विचार नेता
Tastry “कंप्यूटर को स्वाद लेना सिखाता है”
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
टैस्ट्री कैसे नए रसायन विज्ञान और एआई का उपयोग करके उपभोक्ता प्राथमिकताओं की भविष्यवाणी करता है।
शुरू से ही, हम जिस प्रश्न का उत्तर देना चाहते थे वह यह था: “क्या हम संवेदी-आधारित उत्पादों के अद्वितीय स्वाद मैट्रिक्स और उपभोक्ताओं के अद्वितीय जैविक प्राथमिकताओं को डिकोड करके पसंद की सटीक भविष्यवाणी कर सकते हैं?” इसका संक्षिप्त उत्तर है हाँ।
हालांकि, हमारे शोध के शुरुआत में हमने पाया कि मौजूदा रासायनिक विश्लेषण विधियों और मौजूदा उपभोक्ता प्राथमिकता डेटा ने सांख्यिकीय रूप से महत्वहीन संबंध या भविष्यवाणियां प्रदान कीं। हमें पता था कि हमें प्रगति करने के लिए अपना डेटा बनाना होगा।
पहले, हमें एक विश्लेषणात्मक रसायन विज्ञान विधि बनाने की आवश्यकता थी जो रसायन विज्ञान को संभव के रूप में पारदर्शी प्रदान करेगी (जिसमें वोलेटाइल, नॉन-वोलेटाइल, घुलित, स्पेक्ट्रल डेटा आदि शामिल हैं)। हमें स्वाद मैट्रिक्स को इस तरह से डिकोड करने की भी आवश्यकता थी जो मानव के स्वाद के लिए अनुवादित हो सके।
दूसरा, हमें एक विधि बनाने की आवश्यकता थी जो लगातार और सटीक रूप से जैविक संवेदी प्राथमिकताओं को प्राप्त, बढ़ावा दे और एक बड़े, विविध और बढ़ते उपभोक्ता समूह के लिए ट्रैक करे जो हमारे मूल सत्य के रूप में काम करेगा।
वर्तमान विधियां संवेदी-आधारित उत्पादों के लिए उपभोक्ता प्राथमिकता की भविष्यवाणी करने में विफल क्यों होती हैं
जब हमने 2015 में अपने शोध की शुरुआत की, तो हमारे पास यह अनुमान था कि शराब के स्वाद के बारे में जानने के लिए आवश्यक सभी जानकारी रसायन विज्ञान में मौजूद है, अर्थात् स्वाद, सुगंध, बनावट और रंग। हालांकि, एक अधिक व्यापक विश्लेषण विधि की कमी थी।
इस सीमा को समझाने के लिए, यह महत्वपूर्ण है कि संवेदी-आधारित उत्पादों के रसायन विज्ञान मुख्य रूप से गुणवत्ता नियंत्रण पर केंद्रित है, अर्थात् मिश्रण में इस विश्लेषक की कितनी मात्रा है? ध्यान आमतौर पर सभी विश्लेषकों, उनके सापेक्ष अनुपात या मानव स्वाद के लिए संयोजन का मूल्यांकन करने पर नहीं है। यह वह अंधा धब्बा है जिसे हमें रोशन करने की आवश्यकता थी क्योंकि सैकड़ों यौगिकों के बीच जटिल परस्पर क्रियाएं होती हैं। मानव स्वाद एक “रासायनिक सूप” का अनुभव करता है जिसमें स्वाद यौगिक एक ही समय में होते हैं, न कि एक मशीन की तरह एक-एक करके। ये परस्पर क्रियाएं और प्रत्येक उपभोक्ता की अद्वितीय जीव विज्ञान महत्वपूर्ण संदर्भ प्रदान करती हैं कि रसायन विज्ञान की कौन सी विशेषताएं उस व्यक्ति के लिए व्यक्त की जाती हैं।
जहां तक संवेदी को ध्यान में रखा जाता है, यह आमतौर पर इस तरह दिखता है:
- सर्वेक्षण डेटा दिखाता है कि लोग मक्खन पसंद करते हैं।
- डायसेटाइल एक यौगिक है जो आमतौर पर मक्खन के स्वाद से जुड़ा होता है।
- यदि हम एक चार्डोने बनाते हैं जिसमें अधिक डायसेटाइल है, तो अधिक लोग इसे पसंद करेंगे।
इस दृष्टिकोण के साथ मुख्य समस्याएं।
