Katerina Axelsson

How Tastry “Taught a Computer How to Taste.”

Tastryがコンピューターに「味」を教える方法私たちが最初に答えようとした質問は、「感覚に基づく製品の独自の風味行列と、消費者の独自の生物学的好みを解読して、好みを正確に予測できるかどうか」というものでした。簡単に言うと、その答えは「はい」です。しかし、研究の初期段階で、既存の化学分析方法と既存の消費者好みデータは、統計的に無意味な相関関係または予測を提供することがわかりました。自分でデータを作成する必要があることを知っていました。まず、私たちが必要としたのは、化学を可能な限り透明性の高い分析化学方法でした（揮発性、非揮発性、溶解性、スペクトルデータなど）。また、風味行列を人間が味覚で経験する方法で解読する必要がありました。次に、大規模で多様な消費者のグループの生物学的感覚好みを継続的に取得、増強、追跡する方法が必要でした。これは、私たちの基準事実として機能するためです。現行の方法が感覚に基づく製品の消費者好みを予測できない理由2015年に研究を開始したとき、私たちの仮説は、ワインの風味、つまり味、香り、質感、色について知る必要があるすべてが化学の中に存在するというものでした。ただし、より包括的な分析方法が欠けていることがわかりました。この限界を説明するために、感覚に基づく製品の化学は、主に品質管理、つまりこの分析物が混合物の中にどのくらい含まれているかということに焦点が当てられていることを理解することが重要です。通常、すべての分析物、その相対的な比率、または人間の味覚で風味を生み出すためにどのように組み合わさるかを評価することに焦点が当てられていません。これは、私たちが照らさなければならない盲点です。人間の味覚では、数百種類の化合物間でダイナミックな相互作用が発生しています。人間の味覚は、同時に複数の化合物を経験しますが、機械は一度に 1 つの化合物だけを経験します。複数の化合物間の相互作用と、それらの化合物の組み合わせは、各消費者の独自の生物学的特性によって、化学のどの特徴がその人に表現されるかという点で重要な文脈を提供します。感覚が考慮される場合、通常のアプローチは次のようになります： 調査データによると、人々はバターが好きです。 ジアセチルは、バターの風味と関連付けられる化合物です。 シャルドネにジアセチルを多く含ませば、多くの人に好きになってもらえるでしょう。 このアプローチの根本的な問題。 化合物の量化のみでは風味を予測できない。 ダイアセチルの特定の濃度は、一つのワインやヴィンテージではバターのように感じられるかもしれませんが、別のワインやヴィンテージではそうではないかもしれません。これは、ワインの中に数百種類の他の化合物があり、それらの濃度と比率によって、ダイアセチルがマスクされるか表現されるかが決まるからです。機械とは異なり、人間は同時にすべての化合物を経験しています。彼らの感覚は個々の化合物を個別に分析していないため、個々の与えられた量化は必ずしも予測可能ではありません。   人間は風味を異なる方法で認識し、伝えます。 甚至、専門家パネルの間で、半分の専門家は何かをリンゴのように味わうと説明し、もう半分の専門家はナシのように味わうと説明するかもしれません。平均的な消費者はさらに予測不可能です。私たちの研究によると、人間の味覚は、単に言語を通じて一人から別の人へ正確に伝えることができないほど、曖昧で、定義が個々の生物学的および文化的経験に基づいて異なります。たとえば、アメリカでは、消費者の大多数はベンズアルデヒドの感覚を「チェリー」と説明しますが、ヨーロッパでは同じワインで「マジパン」と説明します。   消費者が認識する風味と、彼らが実際に好きかどうかとの間には相関関係がない。 私たちの研究では、消費者はワインがチェリーのように味わうからと言って、それを購入するのではありません。彼らは単に、そのワインが好きだと判断し、また好きになる可能性が高いと判断します。 例: この理解の欠如は、ワインセグメントに特有のものではありません。世界最大のフレーバーおよびフレグランス会社の幹部や研究者と会ったことがあります。ある幹部は、最近のラベンダーチョコレートの新製品開発プロジェクトについての彼の悔しさを説明しました。この会社は、ワインが好きで、ラベンダーが好きで、ラベンダーチョコレートが好きな消費者と、座り込み、フォーカスグループを実施するために数百万ドルを費やしました。最終的に、回答者はそれがラベンダーチョコレートであることに同意しましたが、特にそのラベンダーチョコレートが好きではないことに同意しました。これらの洞察の結果、私たちは、消費者がどの化学行列を好きか、それをどの程度好きかを予測することに焦点を当てるべきであると結論付けました。彼らがどのような風味を認識するかということではなく。私たちのアプローチが異なる理由ガベージイン、ガベージアウト。データ品質に関しては、有効なトレーニングセットは、既存の商用またはクラウドソーシングデータから生成できないことを認識しました。自分で作成する必要がありました。最初に必要だったのは、ワインの揮発性、非揮発性、溶解性、スペクトルデータなどの繊細なバランスを 1 つのスナップショットで可視化する化学方法でした。これは、人間の味覚により関連するものです。数年間の実験の結果、1 つのサンプルあたり 100 万を超えるデータポイントを生成する方法論が開発されました。このグラニュラーで圧倒的な量のデータは、私たちのデータサイエンスチームによって人間の感覚に基づいて解釈される依存関係を解読するように設計された機械学習アルゴリズムによって処理されます。この方法の有効性を証明した後、世界中の数千種類のワインの風味行列を分析し、解読し、そしてワインの世界の包括的な風味行列データベースを開発しました。消費者の好みを化学に結び付ける次に、私たちが分析し、解読したワインの風味行列を好む消費者の好みを理解する必要がありました。数年間にわたって、数千人の消費者と共に定期的な二重盲検味覚パネルを実施しました。各回答者は、時間の経過とともに数十種類または数百種類のワインを味わいます。回答者には、ワイン初心者、典型的なワイン飲み、専門家、ワイナリー、ソムリエが含まれます。クラウドソーシングシステムは、重要なデータを欠落させたり無視したりします。たとえば、パーカー・スケールでは、ほとんどの人が 80 点を超えるワインにスコアを付けません。ただし、私たちが学んだことは、消費者が何を嫌いなのか、より何を好きかというよりも、嫌いなものをより強く嫌いなのだということです。したがって、好みの全体像を把握することが重要です。特に、否定的な好みを把握することが重要です。私たちは、消費者の独自の好みをさまざまな種類の風味行列に対して理解するために、独自の機械学習を使用しました。時間の経過とともに、これにより、彼らがまだ味わっていないワインに対する好みを正確に予測することができます。このプロセスで、私たちは、個々のワインや個々の好みは、ほぼ指紋のようなユニーク性を持っていることを学びました。消費者やワインを一般化したり、共同フィルタリングしたりすることはできないという結論に達しました。例: 2 人の女性は同じ地理的位置、文化、民族、教育、収入、車、携帯電話を共有し、キム・クロフォード・ソーヴィニョン・ブランを愛していますが、1...