Comment Tastry « a appris à un ordinateur comment goûter ».

Comment Tastry utilise la nouvelle chimie et l'IA pour prédire les préférences des consommateurs.

Dès le départ, la question à laquelle nous voulions répondre était : « Pouvons-nous décoder les matrices de saveurs uniques des produits sensoriels, ainsi que les préférences biologiques uniques des consommateurs pour prédire avec précision leur sympathie ? La reponse courte est oui.

Cependant, au début de nos recherches, nous avons constaté que les méthodes d’analyse chimique existantes et les données existantes sur les préférences des consommateurs fournissaient des corrélations ou des prédictions statistiquement insignifiantes. Nous savions que nous devions créer nos propres données pour progresser.

Premièrement, nous devions créer une méthode de chimie analytique qui fournirait autant de transparence que possible à la chimie (y compris les données volatiles, non volatiles, dissoutes, spectrales, etc.). Nous devions également décoder la matrice des arômes d'une manière cela pourrait être traduit pour aider à se rapprocher de la façon dont les humains ressentent cette chimie dans leur palais.

Deuxièmement, nous devions créer une méthode permettant d’obtenir, d’augmenter et de suivre de manière constante et précise les préférences sensorielles biologiques d’un groupe vaste, diversifié et toujours croissant de consommateurs réels, afin de servir de vérité fondamentale.

Pourquoi les méthodes actuelles ne parviennent pas à prédire la préférence des consommateurs pour les produits sensoriels

Lorsque nous avons commencé nos recherches en 2015, nous avions l’hypothèse que tout ce qu’il faut savoir sur la saveur du vin, c’est-à-dire le goût, l’arôme, la texture et la couleur, existe dans la chimie. Cependant, ce qui manquait, c’était une méthode d’analyse plus complète.

Pour expliquer cette limitation, il est important de comprendre que la chimie des produits sensoriels est largement axée sur le contrôle de la qualité, c'est-à-dire quelle quantité de cet analyte contient ce mélange ? L’objectif n’est généralement pas d’évaluer tous les analytes, leurs proportions relatives ou la manière dont ils se combinent dans le palais humain pour créer une saveur. C’est la tache aveugle que nous devions éclaircir car des interactions dynamiques se produisent entre des centaines de composés présents dans le palais humain. Le palais humain expérimente simultanément une « soupe chimique » de composés aromatiques, et non un composé à la fois comme le fait une machine. Les interactions entre ces multiples composés, combinées à la biologie unique de chaque consommateur, fournissent un contexte critique quant aux caractéristiques de la chimie qui sont exprimées à cette personne.

Dans la mesure où le sensoriel est pris en compte, en termes simples, l’approche typique ressemble à ceci :

• Les données d’enquête montrent que les gens aiment le beurre.
• Le diacétyle est un composé généralement associé à la saveur du beurre.
• Si nous faisons un chardonnay avec plus de diacétyle, plus de gens l'apprécieront.

Problèmes fondamentaux avec cette approche.

1. La saveur ne peut pas être prédite par la seule quantification des composés. Une concentration donnée de diacétyle peut être perçue comme du beurre dans un vin ou un millésime, mais pas dans un autre. En effet, il existe des centaines d’autres composés dans le vin et, en fonction de leurs concentrations et ratios, le diacétyle peut être masqué ou exprimé. Contrairement à une machine, les humains expérimentent tous les composés en même temps, leurs sens n’analysent pas chaque composé individuellement, donc toute quantification individuelle donnée n’est pas nécessairement prédictive.

 

2. Les humains perçoivent et communiquent les saveurs différemment. Même parmi un panel d’experts, la moitié des experts peuvent décrire quelque chose comme ayant un goût de pomme, et l’autre moitié peut le décrire comme une poire. Et le consommateur moyen est encore moins prévisible. D'après nos recherches, nous ne pensons pas que le goût humain soit suffisamment tangible pour être communiqué avec précision simplement par le langage d'une personne à une autre. Nos descripteurs sont trop vagues et nos définitions varient en fonction de la biologie individuelle et des expériences culturelles. Par exemple, aux États-Unis, la plupart des consommateurs décrivent la perception du benzaldéhyde comme de la « cerise », mais la plupart des consommateurs européens le décrivent comme de la « pâte d'amande »… même dans le même vin.

 

3. Les saveurs perçues par les consommateurs n’ont aucune corrélation avec le fait qu’ils les aiment ou non. Dans nos recherches, on observe que les consommateurs ne décident pas d'acheter un vin parce qu'il a un goût de cerise. Ils jugent simplement qu’ils ont aimé le vin et qu’ils l’apprécieront probablement à nouveau.

Exemple : Ce manque de compréhension n’est pas propre au segment du vin. Nous avons rencontré des dirigeants et des chercheurs de certaines des plus grandes sociétés d'arômes et de parfums au monde. Un cadre a décrit sa frustration face à un récent projet visant à créer un nouveau chocolat à la lavande. Cette entreprise a dépensé des millions de dollars pour organiser et organiser des groupes de discussion avec des consommateurs qui aimaient particulièrement le chocolat, la lavande et le chocolat à la lavande. En fin de compte, les résultats ont été que les personnes interrogées ont convenu qu'il s'agissait de chocolat à la lavande, mais qu'elles ont également convenu qu'elles n'aimaient pas ce chocolat à la lavande en particulier.

