कितना स्वादिष्ट "एक कंप्यूटर को स्वाद लेना सिखाया।"

उपभोक्ताओं की प्राथमिकताओं का अनुमान लगाने के लिए टैस्ट्री नवीन रसायन विज्ञान और एआई का उपयोग कैसे करती है।

शुरू से ही, हम जिस प्रश्न का उत्तर देना चाहते थे वह था: "क्या हम संवेदी-आधारित उत्पादों के अनूठे स्वाद मैट्रिक्स और उपभोक्ताओं की अद्वितीय जैविक प्राथमिकताओं को सटीक रूप से संभावना का अनुमान लगाने के लिए डिकोड कर सकते हैं?" छोटा जवाब हां है।

हालाँकि, हमारे शोध के आरंभ में हमने पाया कि मौजूदा रासायनिक विश्लेषण विधियाँ और मौजूदा उपभोक्ता प्राथमिकता डेटा, सांख्यिकीय रूप से महत्वहीन सहसंबंध या भविष्यवाणियाँ प्रदान करते हैं। हम जानते थे कि प्रगति करने के लिए हमें अपना डेटा स्वयं बनाना होगा।

सबसे पहले, हमें एक विश्लेषणात्मक रसायन विज्ञान विधि बनाने की आवश्यकता थी जो रसायन विज्ञान को यथासंभव पारदर्शिता प्रदान करेगी (अस्थिर, गैर-वाष्पशील, विघटित, वर्णक्रमीय डेटा इत्यादि सहित)। हमें स्वाद मैट्रिक्स को एक तरह से डिकोड करने की भी आवश्यकता थी इसका अनुवाद यह अनुमान लगाने में मदद के लिए किया जा सकता है कि मनुष्य अपने तालु पर उस रसायन विज्ञान का अनुभव कैसे करते हैं।

दूसरा, हमें अपनी जमीनी सच्चाई के रूप में काम करने के लिए वास्तविक उपभोक्ताओं के एक बड़े, विविध और लगातार बढ़ते समूह की जैविक संवेदी प्राथमिकताओं को लगातार और सटीक रूप से प्राप्त करने, बढ़ाने और ट्रैक करने के लिए एक विधि बनाने की आवश्यकता थी।

वर्तमान विधियाँ संवेदी-आधारित उत्पादों के लिए उपभोक्ता की प्राथमिकता का अनुमान लगाने में विफल क्यों हैं?

जब हमने 2015 में अपना शोध शुरू किया, तो हमारी परिकल्पना थी कि वाइन के स्वाद के बारे में आपको जो कुछ भी जानने की ज़रूरत है, यानी स्वाद, सुगंध, बनावट और रंग - रसायन विज्ञान में मौजूद है। हालाँकि, जो चीज़ गायब थी वह विश्लेषण की अधिक व्यापक पद्धति थी।

इस सीमा को समझाने के लिए, यह समझना महत्वपूर्ण है कि संवेदी-आधारित उत्पादों का रसायन काफी हद तक गुणवत्ता नियंत्रण पर केंद्रित है, यानी, उस मिश्रण में इस विश्लेषण का कितना हिस्सा है? फोकस आम तौर पर सभी विश्लेषणों, उनके सापेक्ष अनुपात, या स्वाद बनाने के लिए मानव तालू पर कैसे संयोजन करते हैं, इसका मूल्यांकन करने पर नहीं है। यह वह अंधा स्थान है जिस पर हमें प्रकाश डालने की आवश्यकता है क्योंकि मानव तालु पर सैकड़ों यौगिकों के बीच गतिशील अंतःक्रियाएं हो रही हैं। एक मानव तालु एक ही समय में स्वाद यौगिकों के "रासायनिक सूप" का अनुभव करता है, मशीन की तरह एक समय में एक यौगिक का नहीं। प्रत्येक उपभोक्ता के अद्वितीय जीव विज्ञान के साथ संयोजन में इन कई यौगिकों के बीच की बातचीत, उस व्यक्ति के लिए रसायन विज्ञान की कौन सी विशेषताएं व्यक्त की जाती हैं, इसके बारे में महत्वपूर्ण संदर्भ प्रदान करती हैं।

