Bagaimana Tastry “Mengajar Komputer untuk Merasakan Rasa”

Bagaimana Tastry menggunakan kimia novel dan AI untuk memprediksi preferensi konsumen.

Dari awal, pertanyaan yang ingin kita jawab adalah: “Apakah kita dapat mendekode matriks rasa unik dari produk berbasis sensorik dan preferensi biologis unik konsumen untuk memprediksi kesukaan dengan akurat?” Jawaban singkatnya adalah ya.

Namun, awal dalam penelitian kita menemukan bahwa metode analisis kimia yang ada dan data preferensi konsumen yang ada, menyediakan korelasi atau prediksi yang tidak signifikan secara statistik. Kita tahu kita harus menciptakan data kita sendiri untuk membuat kemajuan.

Pertama, kita perlu menciptakan metode analisis kimia yang akan memberikan transparansi maksimal terhadap kimia (termasuk volatil, non-volatil, larut, data spektral, dan sebagainya). Kita juga perlu mendekode matriks rasa dalam cara yang dapat diterjemahkan untuk membantu mengapproximasi bagaimana manusia mengalami kimia tersebut pada lidah mereka.

Kedua, kita perlu menciptakan metode untuk secara terus-menerus dan akurat mendapatkan, mengaugmentasi, dan melacak preferensi sensorik biologis dari sekelompok besar, beragam, dan terus berkembang konsumen yang sebenarnya untuk berfungsi sebagai kebenaran kita.

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

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

Untuk menjelaskan keterbatasan ini, penting untuk memahami bahwa kimia produk berbasis sensorik sebagian besar berfokus pada kontrol kualitas, yaitu berapa banyak analit yang ada dalam campuran itu? Fokusnya tidak biasanya untuk mengevaluasi semua analit, rasio relatif, atau bagaimana mereka bergabung pada lidah manusia untuk menciptakan rasa. Ini adalah titik buta yang perlu kita terangi karena ada interaksi dinamis yang terjadi di antara ratusan senyawa pada lidah manusia. Lidah manusia mengalami “sup kimia” rasa yang kompleks pada saat yang sama, bukan satu senyawa pada satu waktu seperti mesin. Interaksi antara senyawa-senyawa ini dalam kombinasi dengan biologi unik setiap konsumen, menyediakan konteks kritis tentang fitur kimia yang diekspresikan kepada orang tersebut.

Jika sensorik diambil, pendekatan yang biasa terlihat seperti ini:

• Data survei menunjukkan bahwa orang suka mentega.
• Diasetil adalah senyawa yang biasanya terkait dengan rasa mentega.
• Jika kita membuat chardonnay dengan lebih banyak diasetil, lebih banyak orang akan menyukainya.

Masalah utama dengan pendekatan ini.

1. Rasa tidak dapat diprediksi oleh kuantifikasi senyawa saja. Konsentrasi diasetil yang diberikan dapat dirasakan sebagai mentega dalam anggur yang satu, tetapi tidak dalam anggur lain. Ini karena ada ratusan senyawa lain dalam anggur, dan tergantung pada konsentrasi dan rasio mereka, diasetil dapat disembunyikan atau diekspresikan. Tidak seperti mesin, manusia mengalami semua senyawa pada saat yang sama, indra mereka tidak menganalisis setiap senyawa secara individual, oleh karena itu setiap kuantifikasi individual tidak secara pasti prediktif.

2. Manusia merasakan dan mengkomunikasikan rasa secara berbeda. Bahkan di antara panel ahli, setengah dari ahli mungkin menggambarkan sesuatu sebagai rasa apel, dan setengah lainnya mungkin menggambarkannya sebagai rasa pir. Dan konsumen rata-rata bahkan kurang dapat diprediksi. Dari penelitian kita, kita tidak percaya bahwa rasa manusia cukup nyata untuk dikomunikasikan secara akurat hanya melalui bahasa dari satu orang ke orang lain. Deskriptor kita terlalu samar, dan definisi kita bervariasi berdasarkan biologi dan pengalaman budaya individu. Misalnya, di AS, sebagian besar konsumen menggambarkan persepsi benzaldehida sebagai “ceri”, tetapi sebagian besar konsumen di Eropa menggambarkannya sebagai “marzipan” … bahkan dalam anggur yang sama.

3. Rasa yang dirasakan konsumen tidak memiliki korelasi dengan apakah mereka benar-benar menyukainya. Dalam penelitian kita, konsumen tidak memutuskan untuk membeli anggur karena rasanya seperti ceri. Mereka hanya membuat penilaian bahwa mereka menyukai anggur, dan mereka kemungkinan akan menyukainya lagi.

