How Tastry “Mengajarkan Komputer Cara Mencicipi”.

Bagaimana Tastry menggunakan bahan kimia baru dan AI untuk memprediksi preferensi konsumen.

Sejak awal, pertanyaan yang ingin kami jawab adalah: “Bisakah kita menguraikan matriks rasa unik dari produk berbasis sensorik, dan preferensi biologis unik konsumen untuk memprediksi tingkat kesukaan secara akurat?” Jawaban singkatnya adalah ya.

Namun, pada awal penelitian kami, kami menemukan bahwa metode analisis kimia yang ada dan data preferensi konsumen yang ada, memberikan korelasi atau prediksi yang tidak signifikan secara statistik. Kami tahu kami harus membuat data kami sendiri untuk mencapai kemajuan.

Pertama, kami perlu membuat metode kimia analitik yang akan memberikan transparansi sebanyak mungkin pada kimia (termasuk data volatil, non-volatil, terlarut, spektral, dan sebagainya.) Kami juga perlu memecahkan kode matriks rasa dengan cara tertentu. yang dapat diterjemahkan untuk membantu memperkirakan bagaimana manusia merasakan zat kimia tersebut di langit-langit mulut mereka.

Kedua, kami perlu menciptakan metode yang secara konstan dan akurat memperoleh, menambah, dan melacak preferensi sensorik biologis dari kelompok konsumen aktual yang besar, beragam, dan terus berkembang untuk dijadikan sebagai kebenaran dasar kami.

Mengapa metode saat ini gagal memprediksi preferensi konsumen terhadap produk berbasis sensorik

Saat kami memulai penelitian pada tahun 2015, kami memiliki hipotesis bahwa semua yang perlu Anda ketahui tentang rasa anggur, yaitu rasa, aroma, tekstur, dan warna – ada dalam kimia. Namun, yang hilang adalah metode analisis yang lebih komprehensif.

Untuk menjelaskan keterbatasan ini, penting untuk dipahami bahwa kimia produk berbasis sensorik sebagian besar terfokus pada pengendalian kualitas, yaitu berapa banyak analit yang ada dalam campuran tersebut? Fokusnya biasanya bukan pada evaluasi seluruh analit, rasio relatifnya, atau bagaimana analit tersebut bergabung di langit-langit mulut manusia untuk menciptakan rasa. Ini adalah titik buta yang perlu kami terangi karena ada interaksi dinamis yang terjadi di antara ratusan senyawa di langit-langit mulut manusia. Langit-langit mulut manusia mengalami “sup kimia” senyawa perasa pada saat yang sama, bukan satu senyawa pada satu waktu seperti yang terjadi pada mesin. Interaksi antara beberapa senyawa ini dikombinasikan dengan biologi unik setiap konsumen, memberikan konteks penting mengenai ciri-ciri kimia apa yang diungkapkan kepada orang tersebut.

Sejauh sensorik diperhitungkan, sederhananya, pendekatan umumnya terlihat seperti ini:

• Data survei menunjukkan bahwa masyarakat menyukai mentega.
• Diacetyl adalah senyawa yang biasanya dikaitkan dengan rasa mentega.
• Jika kita membuat chardonnay dengan lebih banyak diacetyl, lebih banyak orang akan menyukainya.

Masalah inti dengan pendekatan ini.

1. Rasa tidak dapat diprediksi hanya dengan kuantifikasi senyawa saja. Konsentrasi diacetyl tertentu dapat dianggap sebagai mentega di satu wine atau vintage, tetapi tidak di wine atau vintage lainnya. Hal ini karena terdapat ratusan senyawa lain di dalam anggur, dan bergantung pada konsentrasi dan rasionya, diacetyl dapat ditutupi atau diekspresikan. Tidak seperti mesin, manusia mengalami semua senyawa sekaligus, indra mereka tidak menganalisis setiap senyawa satu per satu, oleh karena itu kuantifikasi yang diberikan pada individu belum tentu bersifat prediktif.