जिस हद तक संवेदी को ध्यान में रखा जाता है, सीधे शब्दों में कहें तो, विशिष्ट दृष्टिकोण इस तरह दिखता है:

• सर्वेक्षण के आंकड़ों से पता चलता है कि लोगों को मक्खन पसंद है।
• डायसिटाइल एक यौगिक है जो आमतौर पर मक्खन के स्वाद से जुड़ा होता है।
• यदि हम अधिक डायएसिटाइल के साथ चार्डोनेय बनाते हैं, तो अधिक लोग इसे पसंद करेंगे।

इस दृष्टिकोण के साथ मुख्य समस्याएं.

1. केवल यौगिकों की मात्रा निर्धारित करके स्वाद का अनुमान नहीं लगाया जा सकता है। डायएसिटाइल की दी गई सांद्रता को एक वाइन या विंटेज में मक्खन के रूप में माना जा सकता है, लेकिन दूसरे में नहीं। ऐसा इसलिए है क्योंकि वाइन में सैकड़ों अन्य यौगिक होते हैं, और उनकी सांद्रता और अनुपात के आधार पर, डायएसिटाइल को या तो छुपाया जा सकता है या व्यक्त किया जा सकता है। एक मशीन के विपरीत, मनुष्य एक ही बार में सभी यौगिकों का अनुभव कर रहा है, उनकी इंद्रियाँ प्रत्येक यौगिक का व्यक्तिगत रूप से विश्लेषण नहीं कर रही हैं, इसलिए किसी भी व्यक्ति द्वारा दी गई मात्रा आवश्यक रूप से पूर्वानुमानित नहीं है।

2. मनुष्य स्वादों को अलग-अलग तरह से समझते और संप्रेषित करते हैं। विशेषज्ञों के एक पैनल के बीच भी, आधे विशेषज्ञ किसी चीज़ का स्वाद सेब जैसा बता सकते हैं, और बाकी आधे उसे नाशपाती जैसा बता सकते हैं। और औसत उपभोक्ता तो और भी कम पूर्वानुमानित है। हमारे शोध से, हम यह नहीं मानते हैं कि मानव स्वाद इतना मूर्त है कि इसे एक व्यक्ति से दूसरे व्यक्ति तक भाषा के माध्यम से सटीक रूप से संप्रेषित किया जा सके। हमारे वर्णनकर्ता बहुत अस्पष्ट हैं, और हमारी परिभाषाएँ व्यक्तिगत जीव विज्ञान और सांस्कृतिक अनुभवों के आधार पर भिन्न होती हैं। उदाहरण के लिए, अमेरिका में अधिकांश उपभोक्ता बेंज़लडिहाइड की धारणा को "चेरी" के रूप में वर्णित करते हैं, लेकिन यूरोप में अधिकांश उपभोक्ता इसे "मार्जिपन" के रूप में वर्णित करते हैं... यहां तक ​​कि उसी वाइन में भी।

3. उपभोक्ताओं द्वारा देखे जाने वाले स्वादों का इस बात से कोई संबंध नहीं है कि वे वास्तव में इसे पसंद करते हैं या नहीं। हमारे शोध में यह देखा गया है कि उपभोक्ता वाइन खरीदने का निर्णय इसलिए नहीं लेते क्योंकि इसका स्वाद चेरी जैसा होता है। वे बस यह निर्णय लेते हैं कि उन्हें वाइन पसंद आई, और संभावना है कि वे इसे दोबारा पसंद करेंगे।