Contoh: Kekurangan pemahaman ini tidak unik untuk segmen anggur. Kita telah bertemu dengan eksekutif dan peneliti di beberapa perusahaan rasa dan aroma terbesar di dunia. Seorang eksekutif menggambarkan frustrasinya dengan proyek baru untuk menciptakan cokelat lavendel. Perusahaan ini menghabiskan jutaan dolar untuk mengadakan focus group dengan konsumen yang secara khusus menyukai cokelat, menyukai lavendel, dan menyukai cokelat lavendel. Namun, hasilnya adalah bahwa responden setuju bahwa itu adalah cokelat lavendel, tetapi mereka juga setuju bahwa mereka tidak menyukai cokelat lavendel tertentu.

Sebagai hasil dari wawasan ini, kita menyimpulkan bahwa kita harus fokus penelitian kita pada memprediksi apa matriks kimia yang disukai konsumen, dan seberapa besar, bukan apa rasa yang mereka rasakan.

Bagaimana Pendekatan Kita Berbeda

Sampah-masuk, Sampah-keluar. Ketika datang ke kualitas data, kita menyadari bahwa set pelatihan yang valid tidak dapat dibuat dari data komersial atau sumber daya yang ada. Kita harus menciptakannya sendiri, di dalam rumah.

Pertama, kita perlu metode kimia yang akan memberikan visibilitas pada keseimbangan halus dari volatil, non-volatil, larut, data spektral, dan sebagainya, dari anggur dalam satu snapshot, untuk lebih terkait dengan lidah manusia.

Tahun-tahun eksperimen menghasilkan metodologi yang menghasilkan lebih dari 1 juta titik data per sampel. Data granular dan luar biasa ini kemudian diproses oleh algoritma pembelajaran mesin yang dirancang oleh tim ilmu data kita untuk mendekode ketergantungan yang menginformasikan persepsi manusia berdasarkan rasio analit dan kelompok analit.

Setelah kita memiliki metode yang terbukti, kita mulai menganalisis dan mendekode matriks rasa dari banyak anggur di seluruh dunia dan telah mengembangkan basis data matriks rasa yang komprehensif dari dunia anggur.

Menghubungkan Preferensi Konsumen dengan Kimia

Selanjutnya, kita perlu memahami apa matriks rasa yang disukai konsumen dengan membuat mereka merasakan dan menilai anggur yang telah kita analisis. Selama bertahun-tahun kita telah menjalankan panel rasa buta ganda dengan ribuan konsumen, masing-masing merasakan banyak lusin atau ratusan anggur selama waktu. Responden termasuk pemula anggur, penggemar anggur biasa, ahli, pembuat anggur, dan sommelier.

Sistem sumber daya yang biasa melewatkan atau mengabaikan data kritis. Misalnya, pada skala Parker, sebagian besar orang tidak akan menilai anggur di bawah rentang 80 poin. Namun, kita telah belajar bahwa konsumen tidak menyukai apa yang mereka tidak sukai, lebih dari menyukai apa yang mereka sukai. Oleh karena itu, sangat penting untuk memiliki gambaran lengkap tentang preferensi – terutama preferensi negatif.

Kita menggunakan pembelajaran mesin novel kita untuk memahami preferensi unik konsumen untuk berbagai jenis matriks rasa dalam anggur. Selama waktu, ini memungkinkan kita untuk memprediksi preferensi mereka untuk anggur yang belum mereka rasakan. Selama proses ini, kita juga belajar bahwa anggur individual, serta preferensi individual, hampir seperti sidik jari dalam keunikan mereka. Kita menyimpulkan bahwa, bertentangan dengan praktik industri yang biasa, konsumen dan anggur tidak dapat dikelompokkan atau disaring secara akurat menjadi generalisasi.

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

Bagaimana Meningkatkan Inovasi Ini?

Apa yang kita ciptakan sangat baik, tetapi panel rasa sangat mahal dan memakan waktu. Mustahil untuk menjalankan panel rasa tahunan dari 248 juta orang Amerika di atas usia 21 untuk memahami anggur apa yang mereka sukai.

Kita ingin merancang alat yang dapat diskalakan yang memiliki efikasi yang sama dalam memprediksi preferensi konsumen, tanpa memerlukan partisipasi dalam panel rasa atau mengekspresikan preferensi mereka untuk sejumlah besar anggur yang telah mereka rasakan sebelumnya.

Solusi kita adalah memiliki AI memilih item makanan sederhana yang berbagi aspek kimia dengan anggur dalam asortimen. Responden dalam panel rasa kita menjawab beberapa ratus pertanyaan tentang preferensi mereka untuk 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 analog untuk jenis dan rasio senyawa yang umum ditemukan dalam kimia dasar anggur. Sebagai manusia, kita tidak dapat memahami korelasi dan pola yang kompleks ini, tetapi sebagai mesin, ini adalah masalah yang sangat baik untuk pembelajaran mesin untuk diselesaikan.

Dengan data ini, TastryAI belajar bagaimana memprediksi preferensi konsumen untuk anggur, berdasarkan jawaban mereka terhadap Survei Preferensi Makanan. Apa yang dihasilkan adalah kemampuan kita untuk menghilangkan kebutuhan akan data spesifik anggur dari konsumen untuk memprediksi preferensi mereka untuk anggur.

