Comment Tastry « apprend à un ordinateur à goûter »

Comment Tastry utilise la chimie novatrice et l’IA pour prédire les préférences des consommateurs.

Dès le départ, la question que nous voulions résoudre était : « Pouvez-vous décoder les matrices de saveur uniques des produits à base de sens et les préférences biologiques uniques des consommateurs pour prédire avec précision la likabilité ? » La réponse courte est oui.

Cependant, tôt dans notre recherche, nous avons constaté que les méthodes d’analyse chimique existantes et les données de préférence des consommateurs existantes fournissaient des corrélations ou des prédictions statistiquement insignifiantes. Nous savions que nous devrions créer nos propres données pour faire progresser les choses.

Tout d’abord, nous avions besoin de créer une méthode d’analyse chimique qui fournirait une transparence maximale sur la chimie (y compris les composés volatils, non volatils, dissous, les données spectrales, etc.). Nous avions également besoin de décoder la matrice de saveur d’une manière qui pourrait être traduite pour approximer comment les humains ressentent cette chimie sur leur palais.

Ensuite, nous avions besoin de créer une méthode pour obtenir constamment et avec précision, augmenter et suivre les préférences sensorielles biologiques d’un grand groupe diversifié et en constante évolution de consommateurs réels pour servir de vérité de base.

Pourquoi les méthodes actuelles échouent-elles à prédire la préférence des consommateurs pour les produits à base de sens ?

Lorsque nous avons commencé notre recherche en 2015, nous avions l’hypothèse que tout ce que vous devez savoir sur le goût 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 à base de sens est en grande partie axée sur le contrôle de la qualité, c’est-à-dire combien d’analytes sont présents dans ce mélange ? L’accent n’est généralement pas mis sur l’évaluation de tous les analytes, de leurs ratios relatifs ou de la manière dont ils se combinent sur le palais humain pour créer la saveur. Ceci est le point aveugle que nous devions éclairer, car il y a des interactions dynamiques entre des centaines de composés sur un palais humain. Un palais humain ressent un « potage chimique » de composés de saveur en même temps, et non un composé à la fois comme une machine le fait. Les interactions entre ces multiples composés, combinées à la biologie unique de chaque consommateur, fournissent un contexte critique pour comprendre quelles caractéristiques de la chimie sont exprimées à cette personne.

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

• Les données d’enquête montrent que les gens aiment le beurre.
• Le diacétyle est un composé généralement associé au goût du beurre.
• Si nous faisons un chardonnay avec plus de diacétyle, plus de gens l’aimeront.

Problèmes fondamentaux avec cette approche.

1. La saveur ne peut pas être prédite par la quantification des composés seuls. 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 y a des centaines d’autres composés dans le vin, et en fonction de leurs concentrations et de leurs ratios, le diacétyle pourrait être masqué ou exprimé. Contrairement à une machine, les humains ressentent tous les composés en même temps, leurs sens n’analysent pas chaque composé individuellement, donc toute quantification individuelle 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 ayant un goût de poire. Et le consommateur moyen est encore moins prévisible. D’après nos recherches, nous ne croyons 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 et des expériences culturelles individuelles. Par exemple, aux États-Unis, la plupart des consommateurs décrivent la perception de la benzaldéhyde comme « cerise », mais la plupart des consommateurs en Europe la décrivent comme « amande »… même dans le même vin.

3. Les saveurs que les consommateurs perçoivent n’ont aucune corrélation avec le fait qu’ils les aiment ou non. Dans nos recherches, il a été observé que les consommateurs ne décident pas d’acheter un vin parce qu’il a un goût de cerise. Ils jugent simplement que le vin leur plaît, et qu’ils sont susceptibles de l’aimer à nouveau.

Exemple : Ce manque de compréhension n’est pas unique au segment du vin. Nous avons rencontré des dirigeants et des chercheurs dans certaines des plus grandes entreprises de saveurs et de parfums au monde. Un dirigeant a décrit sa frustration avec un projet récent de création d’un nouveau chocolat à la lavande. Cette entreprise a dépensé des millions de dollars pour organiser des groupes de discussion avec des consommateurs qui aimaient spécifiquement le chocolat, aimaient la lavande et aimaient le chocolat à la lavande. Finalement, les résultats ont montré que les répondants étaient d’accord pour dire que c’était du chocolat à la lavande, mais qu’ils étaient également d’accord pour dire qu’ils n’aimaient pas particulièrement ce chocolat à la lavande.