2. Manusia merasakan dan mengkomunikasikan rasa secara berbeda. Bahkan di antara panel ahli, separuh ahli mungkin mendeskripsikan sesuatu yang rasanya seperti apel, dan separuh lainnya mungkin mendeskripsikannya sebagai buah pir. Dan rata-rata konsumen bahkan lebih sulit diprediksi. Dari penelitian kami, kami tidak percaya bahwa selera manusia cukup nyata untuk dikomunikasikan secara akurat hanya melalui bahasa dari satu orang ke orang lain. Penjelasan kami terlalu kabur, dan definisi kami bervariasi berdasarkan biologi individu dan pengalaman budaya. Misalnya, di AS sebagian besar konsumen menggambarkan persepsi benzaldehida sebagai “ceri”, namun sebagian besar konsumen di Eropa menggambarkannya sebagai “marzipan”…bahkan dalam anggur yang sama.

3. Rasa yang dirasakan konsumen tidak ada hubungannya dengan apakah mereka benar-benar menyukainya atau tidak. Dalam penelitian kami diamati bahwa konsumen tidak memutuskan untuk membeli wine karena rasanya seperti ceri. Mereka hanya membuat penilaian bahwa mereka menyukai anggur tersebut, dan kemungkinan besar mereka akan menyukainya lagi.

Contoh: Kurangnya pemahaman ini tidak hanya terjadi pada segmen anggur. Kami telah bertemu dengan para eksekutif dan peneliti di beberapa perusahaan perasa dan wewangian terbesar di dunia. Seorang eksekutif menggambarkan rasa frustrasinya terhadap proyek baru-baru ini untuk membuat coklat lavender baru. Perusahaan ini menghabiskan jutaan dolar untuk duduk dan menjalankan kelompok fokus dengan konsumen yang secara khusus menyukai coklat, menyukai lavender, dan menyukai coklat lavender. Pada akhirnya, hasilnya adalah para responden setuju bahwa itu adalah coklat lavender, namun mereka juga setuju bahwa mereka tidak menyukai coklat lavender tersebut.

Sebagai hasil dari wawasan ini, kami menyimpulkan bahwa kami harus memfokuskan penelitian kami pada memprediksi matriks kimia apa yang disukai konsumen, dan sejauh mana, dibandingkan dengan rasa apa yang mereka rasakan.

Perbedaan Pendekatan Kami

Sampah masuk sampah keluar. Terkait kualitas data, kami menyadari bahwa rangkaian pelatihan yang valid tidak dapat dihasilkan dari data komersial atau data yang bersumber dari banyak orang. Kami harus membuatnya sendiri.

Hal pertama yang kami perlukan adalah metode kimia yang akan memberikan visibilitas pada keseimbangan halus dari zat padat yang mudah menguap, tidak mudah menguap, terlarut, data spektral, dll., dari anggur dalam satu cuplikan, agar lebih sesuai dengan selera manusia.

Eksperimen selama bertahun-tahun menghasilkan metodologi yang menghasilkan lebih dari 1 juta titik data per sampel. Data dalam jumlah yang sangat besar dan terperinci ini kemudian diproses oleh algoritme pembelajaran mesin yang dirancang oleh tim ilmu data kami untuk memecahkan kode saling ketergantungan yang menginformasikan persepsi manusia berdasarkan rasio analit dan kelompok analit.

Setelah kami membuktikan kemanjuran metode ini, kami mulai menganalisis dan menguraikan matriks rasa ribuan anggur di seluruh dunia dan sejak itu mengembangkan database matriks rasa yang komprehensif di dunia anggur.

Mengaitkan Preferensi Konsumen dengan Kimia

Selanjutnya, kami harus memahami matriks rasa apa yang disukai konsumen dengan meminta mereka mencicipi dan menilai anggur yang telah kami analisis. Selama bertahun-tahun kami telah menjalankan panel pencicipan double-blind secara rutin dengan ribuan konsumen, masing-masing mencicipi lusinan atau ratusan anggur dari waktu ke waktu. Respondennya mencakup pendatang baru di bidang wine, peminum wine pada umumnya, pakar, pembuat wine, dan sommelier.

Sistem crowdsourcing biasanya melewatkan atau mengabaikan data penting. Misalnya, pada skala Parker, kebanyakan orang bahkan tidak akan mendapatkan skor anggur di bawah pertengahan 80pt. jangkauan. Namun kita telah belajar bahwa konsumen tidak menyukai apa yang mereka tidak suka, lebih dari menyukai apa yang mereka sukai. Oleh karena itu, sangatlah penting untuk memiliki gambaran lengkap mengenai preferensi – terutama preferensi negatif.

