How Tastry ”Opetti tietokoneen maistamaan”.

Kuinka Tastry käyttää uutta kemiaa ja tekoälyä kuluttajien mieltymysten ennustamiseen.

Kysymys, johon halusimme vastata alusta alkaen, oli: "Voimmeko purkaa aistinvaraisten tuotteiden ainutlaatuiset makumatriisit ja kuluttajien ainutlaatuiset biologiset mieltymykset ennustaaksemme tarkasti mieltymyksen?" Lyhyt vastaus on kyllä.

Tutkimuksemme alussa havaitsimme kuitenkin, että olemassa olevat kemialliset analyysimenetelmät ja olemassa olevat kuluttajien mieltymystiedot tarjosivat tilastollisesti merkityksettömiä korrelaatioita tai ennusteita. Tiesimme, että meidän on luotava omat tietomme edistyäksemme.

Ensin meidän piti luoda analyyttinen kemian menetelmä, joka tarjoaisi mahdollisimman paljon läpinäkyvyyttä kemialle (mukaan lukien haihtuvat, haihtumattomat, liuenneet, spektritiedot jne.) Meidän piti myös purkaa makumatriisi tavalla. jonka voisi kääntää auttamaan arvioimaan sitä, kuinka ihmiset kokevat tuon kemian kitalaessaan.

Toiseksi meidän täytyi luoda menetelmä jatkuvasti ja tarkasti hankkia, täydentää ja seurata suuren, monimuotoisen ja jatkuvasti kasvavan todellisten kuluttajien ryhmän biologisia aistinvaraisia ​​mieltymyksiä toimiaksemme pohjatotuutenamme.

Miksi nykyiset menetelmät eivät pysty ennustamaan kuluttajien mieltymyksiä aisteihin perustuviin tuotteisiin?

Kun aloitimme tutkimuksemme vuonna 2015, meillä oli hypoteesi, että kaikki mitä sinun tulee tietää viinin mausta, eli mausta, aromista, koostumuksesta ja väristä, on kemiassa. Kuitenkin, mikä puuttui, oli kattavampi analyysimenetelmä.

Tämän rajoituksen selittämiseksi on tärkeää ymmärtää, että aisteihin perustuvien tuotteiden kemia on suurelta osin keskittynyt laadunvalvontaan, eli kuinka paljon tätä analyytiä on seoksessa? Painopisteenä ei yleensä ole arvioida kaikkia analyyttejä, niiden suhteellisia suhteita tai sitä, kuinka ne yhdistyvät ihmisen kitalaessa luomaan makua. Tämä on sokea piste, joka meidän piti valaista, koska satojen ihmisten kitalaessa olevien yhdisteiden välillä tapahtuu dynaamisia vuorovaikutuksia. Ihmisen makuaine kokee "kemiallisen keiton" makuyhdisteistä samaan aikaan, ei yhtä yhdistettä kerrallaan kuten kone. Näiden useiden yhdisteiden välinen vuorovaikutus yhdessä kunkin kuluttajan ainutlaatuisen biologian kanssa tarjoaa kriittisen kontekstin sille, mitkä kemian piirteet ilmenevät kyseiselle henkilölle.

Siinä määrin kuin aistinvaraisuus otetaan huomioon, tyypillinen lähestymistapa näyttää yksinkertaisesti tältä:

• Tutkimustiedot osoittavat, että ihmiset pitävät voista.
• Diasetyyli on yhdiste, joka liittyy tyypillisesti voin makuun.
• Jos teemme chardonnayn enemmän diasetyyliä, useammat ihmiset pitävät siitä.

Tämän lähestymistavan ydinongelmat.

1. Makua ei voida ennustaa pelkällä yhdisteiden määrällä. Tietty diasetyylipitoisuus voidaan nähdä voina yhdessä viinissä tai vuosikerrassa, mutta ei toisessa. Tämä johtuu siitä, että viinissä on satoja muita yhdisteitä, ja niiden pitoisuuksista ja suhteista riippuen diasetyyli voidaan joko peittää tai ilmentää. Toisin kuin kone, ihmiset kokevat kaikki yhdisteet kerralla, heidän aistinsa eivät analysoi jokaista yhdistettä erikseen, joten yksittäinen kvantifiointi ei välttämättä ole ennustava.