En conséquence de ces insights, nous avons conclu que nous devrions nous concentrer sur la prédiction de la chimie des matrices que les consommateurs aiment, et dans quelle mesure, plutôt que sur les saveurs qu’ils perçoivent.

Comment notre approche est-elle différente

Garbage-in, Garbage-out. Lorsqu’il s’agit de la qualité des données, nous avons réalisé qu’un ensemble de formation valide ne pouvait pas être généré à partir de données commerciales ou de sources existantes. Nous devrions créer les nôtres, en interne.

La première chose dont nous avions besoin était une méthode de chimie qui fournirait une visibilité sur l’équilibre délicat des composés volatils, non volatils, solides dissous, des données spectrales, etc., d’un vin en une seule image, pour être plus relatif au palais humain.

Des années d’expérimentation ont abouti à une méthodologie qui génère plus de 1 million de points de données par échantillon. Ces données granulaires et accablantes sont ensuite traitées par des algorithmes d’apprentissage automatique conçus par notre équipe de sciences des données pour décoder les interdépendances qui informent la perception humaine en fonction des ratios des analytes et des groupes d’analytes.

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

Relier les préférences des consommateurs à la chimie

Ensuite, nous devions comprendre quelles matrices de saveur les consommateurs préfèrent en les faisant goûter et noter le vin que nous avions analysé. Au fil des ans, nous avons organisé des panels de dégustation à double insu avec des milliers de consommateurs, chacun goûtant de nombreux dizaines ou centaines de vins au fil du temps. Les répondants comprennent des nouveaux venus dans le vin, des buveurs de vin typiques, des experts, des vigneron et des sommeliers.

Les systèmes de crowdsourcing manquent généralement ou ignorent des données critiques. Par exemple, sur l’échelle de Parker, la plupart des gens ne noteront même pas un vin en dessous de la moyenne de 80 points. Mais nous avons appris que les consommateurs n’aiment pas ce qu’ils n’aiment pas, plus que ce qu’ils aiment. Par conséquent, il est essentiel d’avoir une image complète de la préférence – en particulier les préférences négatives.

Nous avons utilisé notre apprentissage automatique novateur pour comprendre les préférences uniques des consommateurs pour différents types de matrices de saveur dans le 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. Lors de ce processus, nous avons également appris que les vins individuels, ainsi que les préférences individuelles, sont presque uniques comme des empreintes digitales. Nous avons conclu que, contrairement aux pratiques habituelles de l’industrie, les consommateurs et les vins ne peuvent pas être regroupés ou filtrés de manière collaborative en généralisations.

Exemple : Deux femmes peuvent partager la même géographie, la même culture, la même ethnie, le même niveau d’éducation, le même revenu, la même voiture, le même téléphone, et les deux aiment le Sauvignon Blanc Kim Crawford ; mais l’une peut aimer le Chardonnay Morning Fog et l’autre peut le détester. La seule visibilité prédictive fiable repose sur leur palais biologique.

Comment mettre à l’échelle cette innovation ?

Ce que nous avions créé était excellent, mais les panels de dégustation sont coûteux et prennent du temps. Il serait impossible d’organiser un panel de dégustation annuel de tous les 248 millions d’Américains âgés de plus de 21 ans pour comprendre quels vins ils aimeront.

Nous voulions concevoir un outil évolutif qui avait la même efficacité pour prédire les préférences d’un consommateur, sans nécessiter la participation à des panels de dégustation ou l’expression de leurs préférences pour un grand ensemble de vins précédemment goûtés.

Notre solution consistait à faire sélectionner par l’IA des aliments simples qui partageaient des aspects de leur chimie avec des vins dans une assortment. Les répondants dans nos panels de dégustation ont répondu à plusieurs centaines de questions sur leurs préférences pour les aliments et les saveurs qui n’étaient pas directement liés au vin ; par exemple, « Comment vous sentez-vous à propos du poivron vert ? », ou « Comment vous sentez-vous à propos des champignons ? »

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

Avec ces données, TastryAI a appris à prédire la préférence d’un consommateur pour le vin en fonction de ses réponses au sondage sur les préférences alimentaires. Ce qui a résulté de notre capacité à éliminer le besoin de toute donnée spécifique au vin provenant d’un consommateur pour prédire sa préférence pour le vin.

Combien de données avons-nous besoin pour comprendre la préférence des consommateurs ?