उदाहरण: समझ की यह कमी वाइन सेगमेंट के लिए अनोखी नहीं है। हमने दुनिया की कुछ सबसे बड़ी स्वाद और सुगंध कंपनियों के अधिकारियों और शोधकर्ताओं से मुलाकात की है। एक कार्यकारी ने नई लैवेंडर चॉकलेट बनाने की हालिया परियोजना से अपनी निराशा का वर्णन किया। इस कंपनी ने उन उपभोक्ताओं के साथ बैठने और फोकस समूह चलाने में लाखों डॉलर खर्च किए जो विशेष रूप से चॉकलेट पसंद करते थे, लैवेंडर पसंद करते थे और लैवेंडर चॉकलेट पसंद करते थे। अंततः परिणाम यह हुआ कि उत्तरदाताओं ने सहमति व्यक्त की कि यह लैवेंडर चॉकलेट थी, लेकिन वे इस बात से भी सहमत थे कि उन्हें वह विशेष लैवेंडर चॉकलेट पसंद नहीं थी।

इन अंतर्दृष्टियों के परिणामस्वरूप, हमने निष्कर्ष निकाला कि हमें अपने शोध को यह अनुमान लगाने पर ध्यान केंद्रित करना चाहिए कि उपभोक्ताओं को कौन सा रसायन शास्त्र पसंद आया, और किस हद तक, इसके विपरीत कि वे किस स्वाद को समझते हैं।

हमारा दृष्टिकोण कैसे भिन्न है

कचरा आया कचरा गया। जब डेटा गुणवत्ता की बात आती है, तो हमने महसूस किया कि मौजूदा वाणिज्यिक या भीड़-स्रोत डेटा से एक वैध प्रशिक्षण सेट तैयार नहीं किया जा सकता है। हमें अपना खुद का, इन-हाउस बनाना होगा।

पहली चीज़ जिसकी हमें ज़रूरत थी वह एक रसायन विज्ञान पद्धति थी जो एक स्नैपशॉट में वाइन के अस्थिर, गैर-वाष्पशील, घुले हुए ठोस पदार्थों, वर्णक्रमीय डेटा आदि के नाजुक संतुलन पर दृश्यता प्रदान करेगी, ताकि मानव तालु से अधिक संबंधित हो सके।

वर्षों के प्रयोग के परिणामस्वरूप एक ऐसी पद्धति तैयार हुई जो प्रति नमूना 1 मिलियन से अधिक डेटा पॉइंट उत्पन्न करती है। डेटा की इस बारीक और भारी मात्रा को मशीन लर्निंग एल्गोरिदम द्वारा संसाधित किया जाता है, जिसे हमारी डेटा विज्ञान टीम द्वारा अन्योन्याश्रितताओं को डिकोड करने के लिए डिज़ाइन किया गया था, जो विश्लेषणकर्ताओं और विश्लेषकों के समूहों के अनुपात के आधार पर मानवीय धारणा को सूचित करता है।

एक बार जब हमने इस पद्धति की प्रभावकारिता सिद्ध कर ली, तो हमने दुनिया भर में हजारों वाइन के स्वाद मैट्रिक्स का विश्लेषण और डिकोड करना शुरू कर दिया और तब से वाइन की दुनिया का एक व्यापक स्वाद मैट्रिक्स डेटाबेस विकसित किया है।

उपभोक्ता प्राथमिकताओं का रसायन विज्ञान से संबंध

इसके बाद, हमें यह समझना था कि हमारे द्वारा विश्लेषण की गई वाइन को चखने और रेट करने के द्वारा विभिन्न उपभोक्ताओं को कौन सा स्वाद पसंद आया। वर्षों से हमने हजारों उपभोक्ताओं के साथ नियमित डबल-ब्लाइंड टेस्टिंग पैनल चलाए हैं, जिनमें से प्रत्येक ने समय के साथ कई दर्जन या सैकड़ों वाइन का स्वाद चखा है। उत्तरदाताओं में वाइन के नए लोग, विशिष्ट वाइन पीने वाले, विशेषज्ञ, वाइन निर्माता और परिचारक शामिल हैं।