 

2. Ihminen havaitsee ja kommunikoi makuja eri tavalla. Jopa asiantuntijapaneelin joukossa puolet asiantuntijoista voi kuvailla jotain omenan makuista ja toinen puoli päärynää. Ja keskivertokuluttaja on vielä vähemmän ennustettavissa. Tutkimuksemme perusteella emme usko, että ihmisen maku on riittävän konkreettinen, jotta se voidaan välittää tarkasti yksinkertaisesti kielen avulla ihmiseltä toiselle. Kuvauksemme ovat liian epämääräisiä, ja määritelmämme vaihtelevat yksilöllisen biologian ja kulttuuristen kokemusten perusteella. Esimerkiksi Yhdysvalloissa useimmat kuluttajat kuvaavat bentsaldehydin käsitystä "kirsikkana", mutta useimmat kuluttajat Euroopassa kuvailevat sitä "marsipaaniksi"… jopa samassa viinissä.

 

3. Kuluttajien havaitsemilla mauilla ei ole korrelaatiota sen kanssa, pitävätkö he siitä vai eivät. Tutkimuksessamme on havaittu, että kuluttajat eivät päätä ostaa viiniä, koska se maistuu kirsikkalta. He yksinkertaisesti päättävät, että he pitivät viinistä, ja he todennäköisesti pitävät siitä uudelleen.

Esimerkki: Tämä ymmärryksen puute ei ole ainutlaatuinen viinisegmentille. Olemme tavanneet joidenkin maailman suurimpien maku- ja tuoksuyritysten johtajia ja tutkijoita. Eräs johtaja kuvaili turhautuneisuuttaan äskettäiseen projektiin luoda uusi laventelisuklaa. Tämä yritys käytti miljoonia dollareita istuakseen ja pitäessään kohderyhmiä kuluttajien kanssa, jotka rakastivat erityisesti suklaata, rakastivat laventelia ja laventelisuklaata. Lopputuloksena oli, että vastaajat myönsivät, että se oli laventelisuklaa, mutta he myös myönsivät, etteivät he pitäneet kyseisestä laventelisuklaasta.

Näiden oivallusten tuloksena päätimme, että meidän tulisi keskittyä tutkimuksessamme ennustamaan, mistä kemiallisista matriiseista kuluttajat pitivät ja missä määrin, toisin kuin mitä makuja he havaitsevat.

Kuinka lähestymistapamme on erilainen

Roskat sisään roskat ulos. Tietojen laadun osalta ymmärsimme, että olemassa olevasta kaupallisesta tai joukkolähteestä saatavasta datasta ei voitu luoda kelvollista koulutussarjaa. Meidän pitäisi luoda oma, talon sisällä.

Ensimmäinen asia, jota tarvitsimme, oli kemiallinen menetelmä, joka tarjoaisi näkyvyyttä viinin haihtuvien, haihtumattomien, liuenneiden kiintoaineiden, spektritietojen jne. herkästä tasapainosta yhdessä tilannekuvassa, jotta se olisi paremmin suhteessa ihmisen makuun.

Vuosien kokeilu johti menetelmään, joka tuottaa yli miljoona datapistettä näytettä kohti. Tämä rakeinen ja valtava määrä dataa käsitellään sitten koneoppimisalgoritmeilla, jotka tietotieteellinen tiimimme on suunnitellut purkamaan keskinäisiä riippuvuuksia, jotka vaikuttavat ihmisen havaintoon analyyttien ja analyyttiryhmien suhteiden perusteella.

Kun olimme osoittaneet tämän menetelmän tehokkuuden, aloimme analysoida ja dekoodata useiden tuhansien viinien makumatriisia maailmanlaajuisesti ja olemme sittemmin kehittäneet kattavan makumatriisitietokannan viinimaailmasta.

Kuluttajien mieltymysten liittäminen kemiaan

Seuraavaksi piti ymmärtää, mitä makumatriiseja eri kuluttajat suosivat antamalla heidän maistaa ja arvioida analysoimaamme viiniä. Vuosien varrella olemme pitäneet säännöllisiä kaksoissokkomaistajapaneeleja tuhansien kuluttajien kanssa, joista jokainen on maistellut kymmeniä tai satoja viinejä ajan mittaan. Vastaajina ovat viinin uudet tulokkaat, tyypilliset viininjuomat, asiantuntijat, viinintekijät ja sommelierit.

