Tastry “कंप्यूटर को स्वाद कैसे सिखाया”

कैसे Tastry ने नए रसायन विज्ञान और AI का उपयोग करके उपभोक्ता प्राथमिकताओं की भविष्यवाणी की।

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 की अद्वितीय जैविक प्राथमिकताओं को डिकोड कर सकते हैं और पसंद की सटीक भविष्यवाणी कर सकते हैं?” छोटा उत्तर है हाँ।

हालांकि, हमारे शोध की शुरुआत में, हमने पाया कि मौजूदा रासायनिक विश्लेषण विधियों और मौजूदा उपभोक्ता प्राथमिकता डेटा ने आंकड़ों रूप से महत्वहीन संबंध या भविष्यवाणियां प्रदान कीं। हमें पता था कि हमें प्रगति करने के लिए अपना डेटा बनाना होगा।

सबसे 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 डिकोड करने के लिए एक तरीका भी बनाने की आवश्यकता थी जो मानवों को अपने स्वाद पर अनुभव करने में मदद कर सके।

दूसरा, हमें एक विधि बनाने की आवश्यकता थी जो एक बड़े, विविध और बढ़ते उपभोक्ता समूह की जैविक संवेदी प्राथमिकताओं को लगातार और सटीक रूप से प्राप्त करने, बढ़ाने और ट्रैक करने के लिए हमारे मूल सत्य के रूप में कार्य करेगी।

वर्तमान विधियों को संवेदी आधारित उत्पादों के लिए उपभोक्ता प्राथमिकता की भविष्यवाणी करने में विफल क्यों हैं

जब हमने 2015 में अपने शोध की शुरुआत की, तो हमारे पास यह अनुमान था कि शराब के स्वाद के बारे में जो कुछ भी जानने योग्य है, वह रसायन विज्ञान में मौजूद है। हालांकि, जो चीज गायब थी वह एक अधिक व्यापक विश्लेषण विधि 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 यह मिश्रण में कितना है? ध्यान आमतौर पर सभी विश्लेषकों, उनके सापेक्ष अनुपात, या वे मानव स्वाद पर कैसे मिलकर स्वाद बनाते हैं, का मूल्यांकन करने के लिए नहीं है। यह हमें रोशन करने के लिए एक अंधा धब्बा है क्योंकि सैकड़ों यौगिकों के बीच मानव स्वाद पर गतिशील परस्पर क्रिया होती है। एक मानव स्वाद एक “रासायनिक सूप” का अनुभव करता है जिसमें स्वाद यौगिक एक ही समय में होते हैं, एक मशीन की तरह एक-एक करके नहीं। इन कई यौगिकों के बीच परस्पर क्रियाएं और प्रत्येक उपभोक्ता की अद्वितीय जीव विज्ञान, यह 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 प्रकार होता 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 डायसेटाइल के साथ एक चार्डोने बनाते हैं, तो अधिक लोग इसे पसंद करेंगे।

इस दृष्टिकोण के साथ मूल समस्याएं।

1. स्वाद को केवल यौगिकों की मात्रा से भविष्यवाणी नहीं की जा सकती। एक निश्चित सांद्रता डायसेटाइल एक शराब में मक्खन की तरह स्वाद ले सकती 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 व्यक्तिगत रूप से प्रत्येक यौगिक का विश्लेषण नहीं कर रही हैं, इसलिए किसी भी व्यक्तिगत दी गई मात्रा का अनुमान आवश्यक रूप से भविष्यवाणी नहीं है।

2. मानव स्वाद और संवाद करने के तरीके अलग-अलग होते हैं। यहां तक कि विशेषज्ञों के एक पैनल में, आधे विशेषज्ञ कुछ को सेब के स्वाद के रूप में वर्णित कर सकते हैं, और दूसरे आधे ने इसे नाशपाती के रूप में वर्णित किया होगा। और औसत उपभोक्ता और भी कम अनुमानित है। हमारे शोध से, हम मानते हैं कि मानव स्वाद पर्याप्त रूप से स्थिर नहीं है कि इसे केवल भाषा के माध्यम से एक व्यक्ति से दूसरे व्यक्ति को 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।