Kami menggunakan pembelajaran mesin baru kami untuk memahami preferensi unik konsumen terhadap berbagai jenis matriks rasa dalam anggur. Seiring waktu, hal ini memungkinkan kami memprediksi secara akurat preferensi mereka terhadap anggur yang belum mereka cicipi. Selama proses ini, kami juga belajar bahwa masing-masing anggur, serta preferensi individu, memiliki keunikan yang hampir mirip sidik jari. Kami menyimpulkan bahwa, bertentangan dengan praktik umum industri, konsumen dan wine tidak dapat dikelompokkan secara akurat, atau disaring secara kolaboratif, ke dalam generalisasi.

Contoh: Dua wanita dapat berbagi geografi, budaya, etnis, pendidikan, pendapatan, mobil, telepon yang sama, dan keduanya menyukai Kim Crawford Sauvignon Blanc; tapi yang satu bisa menyukai Morning Fog chardonnay dan yang lain bisa membencinya. Satu-satunya visibilitas prediktif yang dapat diandalkan terletak pada selera biologis mereka.

Bagaimana cara meningkatkan skala inovasi ini? 

Apa yang kami buat sangat bagus, tetapi panel pencicipan mahal dan memakan waktu. Tidak mungkin mengadakan panel pencicipan tahunan yang terdiri dari 248 juta orang Amerika yang berusia di atas 21 tahun untuk memahami anggur apa yang mereka sukai.

Kami ingin merancang alat berskala yang memiliki kemanjuran yang sama dalam memprediksi preferensi konsumen, tanpa memerlukan partisipasi dalam panel pencicipan atau mengungkapkan preferensi mereka untuk sekumpulan besar anggur yang telah dicicipi sebelumnya.

Solusi kami adalah meminta AI memilih item makanan sederhana yang memiliki aspek kimia yang sama dengan wine dalam bermacam-macamnya. Responden dalam panel pencicipan kami menjawab beberapa ratus pertanyaan tentang preferensi mereka terhadap makanan dan rasa yang tidak terkait langsung dengan anggur; seperti, “Bagaimana perasaan Anda tentang paprika hijau?”, atau “Bagaimana perasaan Anda tentang jamur?”

Pertanyaan-pertanyaan ini digunakan oleh TastryAI sebagai analogi terhadap jenis dan rasio senyawa yang umum ditemukan dalam kimia dasar anggur. Sebagai manusia, kita tidak dapat menguraikan atau memahami korelasi dan pola yang kompleks ini, namun ternyata mengungkap hubungan yang rumit ini adalah masalah yang sangat baik untuk dipecahkan oleh pembelajaran mesin.

Dengan data ini, TastryAI mempelajari cara memprediksi preferensi konsumen terhadap wine, berdasarkan jawaban mereka terhadap Survei Preferensi Makanan. Hasilnya adalah kemampuan kami untuk menghilangkan kebutuhan akan data spesifik anggur dari konsumen untuk memprediksi preferensi mereka terhadap anggur.

Berapa banyak data yang kita perlukan untuk memahami preferensi konsumen?

Meskipun kami memulai dengan ratusan pertanyaan preferensi makanan, semakin banyak pertanyaan yang dijawab, semakin akurat hasilnya. Namun, setelah 9-12 pertanyaan, hasilnya semakin berkurang. Dengan prinsip Pareto, pertanyaan preferensi makanan dengan kinerja terbaik memberikan pemahaman sekitar 80% tentang selera konsumen.

Saat ini, biasanya ada survei 10-12 pertanyaan untuk anggur merah, dan survei 10-12 pertanyaan lainnya untuk anggur putih, rosé, dan anggur bersoda.