- स्वाद को केवल यौगिकों की मात्रा से नहीं भविष्यवाणी की जा सकती है। एक निश्चित सांद्रता डायसेटाइल एक शराब में मक्खन की तरह माना जा सकता है, लेकिन दूसरे में नहीं। यह इसलिए है क्योंकि शराब में सैकड़ों अन्य यौगिक होते हैं, और उनकी सांद्रता और अनुपात के आधार पर, डायसेटाइल या तो मास्क किया जा सकता है या व्यक्त किया जा सकता है। एक मशीन के विपरीत, मानव एक ही समय में सभी यौगिकों का अनुभव कर रहे हैं, उनकी इंद्रियां प्रत्येक यौगिक का विश्लेषण व्यक्तिगत रूप से नहीं कर रही हैं, इसलिए कोई भी दिया गया मात्रा आवश्यक रूप से भविष्यवाणी नहीं है।
- मानव स्वाद और संवाद करने के तरीके अलग-अलग होते हैं। यहां तक कि विशेषज्ञों के एक पैनल में, आधे विशेषज्ञ कुछ को मक्खन की तरह स्वाद लेने का वर्णन कर सकते हैं, और दूसरे आधे इसे नाशपाती की तरह वर्णित कर सकते हैं। और औसत उपभोक्ता और भी कम अनुमानित है। हमारे शोध से, हम मानते हैं कि मानव स्वाद पर्याप्त रूप से स्पष्ट नहीं है कि इसे केवल भाषा के माध्यम से एक व्यक्ति से दूसरे व्यक्ति तक सटीक रूप से संवादित किया जा सके। हमारे विवरण बहुत अस्पष्ट हैं, और हमारे परिभाषाएं व्यक्तिगत जीव विज्ञान और सांस्कृतिक अनुभवों के आधार पर भिन्न होती हैं। उदाहरण के लिए, संयुक्त राज्य अमेरिका में अधिकांश उपभोक्ता बेंजाल्डिहाइड की धारणा को “चेरी” के रूप में वर्णित करते हैं, लेकिन अधिकांश यूरोपीय उपभोक्ता इसे “मार्जिपन” के रूप में वर्णित करते हैं … यहां तक कि एक ही शराब में।
- उपभोक्ता जो स्वाद वे महसूस करते हैं उसका कोई संबंध नहीं है कि वे वास्तव में इसे पसंद करते हैं या नहीं। हमारे शोध में, यह देखा गया है कि उपभोक्ता शराब खरीदने का निर्णय लेते हैं क्योंकि यह चेरी की तरह स्वाद लेती है। वे बस यह निर्णय लेते हैं कि उन्हें शराब पसंद है, और वे इसे फिर से पसंद करने की संभावना रखते हैं।
उदाहरण: यह समझ की कमी शराब खंड तक ही सीमित नहीं है। हमने दुनिया की कुछ सबसे बड़ी स्वाद और सुगंध कंपनियों के कार्यकारी और शोधकर्ताओं से मुलाकात की है। एक कार्यकारी ने हाल ही में एक नए लैवेंडर चॉकलेट बनाने के लिए एक परियोजना पर अपनी निराशा का वर्णन किया। इस कंपनी ने लाखों डॉलर खर्च किए और उपभोक्ताओं के साथ फोकस समूह चलाए जो विशेष रूप से चॉकलेट, लैवेंडर और लैवेंडर चॉकलेट से प्यार करते थे। अंततः, परिणाम यह था कि प्रतिक्रियादाताओं ने सहमति व्यक्त की कि यह लैवेंडर चॉकलेट था, लेकिन उन्होंने यह भी सहमति व्यक्त की कि वे विशेष रूप से इस लैवेंडर चॉकलेट को पसंद नहीं करते थे।
इन अंतर्दृष्टि के परिणामस्वरूप, हमने निष्कर्ष निकाला कि हमें रसायन विज्ञान मैट्रिक्स पर ध्यान केंद्रित करना चाहिए जो उपभोक्ता पसंद करते हैं, और किस हद तक, इसके बजाय जो स्वाद वे महसूस करते हैं।
हमारा दृष्टिकोण कैसे अलग है
कचरा-इन, कचरा-आउट। डेटा गुणवत्ता के संदर्भ में, हमने महसस किया कि एक वैध प्रशिक्षण सेट को मौजूदा व्यावसायिक या भीड़-स्रोत डेटा से उत्पन्न नहीं किया जा सकता था। हमें अपना खुद का बनाना था, घर में।