3. उपभोक्ता जो स्वाद वे महसूस करते हैं उसमें कोई संबंध नहीं है कि वे वास्तव में इसे पसंद करते हैं या नहीं। हमारे शोध में, यह पाया गया है कि उपभोक्ता शराब खरीदने का फैसला नहीं करते 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 समझने 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 के साथ अपनी निराशा का वर्णन किया। इस कंपनी ने उपभोक्ताओं के साथ फोकस समूह बैठने और चलाने में लाखों डॉलर खर्च किए 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 उन्हें विशेष रूप से यह लैवेंडर चॉकलेट पसंद नहीं थी।

इन अंतर्दृष्टि के परिणामस्वरूप, हमने निष्कर्ष निकाला कि हमें अपने शोध पर ध्यान केंद्रित करना चाहिए कि कौन से रसायन मैट्रिक्स 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। जब यह डेटा गुणवत्ता की बात आती है, तो हमने महसूस किया कि एक वैध प्रशिक्षण सेट को मौजूदा व्यावसायिक या भीड़-स्रोत डेटा से उत्पन्न नहीं किया जा सकता है। हमें अपना खुद का बनाना होगा, घर में।

सबसे पहले, हमें एक रसायन विज्ञान विधि की आवश्यकता थी जो वोलेटाइल, नॉन-वोलेटाइल, घुलित ठोस, स्पेक्ट्रल डेटा आदि के साथ शराब के नाजुक संतुलन पर दृष्टि प्रदान करेगी, जो मानव स्वाद के लिए अधिक संबंधित होगी।

वर्षों के प्रयोग के परिणामस्वरूप एक विधि विकसित हुई जो प्रति नमूने में 1 मिलियन से अधिक डेटा बिंदु उत्पन्न करती है। यह विस्तृत और अभिभूत करने वाला डेटा फिर हमारी डेटा विज्ञान टीम द्वारा डिज़ाइन किए गए मशीन लर्निंग एल्गोरिदम द्वारा संसाधित किया जाता है जो मानव धारणा को डिकोड करने के लिए विश्लेषकों और विश्लेषक समूहों के अनुपात के बीच अंतर्निर्भरता को डिकोड करने के लिए डिज़ाइन किया गया है।

एक बार जब हमने इस विधि की प्रभावशीलता साबित कर दी, तो हमने दुनिया भर की कई हजारों शराबों के स्वाद मैट्रिक्स का विश्लेषण और डिकोडिंग शुरू की और शराब की दुनिया का एक व्यापक स्वाद मैट्रिक्स डेटाबेस विकसित किया है।

उपभोक्ता प्राथमिकताओं को रसायन विज्ञान से संबंधित करना

इसके बाद, हमें यह समझने की आवश्यकता थी कि विभिन्न उपभोक्ता कौन से स्वाद मैट्रिक्स पसंद करते हैं और हमने जिस शराब का विश्लेषण किया था उसे स्वाद लेने और रेटिंग करने के लिए। वर्षों से, हमने नियमित रूप से दो-अंधे स्वाद पैनल चलाए हैं जिसमें हजारों 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, वाइनमेकर और सोमेलiers शामिल हैं।

भीड़-स्रोत प्रणाली आमतौर पर महत्वपूर्ण डेटा को याद करती है या अनदेखा करती है। उदाहरण के लिए, पार्कर स्केल पर, अधिकांश लोग शराब को 80pt के मध्य से नीचे स्कोर नहीं देंगे। लेकिन हमने सीखा है कि उपभोक्ता जो कुछ नापसंद करते हैं उसे वे जो पसंद करते हैं उससे ज्यादा नापसंद करते हैं। इसलिए, प्राथमिकता का पूरा चित्र प्राप्त करना महत्वपूर्ण है – विशेष रूप से नकारात्मक प्राथमिकताएं।

हमने उपभोक्ताओं की विभिन्न प्रकार के स्वाद मैट्रिक्स के लिए अद्वितीय प्राथमिकताओं को समझने के लिए अपने नए मशीन लर्निंग का उपयोग किया। समय के साथ, यह हमें उनकी प्राथमिकताओं की सटीक 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 जैसी हैं जो उनकी अनोखी हैं। हमने निष्कर्ष निकाला कि उपभोक्ता और शराब को सामान्यीकरण में समूहित या सहयोगी रूप से फिल्टर नहीं किया जा सकता है, जो कि सामान्य उद्योग अभ्यास के विपरीत है।