क्राउड-सोर्स्ड सिस्टम आमतौर पर महत्वपूर्ण डेटा को छोड़ देते हैं या अनदेखा कर देते हैं। उदाहरण के लिए, पार्कर पैमाने पर, अधिकांश लोगों को वाइन का स्कोर 80pt के मध्य से नीचे भी नहीं मिलेगा। श्रेणी। लेकिन हमने सीखा है कि उपभोक्ता जो नापसंद करते हैं उसे नापसंद करते हैं, जो उन्हें पसंद है उससे ज्यादा पसंद करते हैं। इसलिए, प्राथमिकता की पूरी तस्वीर होना महत्वपूर्ण है - विशेष रूप से नकारात्मक प्राथमिकताएँ।

हमने वाइन में विभिन्न प्रकार के स्वाद मैट्रिक्स के लिए उपभोक्ताओं की अद्वितीय प्राथमिकताओं को समझने के लिए अपनी नई मशीन लर्निंग का उपयोग किया। समय के साथ, इसने हमें उन वाइन के लिए उनकी प्राथमिकताओं का सटीक अनुमान लगाने की अनुमति दी, जिनका स्वाद उन्हें अभी तक नहीं आया था। इस प्रक्रिया के दौरान, हमने यह भी सीखा कि व्यक्तिगत वाइन, साथ ही व्यक्तिगत प्राथमिकताएँ, उनकी विशिष्टता में लगभग फिंगरप्रिंट जैसी होती हैं। हमने निष्कर्ष निकाला कि, पारंपरिक उद्योग प्रथाओं के विपरीत, उपभोक्ताओं और वाइन को सामान्यीकरण में सटीक रूप से समूहीकृत या सहयोगात्मक रूप से फ़िल्टर नहीं किया जा सकता है।

उदाहरण: दो महिलाएं एक ही भूगोल, संस्कृति, जातीयता, शिक्षा, आय, कार, फोन साझा कर सकती हैं और दोनों किम क्रॉफर्ड सॉविनन ब्लैंक से प्यार करती हैं; लेकिन एक व्यक्ति मॉर्निंग फॉग शारदोन्नय को पसंद कर सकता है और दूसरा उससे नफरत कर सकता है। एकमात्र विश्वसनीय पूर्वानुमानित दृश्यता उनके जैविक तालु पर निर्भर करती है।

इस नवाचार को कैसे बढ़ाया जाए? 

हमने जो बनाया था वह बहुत अच्छा था, लेकिन चखने वाले पैनल महंगे और समय लेने वाले हैं। 248 वर्ष से अधिक आयु के सभी 21 मिलियन अमेरिकियों का वार्षिक चखने वाला पैनल चलाना असंभव होगा, ताकि यह समझा जा सके कि उन्हें कौन सी वाइन पसंद आएगी।

हम एक ऐसा स्केलेबल उपकरण डिजाइन करना चाहते थे जो उपभोक्ता की पसंद का पूर्वानुमान लगाने में समान प्रभावकारिता रखता हो, बिना चखने वाले पैनल में भाग लेने या पहले से चखी गई वाइन के एक बड़े सेट के लिए अपनी पसंद को व्यक्त करने की आवश्यकता के।

हमारा समाधान एआई को सरल खाद्य पदार्थों का चयन करना था जो कि एक वर्गीकरण में वाइन के साथ उनके रसायन विज्ञान के पहलुओं को साझा करते थे। हमारे चखने वाले पैनल में उत्तरदाताओं ने खाद्य पदार्थों और स्वादों के लिए उनकी प्राथमिकताओं के बारे में कई सौ ऐसे सवालों के जवाब दिए जो सीधे तौर पर वाइन से संबंधित नहीं हैं; जैसे, "आप हरी शिमला मिर्च के बारे में कैसा महसूस करते हैं?", या "आप मशरूम के बारे में कैसा महसूस करते हैं?"