सबसे पहले हमें जो चाहिए था वह एक रसायन विज्ञान विधि थी जो मानव स्वाद के लिए अधिक संबंधित होने के लिए एक शराब के अस्थिर, गैर-वोलेटाइल, घुलित ठोस, स्पेक्ट्रल डेटा आदि के नाजुक संतुलन को एक स्नैपशॉट में दिखा सके।
वर्षों के प्रयोग के परिणामस्वरूप एक विधि विकसित हुई जो प्रति नमूने में 1 मिलियन से अधिक डेटा बिंदु उत्पन्न करती है। इस विस्तृत और अभिभूत करने वाले डेटा को तब हमारी डेटा विज्ञान टीम द्वारा डिज़ाइन किए गए मशीन लर्निंग अल्गोरिदम द्वारा संसाधित किया जाता है जो मानव धारणा को सूचित करने वाले विश्लेषकों और विश्लेषक समूहों के अनुपात के बीच परस्पर निर्भरता को डिकोड करने के लिए डिज़ाइन किए गए थे।
एक बार जब हमने इस विधि की प्रभावशीलता साबित कर दी, तो हमने दुनिया भर की कई हज़ार शराबों के स्वाद मैट्रिक्स का विश्लेषण और डिकोडिंग शुरू किया और अब हमारे पास शराब की दुनिया का एक व्यापक स्वाद मैट्रिक्स डेटाबेस है।
उपभोक्ता प्राथमिकताओं को रसायन विज्ञान से संबंधित करना
इसके बाद, हमें यह जानने की जरूरत थी कि विभिन्न उपभोक्ता कौन से स्वाद मैट्रिक्स पसंद करते हैं, जिसमें उन्हें हमने विश्लेषण की हुई शराब का स्वाद लेने और रेटिंग देने के लिए कहा। वर्षों से, हमने नियमित रूप से दो-अंधे स्वाद पैनल चलाए हैं जिसमें हज़ारों उपभोक्ता शामिल हैं, प्रत्येक ने समय के साथ कई दर्जन या सैकड़ों शराब का स्वाद लिया है। प्रतिक्रियादाताओं में शराब के नए लोग, सामान्य शराब पीने वाले, विशेषज्ञ, शराब निर्माता और सोमेलियर शामिल हैं।
भीड़-स्रोत प्रणाली आमतौर पर महत्वपूर्ण डेटा को या तो याद करती है या अनदेखा करती है। उदाहरण के लिए, पार्कर स्केल पर, अधिकांश लोग शराब को 80pt के मध्य से नीचे रेट नहीं करेंगे। लेकिन हमने सीखा है कि उपभोक्ता जो कुछ पसंद नहीं करते हैं उसे पसंद करने से ज्यादा नापसंद करते हैं। इसलिए, पूरी तस्वीर पाने के लिए नकारात्मक प्राथमिकताओं सहित प्राथमिकता का पूरा चित्र होना महत्वपूर्ण है।
हमने अपने नए मशीन लर्निंग का उपयोग उपभोक्ताओं की विभिन्न प्रकार के स्वाद मैट्रिक्स के लिए अद्वितीय प्राथमिकताओं को समझने के लिए किया। समय के साथ, यह हमें सटीक रूप से उनकी प्राथमिकताओं की भविष्यवाणी करने की अनुमति दी जो उन्होंने अभी तक स्वाद नहीं लिया था। इस प्रक्रिया के दौरान, हमने यह भी सीखा कि व्यक्तिगत शराब, साथ ही व्यक्तिगत प्राथमिकताएं, लगभग फिंगरप्रिंट की तरह अद्वितीय हैं। हमने निष्कर्ष निकाला कि उद्योग की सामान्य प्रथाओं के विपरीत, उपभोक्ता और शराब को सामान्यीकरण में सटीक रूप से समूहीकृत या सहयोगी फिल्टर नहीं किया जा सकता है।
उदाहरण: दो महिलाएं एक ही भूगोल, संस्कृति, जातीयता, शिक्षा, आय, कार, फोन को साझा कर सकती हैं और दोनों किम क्रॉफोर्ड सॉविनन ब्लांक पसंद कर सकती हैं; लेकिन एक मॉर्निंग फॉग चार्डोने से प्यार कर सकती है और दूसरी इसे नापसंद कर सकती है। एकमात्र विश्वसनीय भविष्यवाणी दृष्टि उनके जैविक स्वाद के साथ रहती है।
इस नवाचार को कैसे बढ़ाया जाए?
