Come Tastry “insegna a un computer a gustare”

Come Tastry utilizza la chimica innovativa e l’AI per prevedere le preferenze dei consumatori.

Fin dall’inizio, la domanda che volevamo rispondere era: “Possiamo decodificare le matrici di sapore uniche dei prodotti basati sui sensi e le preferenze biologiche uniche dei consumatori per prevedere con precisione la loro gradazione?” La risposta breve è sì.

Tuttavia, all’inizio della nostra ricerca, abbiamo scoperto che i metodi di analisi chimica esistenti e i dati di preferenza dei consumatori esistenti fornivano correlazioni o previsioni statisticamente insignificanti. Sapevamo che avremmo dovuto creare i nostri dati per fare progressi.

Prima, abbiamo dovuto creare un metodo di analisi chimica che fornisse la massima trasparenza possibile sulla chimica (compresi i composti volatili, non volatili, disciolti, dati spettrali, ecc.). Abbiamo anche dovuto decodificare la matrice di sapore in un modo che potesse essere tradotto per aiutare ad approssimare come gli esseri umani esperiscono quella chimica sul loro palato.

In secondo luogo, abbiamo dovuto creare un metodo per ottenere costantemente e con precisione, aumentare e monitorare le preferenze sensoriali biologiche di un grande gruppo di consumatori diversi e in continua crescita per servire come nostra verità di riferimento.

Perché i metodi attuali non riescono a prevedere le preferenze dei consumatori per i prodotti basati sui sensi

Quando abbiamo iniziato la nostra ricerca nel 2015, avevamo l’ipotesi che tutto ciò che si doveva sapere sul sapore del vino, cioè il gusto, l’aroma, la texture e il colore, esistesse nella chimica. Tuttavia, ciò che mancava era un metodo di analisi più completo.

Per spiegare questo limite, è importante capire che la chimica dei prodotti basati sui sensi si concentra in gran parte sul controllo della qualità, cioè quanto di questo analita è presente in quella miscela? L’attenzione non è tipicamente rivolta a valutare tutti gli analiti, le loro proporzioni relative o come si combinano sul palato umano per creare il sapore. Questo è il punto cieco che dovevamo illuminare, poiché ci sono interazioni dinamiche che si verificano tra centinaia di composti su un palato umano. Un palato umano esperisce un “brodo chimico” di composti di sapore allo stesso tempo, non un composto alla volta come una macchina. Le interazioni tra questi composti multipli in combinazione con la biologia unica di ogni consumatore forniscono un contesto critico per capire quali caratteristiche della chimica sono espresse a quella persona.

Per quanto riguarda il senso, semplicemente messo, l’approccio tipico è il seguente:

• I dati dei sondaggi mostrano che le persone amano il burro.
• Il diacetile è un composto tipicamente associato al sapore del burro.
• Se facciamo un Chardonnay con più diacetile, più persone lo ameranno.

Problemi fondamentali con questo approccio.

1. Il sapore non può essere previsto dalla quantificazione dei composti da solo. Una data concentrazione di diacetile può essere percepita come burro in un vino o annata, ma non in un altro. Ciò è dovuto al fatto che ci sono centinaia di altri composti nel vino e, a seconda delle loro concentrazioni e proporzioni, il diacetile potrebbe essere mascherato o espresso. A differenza di una macchina, gli esseri umani esperiscono tutti i composti allo stesso tempo, i loro sensi non analizzano ogni composto individualmente, quindi qualsiasi quantificazione individuale non è necessariamente predittiva.

2. Gli esseri umani percepiscono e comunicano i sapori in modo diverso. Anche tra un panel di esperti, metà degli esperti potrebbe descrivere qualcosa come avente un sapore di mela, e l’altra metà potrebbe descriverlo come avente un sapore di pera. E il consumatore medio è ancora meno prevedibile. Dalla nostra ricerca, non crediamo che il gusto umano sia sufficientemente tangibile da essere comunicato con precisione semplicemente attraverso il linguaggio da una persona all’altra. Le nostre descrizioni sono troppo vaghe e le nostre definizioni variano in base alla biologia e alle esperienze culturali individuali. Ad esempio, negli Stati Uniti, la maggior parte dei consumatori descrive la percezione del benzaldeide come “ciliegia”, ma la maggior parte dei consumatori in Europa la descrive come “marzapane”… anche nello stesso vino.

3. I sapori che i consumatori percepiscono non hanno alcuna correlazione con il fatto che li amino o no. Nella nostra ricerca, si è osservato che i consumatori non decidono di acquistare un vino perché ha un sapore di ciliegia. Semplicemente, prendono la decisione che gli piace il vino e sono probabili che lo amino di nuovo.