À la suite de ces informations, nous avons conclu que nous devrions concentrer nos recherches sur la prédiction des matrices chimiques appréciées par les consommateurs et dans quelle mesure, plutôt que sur les saveurs qu’ils perçoivent.

En quoi notre approche est différente

Déchets entrants, Déchets sortants. En ce qui concerne la qualité des données, nous avons réalisé qu'un ensemble de formation valide ne pouvait pas être généré à partir de données commerciales ou participatives existantes. Il faudrait créer le nôtre en interne.

La première chose dont nous avions besoin était une méthode chimique qui fournirait une visibilité sur l'équilibre délicat des solides volatils, non volatils, dissous, des données spectrales, etc., d'un vin en un seul instantané, pour qu'il soit plus accessible au palais humain.

Des années d'expérimentation ont abouti à une méthodologie qui génère plus d'un million de points de données par échantillon. Cette quantité granulaire et impressionnante de données est ensuite traitée par des algorithmes d'apprentissage automatique conçus par notre équipe de science des données pour décoder les interdépendances qui informent la perception humaine en fonction des ratios d'analytes et de groupes d'analytes.

Une fois que nous avons prouvé l’efficacité de cette méthode, nous avons commencé à analyser et à décoder la matrice aromatique de plusieurs milliers de vins dans le monde et avons depuis développé une base de données complète de matrices aromatiques du monde du vin.

Relier les préférences des consommateurs à la chimie

Ensuite, nous avons dû comprendre quelles matrices aromatiques préféraient les différents consommateurs en leur faisant goûter et noter le vin que nous avions analysé. Au fil des années, nous avons organisé régulièrement des panels de dégustation en double aveugle avec des milliers de consommateurs, chacun dégustant plusieurs dizaines ou centaines de vins au fil du temps. Les personnes interrogées comprennent des nouveaux venus dans le vin, des buveurs de vin typiques, des experts, des vignerons et des sommeliers.

Les systèmes participatifs manquent ou ignorent généralement les données critiques. Par exemple, sur l'échelle de Parker, la plupart des gens n'obtiendront même pas un vin en dessous de la moyenne des 80 pts. gamme. Mais nous avons appris que les consommateurs n’aiment pas ce qu’ils n’aiment pas, plus qu’ils n’aiment ce qu’ils aiment. Il est donc essentiel d'avoir une vision complète des préférences, notamment des préférences négatives.

Nous avons utilisé notre nouvel apprentissage automatique pour comprendre les préférences uniques des consommateurs pour différents types de matrices aromatiques du vin. Au fil du temps, cela nous a permis de prédire avec précision leurs préférences pour les vins qu’ils n’avaient pas encore goûtés. Au cours de ce processus, nous avons également appris que les vins individuels, ainsi que les préférences individuelles, ressemblent presque à des empreintes digitales dans leur caractère unique. Nous avons conclu que, contrairement aux pratiques habituelles de l’industrie, les consommateurs et les vins ne peuvent pas être regroupés avec précision, ni filtrés de manière collaborative, en généralisations.

Exemple : deux femmes peuvent partager la même géographie, la même culture, la même origine ethnique, l'éducation, le revenu, la voiture, le téléphone, et toutes deux aiment le Kim Crawford Sauvignon Blanc ; mais l’un peut aimer le chardonnay Morning Fog et l’autre peut le détester. La seule visibilité prédictive fiable réside dans leur palais biologique.

Comment faire évoluer cette innovation ? 

Ce que nous avions créé était génial, mais les panels de dégustation coûtent cher et prennent du temps. Il serait impossible d’organiser un panel de dégustation annuel composé des 248 millions d’Américains de plus de 21 ans pour comprendre quels vins ils apprécieront.

Nous voulions concevoir un outil évolutif ayant la même efficacité pour prédire les préférences d'un consommateur, sans nécessiter de participation à des panels de dégustation ni d'exprimer ses préférences pour un large ensemble de vins déjà dégustés.

Notre solution consistait à demander à l’IA de sélectionner des aliments simples partageant certains aspects de leur chimie avec des vins dans un assortiment. Les personnes interrogées dans nos panels de dégustation ont répondu à plusieurs centaines de questions sur leurs préférences pour les aliments et les saveurs qui ne sont pas directement liés au vin ; comme « Que pensez-vous du poivron vert ? » ou « Que pensez-vous des champignons ? »

Ces questions ont été utilisées par TastryAI comme analogues aux types et aux ratios de composés couramment trouvés dans la chimie sous-jacente du vin. En tant qu’êtres humains, nous ne pouvons pas déchiffrer ou comprendre ces corrélations et modèles complexes, mais il se trouve que la résolution de ces relations complexes est un excellent problème à résoudre par l’apprentissage automatique.