हमने जो बनाया था वह बहुत अच्छा था, लेकिन स्वाद पैनल महंगे और समय लेने वाले होते हैं। यह असंभव होगा कि 21 वर्ष से अधिक आयु के 248 मिलियन अमेरिकियों के लिए वार्षिक स्वाद पैनल चलाने के लिए जो देखने के लिए कि वे कौन सी शराब पसंद करेंगे।
हम एक विस्तार योग्य उपकरण डिज़ाइन करना चाहते थे जो उपभोक्ता की प्राथमिकताओं की भविष्यवाणी करने में同 efficacy हो, बिना स्वाद पैनल में भाग लेने या पहले से स्वाद ली गई एक बड़ी सेट của शराब के लिए अपनी प्राथमिकताओं को व्यक्त करने की आवश्यकता के।
हमारा समाधान यह था कि एआई को सरल खाद्य पदार्थों का चयन करने के लिए जो शराब के संग्रह में उनके रसायन विज्ञान के पहलुओं को साझा करते हैं। हमारे स्वाद पैनल में प्रतिक्रियादाताओं ने सैकड़ों ऐसे प्रश्नों का उत्तर दिया जो शराब से सीधे संबंधित नहीं थे, जैसे कि “आपको हरी मिर्च कैसी लगती है?” या “आपको मशरूम कैसे लगते हैं?”
इन प्रश्नों का उपयोग टैस्ट्रीएआई द्वारा शराब के अंतर्निहित रसायन विज्ञान में सामान्यतः पाए जाने वाले यौगिकों और उनके अनुपात के रूप में किया गया था। मानव के रूप में, हम इन जटिल संबंधों और पैटर्न को समझ नहीं सकते हैं, लेकिन यह मशीन लर्निंग के लिए एक उत्कृष्ट समस्या है।
इस डेटा के साथ, टैस्ट्रीएआई ने खाद्य प्राथमिकता सर्वेक्षण के उत्तरों के आधार पर शराब के लिए उपभोक्ता की प्राथमिकता की भविष्यवाणी करना सीखा। जो परिणाम हुआ वह हमारी क्षमता थी जो उपभोक्ता से शराब-विशिष्ट डेटा की आवश्यकता को समाप्त करती है।
उपभोक्ता प्राथमिकता को समझने के लिए हमें कितना डेटा चाहिए?
हालांकि हमने सैकड़ों खाद्य प्राथमिकता प्रश्नों से शुरुआत की, जितने अधिक उत्तर दिए जाते हैं, उतनी ही सटीक परिणाम होते हैं, लेकिन 9-12 के बाद परिणामों में कमी आती है। पारेटो सिद्धांत के साथ, सर्वश्रेष्ठ प्रदर्शन करने वाले खाद्य प्राथमिकता प्रश्नों ने उपभोक्ता के स्वाद की लगभग 80% समझ प्रदान की।
आज तक, आमतौर पर लाल शराब के लिए 10-12 प्रश्नों का एक सर्वेक्षण होता है, और एक और 10-12 प्रश्नों का सर्वेक्षण सफेद, रोज़े और स्पार्कलिंग शराब के लिए होता है।
इसने एक विस्तार योग्य समाधान की अनुमति दी। चूंकि हमने वर्षों पहले विभिन्न पायलट में लॉन्च किया था, अब ई-कॉमर्स साइटों पर कई समान दिखने वाले क्विज़ हैं। एक उपभोक्ता 30 सेकंड का क्विज़ लेता है कि क्या उन्हें ब्लैकबेरी या कॉफी पसंद है, और उन्हें शराब की सिफारिशें मिलती हैं। अंतर यह है कि वे क्विज़ अधिक से अधिक स्वाद नोट फिल्टर हैं, अर्थात् यदि आपको ब्लैकबेरी पसंद है तो आप एक शराब पसंद करेंगे जिसे किसी ने गहरे फल की तरह वर्णित किया है, या यदि आपको कॉफी पसंद है तो आप एक शराब पसंद करेंगे जिसे किसी ने तंग किया है। लेकिन हमने सीखा है कि यदि वे विवरण उस व्यक्ति के स्वाद के लिए सटीक हैं, तो इसका कोई भविष्यवाणी शक्ति नहीं है कि क्या वे शराब पसंद करेंगे; लेकिन यह आकर्षक है, उपभोक्ता क्विज़ पसंद करते हैं।