Esempio: Questa mancanza di comprensione non è unica per il settore del vino. Abbiamo incontrato dirigenti e ricercatori di alcune delle più grandi aziende di sapori e profumi del mondo. Un dirigente ha descritto la sua frustrazione per un recente progetto per creare un nuovo cioccolato alla lavanda. Questa azienda ha speso milioni di dollari per sedere e condurre focus group con consumatori che amavano specificamente il cioccolato, amavano la lavanda e amavano il cioccolato alla lavanda. Alla fine, i risultati sono stati che i rispondenti erano d’accordo che era cioccolato alla lavanda, ma che anche erano d’accordo che non amavano quel particolare cioccolato alla lavanda.

In seguito a queste intuizioni, abbiamo concluso che avremmo dovuto concentrare la nostra ricerca sulla previsione di quali matrici di chimica i consumatori amano e in quale misura, anziché cosa sapori percepiscono.

Come il nostro approccio è diverso

Spazzatura dentro, spazzatura fuori. Quando si tratta della qualità dei dati, abbiamo capito che un set di addestramento valido non poteva essere generato dai dati commerciali o crowdsourcing esistenti. Avremmo dovuto crearli noi stessi, in casa.

La prima cosa di cui avevamo bisogno era un metodo di chimica che fornisse visibilità sull’equilibrio delicato dei composti volatili, non volatili, solidi disciolti, dati spettrali, ecc. di un vino in un solo istante, per essere più relazionato al palato umano.

Anni di sperimentazione hanno portato a una metodologia che genera oltre 1 milione di punti di dati per campione. Questo enorme e sovraccaricante quantità di dati viene quindi elaborata da algoritmi di apprendimento automatico progettati dal nostro team di scienziati dei dati per decodificare le interdipendenze che informano la percezione umana in base alle proporzioni degli analiti e dei gruppi di analiti.

Una volta che abbiamo dimostrato l’efficacia di questo metodo, abbiamo iniziato ad analizzare e decodificare la matrice di sapore di molti migliaia di vini in tutto il mondo e abbiamo sviluppato un database di matrici di sapore completo del mondo del vino.

Relazione tra le preferenze dei consumatori e la chimica

Successivamente, abbiamo dovuto capire quali matrici di sapore vari consumatori preferivano facendogli assaggiare e valutare il vino che avevamo analizzato. Nel corso degli anni, abbiamo condotto regolari panel di degustazione in doppio cieco con migliaia di consumatori, ciascuno dei quali ha assaggiato molti decine o centinaia di vini nel tempo. I rispondenti includono nuovi arrivati nel mondo del vino, bevitori di vino tipici, esperti, produttori di vino e sommelier.

I sistemi di crowdsourcing di solito perdono o ignorano dati critici. Ad esempio, sulla scala di Parker, la maggior parte delle persone non valuterà un vino al di sotto della fascia dei 80 punti. Ma abbiamo imparato che i consumatori disprezzano ciò che disprezzano più di quanto amino ciò che amano. Pertanto, è fondamentale avere un’immagine completa delle preferenze, specialmente delle preferenze negative.

Abbiamo utilizzato il nostro nuovo apprendimento automatico per comprendere le preferenze uniche dei consumatori per vari tipi di matrici di sapore nel vino. Nel tempo, ciò ci ha permesso di prevedere con precisione le loro preferenze per vini che non avevano ancora assaggiato. Durante questo processo, abbiamo anche imparato che i vini individuali, così come le preferenze individuali, sono quasi unici come le impronte digitali. Abbiamo concluso che, contrariamente alle pratiche consuete dell’industria, i consumatori e i vini non possono essere raggruppati o filtrati in modo collaborativo in generalizzazioni.

Esempio: Due donne possono condividere la stessa geografia, cultura, etnia, istruzione, reddito, automobile, telefono e amare entrambe il Sauvignon Blanc di Kim Crawford; ma una può amare il Chardonnay Morning Fog e l’altra può odiarlo. L’unica visibilità predittiva affidabile risiede nel loro palato biologico.

Come scalare questa innovazione?

Quello che avevamo creato era grande, ma i panel di degustazione sono costosi e richiedono molto tempo. Sarebbe stato impossibile condurre un panel di degustazione annuale di tutti i 248 milioni di americani sopra i 21 anni per capire quali vini gli piaceranno.

Volevamo progettare uno strumento scalabile che avesse la stessa efficacia nella previsione delle preferenze di un consumatore senza richiedere la partecipazione ai panel di degustazione o l’espressione delle loro preferenze per un grande set di vini precedentemente assaggiati.

La nostra soluzione è stata quella di far selezionare all’AI articoli alimentari semplici che condividessero aspetti della loro chimica con i vini in un’assortimento. I rispondenti ai nostri panel di degustazione hanno risposto a diverse centinaia di domande del genere sui loro gusti per alimenti e sapori che non erano direttamente correlati al vino; come ad esempio, “Come ti senti riguardo al peperone verde?”, o “Come ti senti riguardo ai funghi?”

Queste domande sono state utilizzate da TastryAI come analoghi ai tipi e alle proporzioni di composti comunemente presenti nella chimica sottostante del vino. Come esseri umani, non possiamo decifrare o capire queste correlazioni e modelli complessi, ma come si verifica, è un problema eccellente per l’apprendimento automatico da risolvere.