इन प्रश्नों का उपयोग टैस्ट्रीएआई द्वारा आमतौर पर वाइन के अंतर्निहित रसायन विज्ञान में पाए जाने वाले यौगिकों के प्रकार और अनुपात के अनुरूप के रूप में किया गया था। मनुष्य के रूप में, हम इन जटिल सहसंबंधों और पैटर्न को समझ या समझ नहीं सकते हैं, लेकिन जैसा कि होता है, इन जटिल रिश्तों को सुलझाना मशीन लर्निंग के लिए एक उत्कृष्ट समस्या है।

इस डेटा के साथ, TastryAI ने सीखा कि खाद्य प्राथमिकता सर्वेक्षण के जवाबों के आधार पर, वाइन के लिए उपभोक्ता की पसंद का अनुमान कैसे लगाया जाए। इसका परिणाम यह हुआ कि किसी उपभोक्ता की वाइन के प्रति उनकी पसंद का अनुमान लगाने के लिए किसी भी वाइन विशिष्ट डेटा की आवश्यकता को खत्म करने की हमारी क्षमता समाप्त हो गई।

उपभोक्ता की पसंद को समझने के लिए हमें कितने डेटा की आवश्यकता है?

हालाँकि हमने सैकड़ों खाद्य वरीयता प्रश्नों से शुरुआत की थी, लेकिन जितने ज़्यादा उत्तर दिए गए, परिणाम उतने ही सटीक रहे। 9-12 के बाद परिणाम कम होते गए। पेरेटो सिद्धांत के अनुसार, सबसे अच्छा प्रदर्शन करने वाले खाद्य वरीयता प्रश्नों ने उपभोक्ता के स्वाद की लगभग 80% समझ प्रदान की।

आज की स्थिति के अनुसार, आम तौर पर रेड वाइन के लिए 10-12 प्रश्नों का सर्वेक्षण होता है, और सफेद, गुलाबी और स्पार्कलिंग वाइन के लिए 10-12 प्रश्नों का सर्वेक्षण होता है।

इसने एक स्केलेबल समाधान की अनुमति दी। चूंकि हमने वर्षों पहले विभिन्न पायलट प्रोजेक्ट लॉन्च किए थे, इसलिए अब ईकॉमर्स साइटों पर कई समान विचित्र दिखने वाली क्विज़ मौजूद हैं। एक उपभोक्ता 30-सेकंड की प्रश्नोत्तरी लेता है कि उसे ब्लैकबेरी या कॉफी पसंद है या नहीं, और उसे वाइन की अनुशंसाओं से पुरस्कृत किया जाता है। अंतर यह है कि वे प्रश्नोत्तरी अधिक से अधिक चखने वाले नोट फिल्टर हैं, अर्थात, यदि आपको ब्लैकबेरी पसंद है तो आप किसी के द्वारा बताई गई गहरे रंग के फल जैसी वाइन पसंद करेंगे, या यदि आपको कॉफी पसंद है तो आप किसी के द्वारा बताई गई वाइन पसंद करेंगे जैसे कि कसैला होना. लेकिन हमने सीखा है कि यदि वे विवरण उस व्यक्ति के स्वाद के लिए सटीक हैं, तो यह है कोई पूर्वानुमानित शक्ति नहींr कि उन्हें वाइन पसंद आएगी या नहीं; लेकिन यह आकर्षक है, उपभोक्ताओं को क्विज़ पसंद है।

टेस्ट्री की सिफ़ारिशें वाइन के स्वाद मैट्रिक्स से जुड़ी हुई हैं। TestryAI कोई चखने वाला नोट फ़िल्टर नहीं है, यह यह नहीं पूछ रहा है कि आपको मशरूम की सुगंध या स्वाद पसंद है या नहीं आपकी शराब में, यह कोशिश कर रहा है अपनी जैविक तालु प्राथमिकताओं के आधार पर उन यौगिकों के अनुपात को समझें जिन्हें आप पसंद करते हैं या नापसंद करते हैं. प्रत्येक प्रश्न अंतर्दृष्टि की कई परतें प्रदान करता है क्योंकि प्रत्येक प्रश्न ओवरलैप होता है और अन्य प्रश्नों से जुड़ता है। तो, मशरूम के बारे में पूछने के बाद, शायद अगला सवाल यह है कि "आप हरी शिमला मिर्च के स्वाद के बारे में कैसा महसूस करते हैं?" एआई को पता चल सकता है कि, उदाहरण के लिए, दिए गए अनुपात में 33 यौगिक आम तौर पर मशरूम की धारणा के लिए जिम्मेदार होते हैं, और 22 यौगिक आमतौर पर हरी बेल मिर्च के स्वाद के लिए जिम्मेदार होते हैं - लेकिन महत्वपूर्ण बात यह है कि उनमें से कुछ यौगिक दोनों में मौजूद हैं। यदि आप कहते हैं कि आपको मशरूम पसंद है, लेकिन हरी शिमला मिर्च से नफरत है, तो एआई आपके बारे में अधिक आश्वस्त है पसंद कुछ यौगिक, आपको अधिक आश्वस्त करते हैं नापसंद अन्य यौगिक, और जो ओवरलैप होते हैं वे संभवतः प्रासंगिक हैं।