Bien que nous ayons commencé avec des centaines de questions de préférence alimentaire, plus il y en a, plus les résultats sont précis, il y a des rendements décroissants après 9-12. Avec le principe de Pareto à l’œuvre, les meilleures questions de préférence alimentaire ont fourni environ 80 % de compréhension du palais d’un consommateur.

Aujourd’hui, il y a généralement un sondage de 10-12 questions pour le vin rouge, et un autre sondage de 10-12 questions pour le vin blanc, rosé et vin mousseux.

Cela a permis une solution évolutives. Depuis que nous avons lancé diverses versions pilotes il y a plusieurs années, il y a maintenant de nombreux quizzes similaires sur les sites de commerce électronique. Un consommateur passe un quiz de 30 secondes sur le fait qu’il aime ou non les mûres ou le café, et il est récompensé par des recommandations de vin. La différence est que ces quizzes ne sont qu’à des filtres de notes de dégustation, c’est-à-dire si vous aimez les mûres, vous aimerez un vin décrit par quelqu’un comme ayant un goût de fruits noirs, ou si vous aimez le café, vous aimerez un vin décrit par quelqu’un comme étant astringent. Mais nous avons appris que si ces descriptions sont exactes pour le palais de cette personne, elles n’ont aucun pouvoir prédictif quant à savoir s’ils aimeront ou non le vin ; mais c’est engageant, les consommateurs aiment les quizzes.

Les recommandations de Tastry sont liées à la matrice de saveur du vin. TastryAI n’est pas un filtre de notes de dégustation, il ne demande pas si vous aimez l’arôme ou le goût des champignons dans votre vin, il essaie de comprendre les ratios de composés que vous aimez ou n’aimez pas en fonction de vos préférences biologiques du palais. Chaque question fournit de nombreuses couches d’insight, car chaque question se chevauche et se nourrit des autres questions. Ainsi, après avoir demandé des champignons, la prochaine question peut être « Comment vous sentez-vous à propos du goût du poivron vert ? » L’IA peut savoir qu’il y a, par exemple, 33 composés dans un rapport général responsable de la perception des champignons, et 22 composés généralement responsables du goût du poivron vert – mais importantly, 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 est plus confiante que vous aimerez certains composés, plus confiante que vous n’aimez pas d’autres composés, et ceux qui se chevauchent sont probablement contextuels.

Vous pouvez ainsi imaginer un diagramme de Venn multidimensionnel, où l’IA décode quels composés vous aimez ou n’aimez pas en combinaison avec d’autres composés.

Et avec ce sondage de préférence de saveur et les commentaires des consommateurs, nous collectons des données de palais anonymisées du monde entier. Un site de commerce électronique ou un détaillant peut lancer le quiz Tastry sur l’application et avoir des milliers de réponses dans les heures à partir de consommateurs à travers les États-Unis. Les seules autres données que nous collectons sont un code postal. Nous utilisons le code postal pour appliquer une dérivée d’une crête bayésienne, qui prend la distribution géographique des palais de consommateurs connus que nous collectons et suivons, et d’autres données, et prédit le reste des 200M+ de palais de consommateurs viables aux États-Unis. Nous utilisons cet ensemble de données amélioré comme source de vérité et pour fournir des prédictions sur la façon dont les vins se comporteront sur le marché, dans un magasin, à l’échelle locale ou régionale.

Tastry Virtual Focus Group

Après avoir analysé un vin, décoder sa matrice de saveur et évaluer sa palatabilité par rapport à la combinaison de palais réels et virtuels, l’IA est actuellement à 92,8 % précise dans la prédiction de la note globale des consommateurs américains pour le vin. En d’autres termes, l’IA peut prédire la note moyenne de 5 étoiles pour un vin à +/- 1/10^ème d’étoile.

Il est le plus facile de penser à l’IA comme un « Groupe de discussion virtuel » de préférences des consommateurs.

Les vignobles utilisent TastryAI pour simuler la façon dont les consommateurs percevront leur vin, même avant d’investir des années et des millions de dollars pour le fabriquer. Les grossistes utilisent TastryAI pour déterminer les régions dans lesquelles différents vins se comporteront le mieux. Les détaillants utilisent TastryAI pour optimiser leur assortment sur les étagères et en ligne. Et les consommateurs utilisent TastryAI pour éviter le risque d’acheter un vin qu’ils n’aimeront pas.