Hal ini memungkinkan solusi terukur. Sejak kami meluncurkannya dalam berbagai uji coba beberapa tahun yang lalu, kini ada banyak kuis serupa yang tampak aneh di situs e-niaga. Seorang konsumen mengikuti kuis berdurasi 30 detik tentang apakah mereka menyukai blackberry atau kopi atau tidak, dan mereka diberi imbalan berupa rekomendasi anggur. Perbedaannya adalah bahwa kuis-kuis tersebut paling banyak merupakan filter catatan pencicipan, yaitu, jika Anda menyukai blackberry, Anda akan menyukai anggur yang digambarkan oleh seseorang sebagai rasanya seperti buah berwarna gelap, atau jika Anda menyukai kopi maka Anda akan menyukai anggur yang digambarkan oleh seseorang sebagai menjadi astringen. Namun kami telah belajar bahwa jika deskripsi tersebut akurat untuk selera orang tersebut, maka memang demikian tidak ada kekuatan prediksir apakah mereka akan menyukai anggur itu atau tidak; tapi menarik, konsumen menyukai kuis.

Rekomendasi Tastry terkait dengan matriks rasa anggur. TastryAI bukanlah filter catatan pencicipan, dan tidak menanyakan apakah Anda menyukai aroma atau rasa jamur dalam anggurmu, itu mencoba pahami rasio senyawa yang Anda suka atau tidak suka berdasarkan preferensi selera biologis Anda. Setiap pertanyaan memberikan banyak lapisan wawasan karena setiap pertanyaan tumpang tindih dan menjadi masukan bagi pertanyaan lainnya. Nah, setelah bertanya tentang jamur, mungkin pertanyaan berikutnya adalah “Bagaimana pendapat Anda tentang rasa paprika hijau?” AI mungkin mengetahui bahwa, misalnya, terdapat 33 senyawa dalam rasio tertentu yang umumnya bertanggung jawab terhadap persepsi jamur, dan 22 senyawa yang secara umum bertanggung jawab atas rasa paprika hijau – namun yang terpenting, beberapa dari senyawa tersebut ada pada keduanya. Jika Anda mengatakan Anda menyukai jamur, tetapi membenci paprika hijau, maka AI lebih percaya diri pada Anda 'like' beberapa senyawa, Anda lebih percaya diri benci senyawa lain, dan senyawa yang tumpang tindih kemungkinan besar bersifat kontekstual.

Jadi, Anda dapat membayangkan diagram Venn multidimensi, di mana AI menentukan senyawa mana yang Anda suka atau tidak suka jika dikombinasikan dengan senyawa lain.

Dan dengan survei preferensi rasa dan umpan balik konsumen ini, kami mengumpulkan data selera yang dianonimkan dari seluruh dunia. Situs e-niaga, atau pengecer besar, dapat meluncurkan Kuis Tastry di aplikasi, dan mendapatkan ribuan tanggapan dalam beberapa jam dari konsumen di seluruh AS. Satu-satunya data lain yang kami peroleh hanyalah kode pos. Kami menggunakan kode pos untuk menerapkan turunan dari punggungan Bayesian, yang mengambil distribusi geografis dari selera konsumen yang diketahui yang kami kumpulkan dan pantau, serta data lainnya, dan memprediksi sisa dari 200 juta+ selera konsumen yang layak di AS. Kami menggunakan penyempurnaan ini kumpulan data sebagai sumber kebenaran, dan untuk memberikan prediksi tentang kinerja wine di pasar pada tingkat toko, lokal, atau regional.

Grup Fokus Virtual yang Lezat

Setelah menganalisis anggur, menguraikan matriks rasanya, dan mengevaluasi kelezatannya terhadap kombinasi selera aktual dan virtual, peneliti AI saat ini memiliki akurasi 92.8%. dalam memprediksi peringkat agregat konsumen AS untuk anggur. Dengan kata lain, AI dapat memprediksi rata-rata peringkat bintang 5 untuk sebuah wine dalam kisaran +/- 1/10^th dari sebuah bintang.

Cara termudah untuk menganggap AI sebagai “Kelompok Fokus Virtual” dari preferensi konsumen.

Pabrik anggur menggunakan TastryAI untuk menjalankan simulasi tentang bagaimana konsumen memandang anggur mereka, bahkan sebelum mereka menginvestasikan waktu bertahun-tahun dan jutaan dolar untuk membuatnya. Pedagang grosir menggunakan TastryAI untuk menentukan wilayah di mana berbagai jenis wine memiliki kinerja terbaik. Pengecer menggunakan TastryAI untuk mengoptimalkan pilihan produk mereka di rak dan online. Dan konsumen menggunakan TastryAI untuk menghindari risiko membeli wine yang tidak mereka sukai.