तो, आप एक बहुआयामी वेन आरेख की कल्पना कर सकते हैं, जहां एआई अन्य यौगिकों के साथ संयोजन में यह बता रहा है कि आपको कौन सा यौगिक पसंद है या कौन सा नापसंद है।

और इस स्वाद वरीयता सर्वेक्षण और उपभोक्ता प्रतिक्रिया के साथ, हम दुनिया भर से अज्ञात तालु डेटा एकत्र करते हैं। एक ई-कॉमर्स साइट, या बड़ा बॉक्स रिटेलर, ऐप पर टेस्टी क्विज़ लॉन्च कर सकता है, और पूरे अमेरिका में उपभोक्ताओं से कुछ घंटों के भीतर हजारों प्रतिक्रियाएं मिल सकती हैं। हमारे द्वारा प्राप्त किया जाने वाला एकमात्र अन्य डेटा एक ज़िप कोड है। हम बायेसियन रिज की व्युत्पत्ति लागू करने के लिए ज़िप कोड का उपयोग करते हैं, जो हमारे द्वारा एकत्रित और मॉनिटर किए जाने वाले ज्ञात उपभोक्ता तालु के भौगोलिक वितरण और अन्य डेटा को लेता है, और अमेरिका में शेष 200M+ व्यवहार्य उपभोक्ता तालु की भविष्यवाणी करता है। हम इस उन्नत का उपयोग करते हैं सत्य के स्रोत के रूप में डेटासेट, और किसी स्टोर, स्थानीय या क्षेत्रीय स्तर पर बाज़ार में वाइन कैसा प्रदर्शन करेगी, इसकी भविष्यवाणी प्रदान करने के लिए।

टेस्टी वर्चुअल फोकस ग्रुप

वाइन का विश्लेषण करने, उसके स्वाद मैट्रिक्स को डिकोड करने और वास्तविक और आभासी स्वादों के संयोजन के मुकाबले इसकी स्वादिष्टता का मूल्यांकन करने पर, AI वर्तमान में 92.8% सटीक है वाइन के लिए कुल अमेरिकी उपभोक्ता रेटिंग की भविष्यवाणी करने में। दूसरे शब्दों में, एआई +/- 5/1 के भीतर वाइन के लिए औसत 10-स्टार रेटिंग की भविष्यवाणी कर सकता है^th एक तारे का.

एआई को उपभोक्ता प्राथमिकताओं के "वर्चुअल फोकस ग्रुप" के रूप में सोचना सबसे आसान है।

वाइनरी टैस्ट्रीएआई का उपयोग सिमुलेशन चलाने के लिए करती हैं कि उपभोक्ता उनकी वाइन को कैसे देखेंगे, इससे पहले कि वे इसे बनाने में वर्षों और लाखों डॉलर का निवेश करें। थोक विक्रेता उन क्षेत्रों को निर्धारित करने के लिए TastryAI का उपयोग करते हैं जिनमें विभिन्न वाइन सबसे अच्छा प्रदर्शन करेंगे। खुदरा विक्रेता अलमारियों और ऑनलाइन पर अपने वर्गीकरण को अनुकूलित करने के लिए TastryAI का उपयोग करते हैं। और उपभोक्ता TastryAI का उपयोग उस वाइन को खरीदने के जोखिम से बचने के लिए करते हैं जो उन्हें पसंद नहीं है।