Joukkolähtöiset järjestelmät yleensä kaipaavat tai jättävät huomiotta kriittiset tiedot. Esimerkiksi Parkerin asteikolla useimmat ihmiset eivät saa edes viiniä alle 80 pisteen. alue. Mutta olemme oppineet, että kuluttajat eivät pidä siitä, mistä he eivät pidä, enemmän kuin pitävät siitä, mistä he pitävät. Siksi on tärkeää saada täydellinen kuva mieltymyksistä – erityisesti negatiivisista mieltymyksistä.

Käytimme uutta koneoppimistamme ymmärtääksemme kuluttajien ainutlaatuisia mieltymyksiä viinin erityyppisille makumatriiseille. Ajan mittaan tämä antoi meille mahdollisuuden ennustaa tarkasti heidän mieltymyksensä viineihin, joita he eivät olleet vielä maistaneet. Tämän prosessin aikana opimme myös, että yksittäiset viinit ja yksilölliset mieltymykset ovat ainutlaatuisuudessaan lähes sormenjälkiä. Tulimme siihen tulokseen, että toisin kuin alan tavanomaisissa käytännöissä, kuluttajia ja viinejä ei voida ryhmitellä tarkasti tai yhteistoiminnallisesti suodattaa yleistyksiksi.

Esimerkki: Kaksi naista voivat jakaa saman maantieteen, kulttuurin, etnisen taustan, koulutuksen, tulot, auton, puhelimen, ja molemmat rakastavat Kim Crawford Sauvignon Blanc; mutta yksi voi rakastaa Morning Fog chardonnayta ja toinen vihata sitä. Ainoa luotettava ennustava näkyvyys on heidän biologisen kitalaessaan.

Kuinka skaalata tämä innovaatio? 

Se, mitä olimme luoneet, oli hienoa, mutta maistelupaneelit ovat kalliita ja aikaa vieviä. Olisi mahdotonta järjestää vuotuista maistajapaneelia kaikista 248 miljoonasta yli 21-vuotiaasta amerikkalaisesta ymmärtääkseen, mistä viineistä he pitävät.

Halusimme suunnitella skaalautuvan työkalun, jolla on sama tehokkuus ennustaa kuluttajan mieltymyksiä ilman, että se vaatisi osallistumista maistajapaneeleihin tai ilmaisemaan mieltymyksiään suurelle sarjalle aiemmin maistettuja viinejä.

Ratkaisumme oli saada tekoäly valitsemaan yksinkertaisia ​​ruokia, jotka jakavat kemiansa ja viinien valikoiman. Maistelupaneeliemme vastaajat vastasivat useisiin satoihin tällaisiin kysymyksiin mieltymyksistään sellaisiin ruokiin ja makuihin, jotka eivät liity suoraan viiniin; kuten "Mitä mieltä olet vihreästä paprikasta?" tai "Mitä mieltä olet sienistä?"

TastryAI käytti näitä kysymyksiä analogeina viinin taustalla olevasta kemiasta yleisesti löydettyjen yhdisteiden tyypeille ja suhteille. Ihmisinä emme voi tulkita tai ymmärtää näitä monimutkaisia ​​korrelaatioita ja malleja, mutta näiden monimutkaisten suhteiden kiusoitteleminen on erinomainen ongelma koneoppimisen ratkaistavaksi.

Näiden tietojen avulla TastryAI oppi ennustamaan kuluttajan mieltymyksen viiniin perustuen heidän ruokapreference -tutkimukseen annettuihin vastauksiin. Tuloksena oli kykymme eliminoida viinikohtaisten tietojen tarve kuluttajalta ennustaaksemme hänen mieltymyksensä viiniä kohtaan.

Kuinka paljon tietoa tarvitsemme ymmärtääksemme kuluttajien mieltymyksiä?

Vaikka aloitimme sadoilla ruokamieltymyskysymyksillä, mitä enemmän niihin vastataan, sitä tarkemmat tulokset ovat, tuotto on pienentynyt klo 9-12 jälkeen. Pareto-periaatteen toimiessa parhaiten menestyneet ruokavalintakysymykset tarjosivat noin. 80 % ymmärrystä kuluttajan makuun.

Nykyään punaviinille on tyypillisesti 10-12 kysymyksen kysely ja valko-, rosé- ja kuohuviinille toinen 10-12 kysymyksen kysely.