Berapa Banyak Data yang Kita Butuhkan untuk Memahami Preferensi Konsumen?

Meskipun kita memulai dengan ratusan pertanyaan preferensi makanan, semakin banyak yang dijawab, semakin akurat hasilnya, ada pengembalian yang menurun setelah 9-12. Dengan prinsip Pareto yang berlaku, pertanyaan preferensi makanan terbaik menyediakan sekitar 80% pemahaman tentang palatum konsumen.

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

Ini memungkinkan solusi yang dapat diskalakan. Sejak kita meluncurkan dalam berbagai pilot beberapa tahun yang lalu, sekarang ada banyak kuis yang serupa di situs e-commerce. Konsumen mengambil kuis 30 detik tentang apakah mereka menyukai blackberry atau kopi, dan mereka diberi rekomendasi anggur. Perbedaannya adalah bahwa kuis tersebut paling banyak merupakan filter catatan rasa, yaitu jika Anda menyukai blackberry, Anda akan menyukai anggur yang digambarkan oleh seseorang sebagai rasa buah gelap, atau jika Anda menyukai kopi, Anda akan menyukai anggur yang digambarkan oleh seseorang sebagai astringen. Tetapi kita telah belajar bahwa jika deskripsi tersebut akurat untuk palatum mereka, itu tidak memiliki kekuatan prediktif tentang apakah mereka akan menyukai anggur; tetapi itu menarik, konsumen menyukai kuis.

Rekomendasi Tastry terkait dengan matriks rasa anggur. TastryAI bukanlah filter catatan rasa, itu tidak bertanya apakah Anda menyukai aroma atau rasa jamur dalam anggur Anda, itu mencoba memahami rasio senyawa yang Anda sukai atau tidak sukai berdasarkan preferensi palatum biologis Anda. Setiap pertanyaan menyediakan banyak lapisan wawasan karena setiap pertanyaan tumpang tindih dan memberi makan pertanyaan lain. Jadi, setelah bertanya tentang jamur, mungkin pertanyaan berikutnya adalah “Bagaimana perasaan Anda tentang rasa paprika hijau?” AI mungkin tahu bahwa ada, misalnya, 33 senyawa dalam rasio umum yang bertanggung jawab atas persepsi jamur, dan 22 senyawa yang umum bertanggung jawab atas rasa paprika hijau – tetapi penting bahwa beberapa senyawa tersebut ada di kedua. Jika Anda mengatakan Anda menyukai jamur, tetapi membenci paprika hijau, maka AI lebih yakin Anda menyukai beberapa senyawa, lebih yakin Anda tidak menyukai senyawa lain, dan yang tumpang tindih kemungkinan besar kontekstual.

Jadi, Anda dapat membayangkan diagram Venn multidimensi, di mana AI menguraikan senyawa yang Anda sukai atau tidak sukai dalam kombinasi dengan senyawa lain.

Dan dengan survei preferensi rasa ini, dan umpan balik konsumen, kita mengumpulkan data palatum anonim dari seluruh dunia. Situs e-commerce, atau retailer besar, dapat meluncurkan Kuis Tastry di aplikasi, dan memiliki ribuan respons dalam beberapa jam dari konsumen di seluruh AS. Satu-satunya data lain yang kita kumpulkan adalah kode pos. Kita menggunakan kode pos untuk menerapkan turunan dari Bayesian ridge, yang mengambil distribusi geografis palatum konsumen yang kita kumpulkan dan monitor, dan data lain, dan memprediksi sisa palatum konsumen yang viable lebih dari 200M+ di AS. Kita menggunakan dataset yang ditingkatkan ini sebagai sumber kebenaran, dan untuk menyediakan prediksi tentang bagaimana anggur akan berperforma di pasar, toko, atau tingkat lokal.

Tastry Virtual Focus Group

Setelah menganalisis anggur, mendekode matriks rasanya, dan mengevaluasi palatabilitasnya terhadap kombinasi palatum nyata dan virtual, AI saat ini 92,8% akurat dalam memprediksi peringkat konsumen AS rata-rata untuk anggur. Dengan kata lain, AI dapat memprediksi peringkat bintang 5 untuk anggur dalam +/- 1/10th bintang.

Sangat mudah untuk memikirkan AI sebagai “Virtual Focus Group” preferensi konsumen.

Pembuat anggur menggunakan TastryAI untuk menjalankan simulasi tentang bagaimana konsumen akan merasakan anggur mereka, bahkan sebelum mereka menginvestasikan tahun-tahun dan jutaan dolar untuk membuatnya. Grosir menggunakan TastryAI untuk menentukan wilayah di mana berbagai anggur akan berperforma terbaik. Retailer menggunakan TastryAI untuk mengoptimalkan asortimen mereka di rak dan online. Dan konsumen menggunakan TastryAI untuk menghindari risiko membeli anggur yang tidak mereka sukai.