उदाहरण: दो महिलाएं एक ही भूगोल, संस्कृति, जातीयता, शिक्षा, आय, कार, फोन साझा कर सकती हैं; लेकिन एक को मॉर्निंग फॉग चार्डोने पसंद हो सकती है और दूसरी नफरत कर सकती है। विश्वसनीय भविष्यवाणी दृष्टिकोण केवल उनके जैविक स्वाद के साथ ही रहता है।

इस नवाचार को कैसे स्केल करना है?

हमने जो बनाया था वह 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 एक वार्षिक स्वाद पैनल चलाया जाए ताकि यह जाना जा सके कि वे कौन सी शराब पसंद करेंगे।

हम एक स्केलेबल टूल डिज़ाइन करना चाहते थे जो उपभोक्ता की प्राथमिकताओं की भविष्यवाणी करने में समान प्रभावशीलता रखता है, बिना स्वाद पैनल में भाग लेने या पहले से स्वाद ली गई शराब के लिए अपनी प्राथमिकताओं को व्यक्त करने की आवश्यकता के।

हमारा समाधान यह था कि एआई को सरल खाद्य पदार्थों का चयन करना होगा जो शराब के असortment में रसायन विज्ञान के कुछ पहलुओं को साझा करते हैं। प्रतिक्रियादाताओं ने हमारे स्वाद पैनल में कई सौ ऐसे प्रश्नों के उत्तर दिए जो सीधे तौर पर शराब से संबंधित नहीं थे; जैसे कि, “आप हरी मिर्च के बारे में कैसा महसूस करते हैं?”, या “आप मशरूम के बारे में कैसा महसूस करते हैं?”

इन प्रश्नों का उपयोग TastryAI 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 समझने या डिकोड करने में असमर्थ हैं, लेकिन यह मशीन लर्निंग के लिए एक उत्कृष्ट समस्या है जिसे हल करने के लिए।

इस डेटा के साथ, TastryAI ने उपभोक्ता की शराब के लिए प्राथमिकता की भविष्यवाणी करना सीखा जो खाद्य प्राथमिकता सर्वेक्षण के उत्तरों पर आधारित थी। जो परिणाम हुआ वह हमारी क्षमता थी कि उपभोक्ता से शराब-विशिष्ट डेटा की आवश्यकता को समाप्त करने के लिए।

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, उतने ही अधिक सटीक परिणाम होते हैं, लेकिन 9-12 के बाद परिणामों में कमी आती है। पारेटो सिद्धांत के काम करने से, सर्वोत्तम प्रदर्शन करने वाले खाद्य प्राथमिकता प्रश्नों ने उपभोक्ता के स्वाद के बारे में लगभग 80% समझ प्रदान की।

आज तक, आमतौर पर लाल शराब के लिए 10-12 प्रश्नों का सर्वेक्षण होता है, और सफेद, रोज़ और स्पार्कलिंग शराब के लिए एक और 10-12 प्रश्नों का सर्वेक्षण होता है।

यह एक स्केलेबल समाधान की अनुमति देता है। चूंकि हमने वर्षों पहले विभिन्न पायलटों में लॉन्च किया था, अब ईकॉमर्स साइटों पर कई ऐसे क्विज़ हैं जो उपभोक्ता को 30 सेकंड के क्विज़ में काले जामुन या कॉफी के बारे में पसंद या नापसंद के बारे में पूछते हैं और उन्हें शराब की सिफारिशें प्रदान करते हैं। अंतर यह है कि वे क्विज़ सबसे अधिक स्वाद नोट फिल्टर हैं, अर्थात् यदि आप काले जामुन पसंद करते हैं तो आप एक शराब पसंद करेंगे जो किसी के द्वारा गहरे फल के रूप में वर्णित की जाती है, या यदि आप कॉफी पसंद करते हैं तो आप एक शराब पसंद करेंगे जो किसी के द्वारा तंग के रूप में वर्णित की जाती है; लेकिन हमने सीखा है कि यदि वे विवरण उस व्यक्ति के स्वाद के लिए सटीक हैं, तो इसका शराब की भविष्यवाणी करने की कोई शक्ति नहीं है कि वे इसे पसंद करेंगे या नहीं; लेकिन यह आकर्षक है, उपभोक्ता क्विज़ पसंद करते हैं।