Tämä mahdollisti skaalautuvan ratkaisun. Siitä lähtien, kun käynnistimme useita pilotteja vuosia sitten, verkkokauppasivustoilla on nyt monia samankaltaisia, hassun näköisiä tietokilpailuja. Kuluttaja tekee 30 sekunnin mittaisen tietokilpailun siitä, pitävätkö hän karhunvatukoista tai kahvista, ja hänet palkitaan viinisuosituksella. Erona on se, että nuo tietokilpailut ovat korkeintaan makuaistin suodattimia, eli jos pidät karhunvatukoista, pidät viinistä, jonka joku on kuvannut tummalle hedelmälle, tai jos pidät kahvista, pidät viinistä, jonka joku on kuvaillut olevan supistava. Mutta olemme oppineet, että jos nuo kuvaukset pitävät paikkansa kyseisen henkilön kitalaessa, niin on ei ennustusvoimaar siitä, pitävätkö he viinistä vai eivät; mutta se on kiinnostavaa, kuluttajat pitävät tietokilpailuista.

Tastryn suositukset on sidottu viinin makumatriisiin. TastryAI ei ole makuaistin suodatin, se ei kysy pidätkö sienten aromista tai mausta sinun viinissäsi, se yrittää ymmärrä niiden yhdisteiden suhteet, joista pidät tai et pidä biologisten makuelämystesi perusteella. Jokainen kysymys tarjoaa monia oivalluksia, koska jokainen kysymys on päällekkäinen ja syöttyy muihin kysymyksiin. Sienistä kysyttyäsi ehkä seuraava kysymys on "Mitä mieltä olet vihreän paprikan mausta?" Tekoäly voi tietää, että tietyssä suhteessa on esimerkiksi 33 yhdistettä, jotka yleensä vastaavat sienten havaitsemisesta, ja 22 yhdistettä, jotka yleensä vastaavat vihreän paprikan mausta – mutta mikä tärkeintä, joitain näistä yhdisteistä on molemmissa. Jos sanot rakastavasi sieniä, mutta vihaat vihreää paprikaa, AI luottaa sinuun enemmän pitää joitakin yhdisteitä, luottavaisempi olet vastenmielisyys muut yhdisteet ja ne, jotka ovat päällekkäisiä, ovat todennäköisesti asiayhteyteen liittyviä.

Joten voit tavallaan kuvitella moniulotteisen Venn-kaavion, jossa tekoäly selvittää, mistä yhdisteistä pidät tai mistä et pidä yhdessä muiden yhdisteiden kanssa.

Tämän makumieltymystutkimuksen ja kuluttajien palautteen avulla keräämme anonymisoituja makutietoja ympäri maailmaa. Verkkokauppasivusto tai isokokoinen jälleenmyyjä voi käynnistää Tastry Quizin sovelluksessa ja saada tuhansia vastauksia muutamassa tunnissa kuluttajilta ympäri Yhdysvaltoja Ainoat muut tiedot, jotka saamme, on postinumero. Käytämme postinumeroa soveltaaksemme Bayesin harjanteen johdannaista, joka ottaa huomioon keräämiemme ja valvomiemme tunnettujen kuluttajien makujen maantieteellisen jakauman ja muita tietoja ja ennustaa loput yli 200 miljoonasta kuluttajan mausta Yhdysvalloissa. Käytämme tätä parannettua tietojoukko totuuden lähteenä ja antaa ennusteita siitä, kuinka viinit pärjäävät markkinoilla myymälässä, paikallisella tai alueellisella tasolla.

Maukas virtuaalinen fokusryhmä

Kun analysoidaan viiniä, dekoodataan sen makumatriisi ja arvioidaan sen makua suhteessa todellisten ja virtuaalisten makujen yhdistelmään, Tekoäly on tällä hetkellä 92.8 % tarkka ennustaa viinin Yhdysvaltojen kuluttajaluokituksen kokonaismäärää. Toisin sanoen tekoäly voi ennustaa viinin keskimääräisen 5 tähden arvosanan +/- 1/10^th tähdestä.

Tekoälyä on helpoin ajatella kuluttajien mieltymysten "virtuaalisena fokusryhmänä".

Viinitilat käyttävät TastryAI:ta simuloimaan, kuinka kuluttajat näkevät viininsä, jopa ennen kuin he investoivat vuosia ja miljoonia dollareita sen valmistukseen. Tukkukauppiaat käyttävät TastryAI:ta määrittääkseen alueet, joilla eri viinit menestyvät parhaiten. Jälleenmyyjät käyttävät TastryAI:ta optimoidakseen valikoimansa hyllyillä ja verkossa. Kuluttajat käyttävät TastryAI:ta välttääkseen riskin ostaa viiniä, josta he eivät pidä.