사상 리더
태스트리, “컴퓨터에 맛을 가르친다”

핵심 포인트Tastry는 인지된 시음 노트가 아니라 와인 화학 성분으로부터 소비자의 선호도를 예측합니다.
더 보기
- Tastry는 인지된 시음 노트가 아니라 와인 화학 성분으로부터 소비자의 선호도를 예측합니다.
- 인간의 미각은 화합물을 조합하여 인지하므로, 분리된 화학 측정만으로는 선호도를 예측할 수 없습니다.
- 음식 선호도 퀴즈를 통해 TastryAI는 와인 관련 데이터 없이도 소비자의 생물학적 미각을 추론할 수 있습니다.
태스트리가 새로운 화학과 AI를 사용하여 소비자 선호도를 예측하는 방법.
처음부터 우리가 답변하고자 하는 질문은 “감각 기반 제품의 고유한 풍미 행렬과 소비자의 고유한 생물학적 선호도를 해독하여 선호도를 정확하게 예측할 수 있는가?”였다. 짧게 답하면 그렇다.
그러나 초기 연구에서 우리는 기존의 화학 분석 방법과 기존의 소비자 선호도 데이터가 통계적으로 유의미한 상관관계나 예측을 제공하지 않는다는 것을 발견했다. 우리는 진행하기 위해 자체 데이터를 생성해야 한다는 것을 알았다.
첫째, 우리는 화학을 가능한 한 투명하게 제공하는 분석 화학 방법을 생성해야 했다(휘발성, 비휘발성, 용해된, 분광 데이터 등). 우리는 또한 풍미 행렬을 인간이 맛볼 때 경험하는 방식으로 해석할 수 있도록 디코딩해야 했다.
둘째, 우리는 소비자의 생물학적 감각 선호도를 지속적으로 정확하게 얻고, 보강하고, 추적할 수 있는 방법을 생성해야 했다. 기준 데이터로 삼을 실제 소비자 집단은 규모가 크고 다양하며 지속적으로 늘어나야 했다.
현재 방법이 감각 기반 제품의 소비자 선호도를 예측하지 못하는 이유
우리가 2015년에 연구를 시작했을 때, 우리는 와인의 풍미, 즉 맛, 향, 질감, 색상이 모두 화학에 존재한다는 가설을 가지고 있었다. 그러나 더 포괄적인 분석 방법이 부족했다.

이 제한을 설명하기 위해, 감각 기반 제품의 화학은 주로 품질 관리에 초점이 맞춰져 있다는 것을 이해하는 것이 중요하다. 즉, 이 혼합물에 어떤 분석물이 얼마나 포함되어 있는지에 대한 것이다. 풍미를 평가하기 위한 것은 아니다. 이것이 우리가 밝히고자 하는 맹점이다. 인간의 입은 수백 가지 화합물의 동적 상호작용을 경험한다. 이것은 기계와는 다르다. 기계는 한 번에 하나의 화합물만 분석하지만, 인간은 모든 화합물을 동시에 경험한다. 이러한 상호작용은 각 소비자의 고유한 생물학적 특성과 결합하여 풍미를 결정한다.
감각을 고려하는 일반적인 접근 방식은 다음과 같다:
- 조사 데이터는 사람들이 버터를 좋아한다는 것을 보여준다.
- 다이아세틸은 일반적으로 버터의 풍미와 관련된 화합물이다.
- 우리가 샤도네를 더 많은 다이아세틸로 만들면, 더 많은 사람들이 그것을 좋아할 것이다.
이 접근 방식의 핵심 문제.
- 화합물의 양만으로 풍미를 예측할 수 없다. 와인이나 빈티지에 따라 다이아세틸의 특정 농도는 버터의 풍미로 인식될 수 있지만, 다른 경우에는 그렇지 않을 수 있다. 이것은 와인에 수백 가지 화합물이 존재하고, 그 농도와 비율에 따라 다이아세틸이 가려지거나 표현될 수 있기 때문이다. 기계와는 달리, 인간은 모든 화합물을 동시에 경험한다. 따라서 개별 화합물의 양은 예측에 유용하지 않다.
- 인간은 풍미를 다르게 인식하고 의사소통한다. 전문가 패널에서도, 일부 전문가는 특정 것을 사과로, 다른 일부는 배로 묘사할 수 있다. 평균 소비자는 더욱 예측하기 어렵다. 우리의 연구에 따르면, 인간의 미각은 언어로 정확하게 전달하기에는 너무 모호하다. 우리의 묘사는 너무 추상적이며, 정의는 개인의 생물학적 특성과 문화적 경험에 따라 다르다. 예를 들어, 미국의 대부분의 소비자는 벤즈알데히드를 체리라고 묘사하지만, 유럽의 대부분의 소비자는 마르지판이라고 묘사한다… 같은 와인에서도 마찬가지이다.
- 소비자가 인식하는 풍미는 실제로 좋아하는 것과 상관이 없다. 우리의 연구에 따르면, 소비자는 와인이 체리맛이라고 해서 그것을 구매하기로 결정하지 않는다. 단지 와인을 좋아한다는 판단을 내리고, 다시 구매할 가능성이 높다.