Tastry की सिफारिशें शराब के स्वाद मैट्रिक्स से जुड़ी हुई हैं। TastryAI एक स्वाद नोट फिल्टर नहीं है, यह आपको अपने शराब में मशरूम या स्वाद की गंध के बारे में नहीं पूछ रहा है; यह आपके जैविक स्वाद प्राथमिकताओं के आधार पर यौगिकों के अनुपात को समझने की कोशिश कर रहा है जो आप पसंद करते हैं या नापसंद करते हैं। प्रत्येक प्रश्न में कई परतों का अंतर्दृष्टि प्रदान करता है क्योंकि प्रत्येक प्रश्न दूसरे प्रश्न में ओवरलैप होता है और खिलाता है। तो मशरूम के बारे में पूछने के बाद, अगला प्रश्न हो सकता है “आप हरी मिर्च के स्वाद के बारे में कैसा महसूस करते हैं?” एआई को पता हो सकता है कि एक निश्चित अनुपात में 33 यौगिक हैं जो आमतौर पर मशरूम की धारणा के लिए जिम्मेदार होते हैं, और 22 यौगिक जो आमतौर पर हरी मिर्च के स्वाद के लिए जिम्मेदार होते हैं – लेकिन महत्वपूर्ण बात यह है कि इनमें से कुछ यौगिक दोनों में मौजूद हैं। यदि आप कहते हैं कि आप मशरूम से प्यार करते हैं, लेकिन हरी मिर्च से नफरत करते हैं, तो एआई अधिक आत्मविश्वास से कहता है कि आप कुछ यौगिकों को पसंद करते हैं, अधिक आत्मविश्वास से कहते हैं कि आप दूसरों से नफरत करते हैं, और जो ओवरलैप होते हैं वे संदर्भिक होते हैं।

तो आप एक बहु-आयामी वेन डायग्राम की कल्पना कर सकते हैं, जहां एआई जटिल संबंधों को समझने की कोशिश कर रहा है जो आपको यौगिकों के संयोजन में पसंद या नापसंद करते हैं।

और इस स्वाद प्राथमिकता सर्वेक्षण के साथ, और उपभोक्ता प्रतिक्रिया के साथ, हम दुनिया भर से गुमनाम पैलेट डेटा एकत्र करते हैं। एक ईकॉमर्स साइट, या बड़े बॉक्स रिटेलर, टैस्ट्री क्विज़ को अपने ऐप पर लॉन्च कर सकता है और अमेरिका भर के उपभोक्ताओं से कुछ ही घंटों के भीतर हजारों 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 हमारे द्वारा एकत्र किए गए ज्ञात उपभोक्ता पैलेट के भौगोलिक वितरण और अन्य डेटा को लेता है और 200 मिलियन से अधिक व्यवहार्य उपभोक्ता पैलेट की भविष्यवाणी करता है। हम इस बढ़े हुए डेटासेट का उपयोग सच्चाई के स्रोत के रूप में करते हैं और बाजार में शराब के प्रदर्शन की भविष्यवाणी करने के लिए स्टोर, स्थानीय, या क्षेत्रीय स्तर पर 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 की औसत 5-स्टार 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 सोचा जा सकता है जो उपभोक्ता प्राथमिकताओं को दर्शाता है।

वाइनरी टैस्ट्री एआई 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 भी। थोक विक्रेता टैस्ट्री एआई का उपयोग विभिन्न क्षेत्रों में विभिन्न शराबों का प्रदर्शन करने के लिए करते हैं। रिटेलर टैस्ट्री एआई का उपयोग अपने शेल्फ और ऑनलाइन असॉर्टमेंट को अनुकूलित करने के लिए करते हैं। और उपभोक्ता टैस्ट्री एआई का उपयोग एक ऐसी शराब खरीदने के जोखिम से बचने के लिए करते हैं जो उन्हें पसंद नहीं है।