Grâce à ces données, TastryAI a appris à prédire la préférence d'un consommateur pour le vin, sur la base de ses réponses à l'enquête sur les préférences alimentaires. Le résultat a été notre capacité à éliminer le besoin de données spécifiques au vin provenant d'un consommateur pour prédire sa préférence pour le vin.

De quelle quantité de données avons-nous besoin pour comprendre les préférences des consommateurs ?

Bien que nous ayons commencé avec des centaines de questions sur les préférences alimentaires, plus les réponses sont nombreuses, plus les résultats sont précis, les rendements sont décroissants après 9h-12h. Avec le principe de Pareto à l'œuvre, les questions sur les préférences alimentaires les plus performantes ont été fournies approximativement. Compréhension à 80 % du palais d'un consommateur.

À l'heure actuelle, il existe généralement une enquête de 10 à 12 questions pour le vin rouge et une autre de 10 à 12 questions pour le vin blanc, rosé et mousseux.

Cela a permis une solution évolutive. Depuis que nous avons lancé plusieurs projets pilotes il y a des années, il existe désormais de nombreux quiz similaires et fantaisistes sur les sites de commerce électronique. Un consommateur répond à un quiz de 30 secondes pour savoir s'il aime ou non les mûres ou le café, et il est récompensé par des recommandations de vins. La différence est que ces quiz sont tout au plus des filtres de notes de dégustation, c'est-à-dire que si vous aimez les mûres, vous aimerez un vin décrit par quelqu'un comme ayant un goût de fruit noir, ou si vous aimez le café, vous aimerez un vin décrit par quelqu'un comme ayant un goût de fruit noir. étant astringent. Mais nous avons appris que si ces descriptions sont exactes pour le palais de cette personne, cela pas de pouvoir prédictifr quant à savoir s'ils aimeront ou non le vin; mais c'est engageant, les consommateurs aiment les quiz.

Les recommandations de Tastry sont liées à la matrice aromatique du vin. TastryAI n'est pas un filtre de notes de dégustation, il ne vous demande pas si vous aimez l'arôme ou le goût des champignons dans ton vin, ça essaie de comprendre les ratios de composés que vous aimez ou n'aimez pas en fonction de vos préférences gustatives biologiques. Chaque question fournit de nombreux niveaux d’informations car chaque question se chevauche et alimente d’autres questions. Ainsi, après avoir posé des questions sur les champignons, la question suivante est peut-être « Que pensez-vous du goût du poivron vert ? » L’IA sait peut-être qu’il existe, par exemple, 33 composés dans un rapport donné généralement responsables de la perception des champignons, et 22 composés généralement responsables du goût du poivron vert – mais il est important de noter que certains de ces composés existent dans les deux. Si vous dites que vous aimez les champignons, mais que vous détestez le poivron vert, alors l'IA a plus confiance en vous. comme certains composés, vous êtes plus confiant aversion d'autres composés, et ceux qui se chevauchent sont probablement contextuels.

Ainsi, vous pouvez en quelque sorte imaginer un diagramme de Venn multidimensionnel, dans lequel l’IA détermine quels composés vous aimez ou n’aimez pas en combinaison avec d’autres composés.

Et grâce à cette enquête sur les préférences en matière de saveur et aux commentaires des consommateurs, nous collectons des données gustatives anonymisées du monde entier. Un site de commerce électronique ou un détaillant à grande surface peut lancer le Tastry Quiz sur l'application et obtenir des milliers de réponses en quelques heures de la part de consommateurs à travers les États-Unis. La seule autre donnée que nous acquérons est un code postal. Nous utilisons le code postal pour appliquer une dérivation d'une crête bayésienne, qui prend la répartition géographique des palais de consommateurs connus que nous collectons et surveillons, ainsi que d'autres données, et prédit le reste des 200 millions de palais de consommateurs viables aux États-Unis. Nous utilisons cette version améliorée. ensemble de données comme source de vérité et pour fournir des prédictions sur la façon dont les vins se comporteront sur un marché au niveau du magasin, local ou régional.

Groupe de discussion virtuel savoureux

Après avoir analysé un vin, décodé sa matrice aromatique et évalué son appétence par rapport à la combinaison de palais réels et virtuels, le L'IA est actuellement précise à 92.8 % pour prédire la note globale des consommateurs américains pour le vin. En d’autres termes, l’IA peut prédire la note moyenne de 5 étoiles d’un vin à +/- 1/10 près.^th d'une étoile.

Il est plus simple de considérer l’IA comme un « groupe de discussion virtuel » regroupant les préférences des consommateurs.

Les établissements vinicoles utilisent TastryAI pour effectuer des simulations sur la façon dont les consommateurs percevront leur vin, avant même d'investir des années et des millions de dollars dans sa fabrication. Les grossistes utilisent TastryAI pour déterminer les régions dans lesquelles les différents vins fonctionneront le mieux. Les détaillants utilisent TastryAI pour optimiser leur assortiment en rayon et en ligne. Et les consommateurs utilisent TastryAI pour éviter le risque d’acheter un vin qui ne leur plaira pas.