टैस्ट्री की सिफारिशें शराब के स्वाद मैट्रिक्स से जुड़ी हुई हैं। टैस्ट्रीएआई एक स्वाद नोट फिल्टर नहीं है, यह आपको शराब में मशरूम की गंध या स्वाद के बारे में नहीं पूछ रहा है, यह आपके जैविक स्वाद के आधार पर आपको जो यौगिक पसंद हैं या नापसंद हैं उनके अनुपात को समझने की कोशिश कर रहा है। प्रत्येक प्रश्न कई परतों की अंतर्दृष्टि प्रदान करता है क्योंकि प्रत्येक प्रश्न दूसरे प्रश्न में ओवरलैप होता है और खिलाता है। तो शायद मशरूम के बारे में पूछने के बाद, अगला प्रश्न यह हो सकता है “आपको हरी मिर्च का स्वाद कैसा लगता है?” एआई जानता है कि एक निश्चित अनुपात में 33 यौगिक हैं जो आमतौर पर मशरूम की धारणा के लिए जिम्मेदार होते हैं, और 22 यौगिक जो हरी मिर्च के स्वाद के लिए जिम्मेदार होते हैं – लेकिन महत्वपूर्ण बात यह है कि उनमें से कुछ यौगिक दोनों में मौजूद हैं। यदि आप मशरूम से प्यार करते हैं लेकिन हरी मिर्च से नफरत करते हैं, तो एआई अधिक आत्मविश्वास से जानता है कि आप कुछ यौगिकों को पसंद करते हैं, अधिक आत्मविश्वास से जानता है कि आप दूसरों से नफरत करते हैं, और जो ओवरलैप होते हैं वे संदर्भ हैं।
तो आप एक बहु-आयामी वेन आरेख की कल्पना कर सकते हैं जहां एआई यह पता लगाने की कोशिश कर रहा है कि आप कौन से यौगिक पसंद करते हैं या नापसंद करते हैं जब वे अन्य यौगिकों के साथ संयोजन में होते हैं।
और इस स्वाद प्राथमिकता सर्वेक्षण के साथ, और उपभोक्ता प्रतिक्रिया के साथ, हम दुनिया भर से गुमनाम पैलेट डेटा एकत्र करते हैं। एक ई-कॉमर्स साइट, या बड़े बॉक्स रिटेलर, टैस्ट्री क्विज़ को अपने ऐप पर लॉन्च कर सकता है, और घंटों के भीतर अमेरिका भर के उपभोक्ताओं से हज़ारों प्रतिक्रियाएं प्राप्त कर सकता है। हम जो एकमात्र अन्य डेटा प्राप्त करते हैं वह एक ज़िप कोड है। हम ज़िप कोड का उपयोग एक बेयेसियन रिज के एक व्युत्पन्न को लागू करने के लिए करते हैं, जो उपभोक्ता पैलेट के ज्ञात भौगोलिक वितरण को इकट्ठा करता है और अन्य डेटा को भविष्यवाणी करता है, और 200 मिलियन से अधिक व्यवहार्य उपभोक्ता पैलेट की भविष्यवाणी करता है। हम इस बढ़ाया डेटासेट का उपयोग स्रोत के रूप में सच्चाई के रूप में करते हैं, और स्टोर, स्थानीय, या क्षेत्रीय स्तर पर बाजार में शराब के प्रदर्शन की भविष्यवाणी करने के लिए करते हैं।
टैस्ट्री वर्चुअल फोकस ग्रुप
एक शराब का विश्लेषण करने, इसके स्वाद मैट्रिक्स को डिकोड करने और वास्तविक और आभासी पैलेट के संयोजन के खिलाफ इसकी स्वाद्यता का मूल्यांकन करने के बाद, एआई वर्तमान में 92.8% सटीक है अमेरिकी उपभोक्ता रेटिंग की भविष्यवाणी करने में शराब के लिए। दूसरे शब्दों में, एआई शराब के लिए औसत 5-स्टार रेटिंग की भविष्यवाणी कर सकता है जो +/- 1/10 वें स्टार के भीतर है।
यह एआई को एक “वर्चुअल फोकस ग्रुप” के रूप में सोचना सबसे आसान है जो उपभोक्ता प्राथमिकताओं को दर्शाता है।
वाइनरी टैस्ट्रीएआई का उपयोग यह जानने के लिए करती है कि उपभोक्ता उनकी शराब को कैसे महसूस करेंगे, यहां तक कि वे इसे बनाने में वर्षों और लाखों डॉलर का निवेश करने से पहले। वितरक टैस्ट्रीएआई का उपयोग यह निर्धारित करने के लिए करते हैं कि विभिन्न शराब विभिन्न क्षेत्रों में सबसे अच्छा प्रदर्शन करेंगे। खुदरा विक्रेता टैस्ट्रीएआई का उपयोग अपने अलमारियों और ऑनलाइन पर अपने चयन को अनुकूलित करने के लिए करते हैं। और उपभोक्ता टैस्ट्रीएआई का उपयोग एक शराब खरीदने के जोखिम से बचने के लिए करते हैं जो वे पसंद नहीं करेंगे।
