ymmärtääkseen kuluttajien mieltymyksiä?

Vaikka aloitimme sadoilla ruokamieltymyskysymyksillä, mitä enemmän niitä vastataan, sitä tarkemmat tulokset, mutta on olemassa vähenevät palautteet 9-12 kysymyksen jälkeen. Pareton periaatteen mukaisesti parhaat suorituskykyiset ruokamieltymyskysymykset antoivat noin 80 %:n ymmärryksen kuluttajan makunsa.

Tällä hetkellä on tyypillisesti 10-12 kysymyksen kysely punaviiniin, ja toinen 10-12 kysymyksen kysely valkoviiniin, roséviiniin ja kuohuviiniin.

Tämä mahdollisti skaalautuvan ratkaisun. Siitä lähtien, kun lanseerasimme useita pilottihankkeita vuosia sitten, on nyt monia samankaltaisia, hauskannäköisiä kyselyjä verkkokauppa-sivuilla. Kuluttaja vastaa 30 sekunnin kyselyyn siitä, pitävätkö he mustikoista tai kahvista, ja heitä palkitaan viinisuosituksilla. Ero on, että nämä kyselyt ovat enimmäkseen maistamismerkkien suodattimia, eli jos sinä pitäät mustikoista, sinä pitäät viinistä, jota joku on kuvaillut tumman marjanmakuisena, tai jos sinä pitäät kahvista, sinä pitäät viinistä, jota joku on kuvaillut kitkeränä. Mutta olemme oppineet, että jos nämä kuvaukset ovat tarkkoja kyseiselle henkilölle, se ei ole ennustettavaa siitä, pitävätkö he viinistä; mutta se on viihdyttävää, kuluttajat pitävät kyselyistä.

Tastryn suositukset ovat kytketty viinin makumatriisiin. TastryAI ei ole maistamismerkkien suodatin, se ei kysy, pitätkö sinä sienistä tai kahvista viinissä, se yrittää ymmärtää yhdisteiden suhteita, jotka sinä pitäät tai et, perustuen sinun biologisiin makunsa mieltymyksiin. Jokainen kysymys antaa monia kerroksia oivalluksia, koska jokainen kysymys limittyy ja syöttää toisiin kysymyksiin. Esimerkiksi, kun kysytään sienistä, seuraava kysymys voi olla “Miten sinä suhtaudut vihreän paprikan maistamiseen?” Tekoäly voi tietää, että on esimerkiksi 33 yhdistettä, jotka ovat yleensä vastuussa sienten havaitsemisesta, ja 22 yhdistettä, jotka ovat yleensä vastuussa vihreän paprikan maistamisesta – mutta tärkeää on, että joitain näistä yhdisteistä on kummassakin. Jos sinä sanot, että sinä pitäät sienistä, mutta inhot vihreää paprikkaa, tekoäly on enemmän varma, että sinä pitäät joistain yhdisteistä, enemmän varma, että sinä et pitä joistain yhdisteistä, ja ne, jotka ovat yhteisiä, ovat todennäköisesti kontekstuaalisia.

Voit kuvitella moniulotteisen Venn-diagrammin, jossa tekoäly erottaa, mitä yhdisteitä sinä pitäät tai et, yhdisteiden yhdistelmissä.

Tastry Virtual Focus Group

Analysoimalla viiniä, koodaamalla sen makumatriisin ja arvioimalla sen miellyttävyyttä yhdistetyssä oikeasta ja virtuaalisesta makupalautteesta, AI on tällä hetkellä 92,8 %:n tarkka ennustamaan Yhdysvaltojen kuluttajien keskimääräisen 5-tähden arvostelun viinille. Toisin sanoen, AI voi ennustaa keskimääräisen 5-tähden arvostelun viinille +/- 1/10:tta tähteä.

On helppo ajatella AI:ta “Virtuaalisen fokusryhmänä” kuluttajien mieltymyksistä.

Viinitilat käyttävät TastryAI:ta simuloimaan, miten kuluttajat havaitsevat heidän viininsä, ennen kuin he investoivat vuosia ja miljoonia dollareita sen valmistamiseen. Tukkukauppiaat käyttävät TastryAI:ta määrittämään alueet, joissa eri viinit suorittavat parhaiten. Jakelijat käyttävät TastryAI:ta optimoimaan heidän valikoimaaan hyllyillä ja verkossa. Ja kuluttajat käyttävät TastryAI:ta välttääkseen riskin ostaa viini, jota he eivät pidä.