Con questi dati, TastryAI ha imparato a prevedere le preferenze di un consumatore per il vino in base alle loro risposte al sondaggio sulle preferenze alimentari. Ciò che ne è risultato è stata la nostra capacità di eliminare la necessità di qualsiasi dato specifico del vino da parte del consumatore per prevedere la loro preferenza per il vino.

Quanti dati dobbiamo avere per capire le preferenze dei consumatori?

Sebbene abbiamo iniziato con centinaia di domande sulle preferenze alimentari, più ne vengono risposte e più precisi sono i risultati, ci sono ritorni decrescenti dopo 9-12. Con il principio di Pareto in azione, le domande sulle preferenze alimentari più performanti hanno fornito circa l’80% della comprensione del palato di un consumatore.

Attualmente, c’è tipicamente un sondaggio di 10-12 domande per il vino rosso e un altro sondaggio di 10-12 domande per il vino bianco, rosato e spumante.

Questo ha permesso una soluzione scalabile. Da quando abbiamo lanciato in vari piloti anni fa, ci sono ora molti quiz simili e divertenti sui siti di e-commerce. Un consumatore risponde a un quiz di 30 secondi su se gli piacciono i mirtilli o il caffè e viene ricompensato con raccomandazioni di vino. La differenza è che quei quiz sono al massimo filtri di note di degustazione, cioè se ti piacciono i mirtilli ti piacerà un vino descritto da qualcuno come avente un sapore di frutta scura, o se ti piace il caffè ti piacerà un vino descritto da qualcuno come astringente. Ma abbiamo imparato che se quelle descrizioni sono accurate per il palato di quella persona, non hanno alcun potere predittivo su se piacerà o no il vino; ma è coinvolgente, i consumatori amano i quiz.

Le raccomandazioni di Tastry sono legate alla matrice di sapore del vino. TastryAI non è un filtro di note di degustazione, non chiede se ti piace l’aroma o il sapore dei funghi nel tuo vino, ma cerca di capire le proporzioni dei composti che ti piacciono o non ti piacciono in base alle tue preferenze biologiche del palato. Ogni domanda fornisce molti strati di insight perché ogni domanda si sovrappone e si alimenta con altre domande. Quindi, dopo aver chiesto dei funghi, forse la prossima domanda è “Come ti senti riguardo al sapore del peperone verde?” L’AI potrebbe sapere che ci sono, ad esempio, 33 composti in una data proporzioni generalmente responsabili della percezione dei funghi e 22 composti generalmente responsabili del sapore del peperone verde, ma importante alcuni di quei composti esistono in entrambi. Se dici di amare i funghi, ma odiare il peperone verde, allora l’AI è più sicura che tu ami alcuni composti, più sicura che tu disprezzi altri composti e quelli che si sovrappongono sono probabilmente contestuali.

Quindi, puoi immaginare un diagramma di Venn multidimensionale, dove l’AI sta estraendo quali composti ti piacciono o disprezzi in combinazione con altri composti.

E con questo sondaggio sulle preferenze alimentari e il feedback dei consumatori, raccogliamo dati anonimi del palato da tutto il mondo. Un sito di e-commerce o un grande rivenditore può lanciare il quiz di Tastry sull’app e avere migliaia di risposte entro poche ore da parte dei consumatori in tutta la zona degli Stati Uniti. L’unico altro dato che acquisiamo è un codice postale. Utilizziamo il codice postale per applicare una derivazione di una cresta bayesiana, che prende la distribuzione geografica dei palati dei consumatori noti che raccogliamo e monitoriamo e altri dati e prevede il resto dei 200M+ palati dei consumatori negli Stati Uniti. Utilizziamo questo set di dati migliorato come fonte di verità e per fornire previsioni su come i vini si comporteranno in un mercato a livello di negozio, locale o regionale.

Tastry Virtual Focus Group

Dopo aver analizzato un vino, decodificato la sua matrice di sapore e valutato la sua palatabilità contro la combinazione di palati reali e virtuali, l’AI è attualmente al 92,8% di accuratezza nella previsione della valutazione media del consumatore statunitense per il vino. In altre parole, l’AI può prevedere la valutazione media a 5 stelle per un vino entro +/- 1/10 di stella.

È più facile pensare all’AI come a un “Gruppo di discussione virtuale” delle preferenze dei consumatori.

I vigneti utilizzano TastryAI per eseguire simulazioni su come i consumatori percepiscono il loro vino, anche prima di investire anni e milioni di dollari nella sua produzione. I grossisti utilizzano TastryAI per determinare le regioni in cui vari vini si comporteranno meglio. I rivenditori utilizzano TastryAI per ottimizzare la loro gamma di prodotti sugli scaffali e online. E i consumatori utilizzano TastryAI per evitare il rischio di acquistare un vino che non gli piacerà.