예: 이 이해의 부족은 와인 세그먼트에만 국한된 것이 아니다. 우리는 세계에서 가장 큰 향미·향료 회사들의 임원들과 연구원들을 만났다. 한 임원은 최근 라벤더 초콜릿을 개발하는 프로젝트에서 느꼈던 좌절을 이야기했다. 이 회사는 초콜릿과 라벤더, 라벤더 초콜릿을 좋아하는 소비자들을 모아 포커스 그룹을 진행하는 데 수백만 달러를 썼다. 참가자들은 제품이 라벤더 초콜릿이라는 데 동의했지만, 그 특정 라벤더 초콜릿은 마음에 들지 않는다고 답했다. 이에 우리는 소비자가 어떤 풍미를 인식하는가보다 어떤 화학적 행렬을 얼마나 좋아하는가를 예측하는 데 연구를 집중하기로 했다.
우리의 접근 방식이 다르다
쓰레기 입력, 쓰레기 출력. 데이터 품질에 관해서, 우리는 유효한 훈련 세트를 생성하기 위해 기존의 상업적 또는 크라우드소싱 데이터를 사용할 수 없다는 것을 깨달았다. 우리는 자체적으로 생성해야 했다.
먼저 와인의 휘발성·비휘발성 성분, 용존 고형물, 스펙트럼 데이터 등의 미묘한 균형을 한 번에 파악하는 화학 분석법이 필요했다. 이는 인간의 미각 경험에 더 가깝게 접근하기 위한 것이었다.
수년간의 실험 결과, 우리는 한 샘플당 1백만 개의 데이터 포인트를 생성하는 방법을 개발했다. 이 거대한 데이터는 기계 학습 알고리즘에 의해 처리되어 분석 대상 물질과 그 집단의 비율을 바탕으로 인간의 지각을 형성하는 상호 의존성을 해독했다.
이 방법의 효능을 입증한 후, 우리는 세계의 많은 와인을 분석하고 해독하여 와인의 풍미 행렬 데이터베이스를 개발했다.
소비자 선호도와 화학을 연결시키는 방법
다음으로, 우리는 소비자가 와인의 풍미 행렬을 어떻게 평가하는지 이해해야 했다. 우리는 수년간 수천 명의 소비자가 참여하는 정기적인 이중 맹검 시음 패널을 진행했다. 각 참가자는 그동안 수십 또는 수백 종류의 와인을 시음했다. 응답자는 와인 초보자, 일반 와인 음용자, 전문가, 와인 제조자, 소믈리에 등이다.
크라우드소싱 시스템은 중요한 데이터를 놓치거나 무시한다. 예를 들어, 파커 스케일에서 대부분의 사람은 80점대 중반보다 낮은 와인을 아예 평가하지 않는다. 그러나 우리는 소비자가 좋아하는 것에 느끼는 호감보다 싫어하는 것에 느끼는 반감이 더 강하다는 점을 배웠다. 따라서 선호도에 대한 전체 그림을 얻는 것이 중요하다.
우리는 소비자의 고유한 선호도를 이해하기 위해 새로운 기계 학습을 사용했다. 와인을 맛본 후에, 우리는 그들이 아직 맛보지 않은 와인에 대한 선호도를 정확하게 예측할 수 있었다. 이 과정에서, 우리는 각 와인과 개인의 선호도가 지문처럼 고유하다는 것을 알았다. 우리는 소비자와 와인을 일반화하거나 협력적으로 필터링할 수 없다는 결론을 내렸다.
예를 들어 두 여성이 사는 지역, 문화, 민족, 교육, 소득, 자동차, 전화가 같고 두 사람 모두 Kim Crawford Sauvignon Blanc을 좋아하더라도, 한 사람은 Morning Fog chardonnay를 좋아하고 다른 사람은 싫어할 수 있다. 신뢰할 만한 예측의 단서는 각자의 생물학적 미각 선호에 있다.
이 혁신을 확대하는 방법
우리가 생성한 것은 훌륭했지만, 테이스팅 패널은 비용이 많이 들고 시간이 많이 걸린다. 모든 21세 이상의 2.48억 명의 미국인을 대상으로 테이스팅 패널을 진행하는 것은 불가능하다.
우리는 예측력이 동일하지만 테이스팅 패널이나 이전에 맛본 와인에 대한 선호도를 표현할 필요가 없는 확장 가능한 도구를 설계하고자 했다.
해결책은 AI가 대상 와인들과 화학적 특성 일부를 공유하는 간단한 식품을 고르게 하는 것이었다. 응답자는 와인과 직접 관련이 없는 식품과 풍미에 대한 수백 개 질문에 답변했다. 예를 들어, “당신은 녹색 피망을 어떻게 생각하시나요?” 또는 “당신은 버섯을 어떻게 생각하시나요?”
이 질문들은 와인에 일반적으로 존재하는 화합물과 그 비율을 이해하기 위한 아날로그로 사용되었다. 인간은 이러한 복잡한 상관관계와 패턴을 해독할 수 없지만, 이는 기계 학습이 해결하기 좋은 문제이다.
이 데이터를 통해, 태스트리 AI는 소비자의 와인 선호도를 예측하는 방법을 배웠다. 와인에 대한 데이터가 필요하지 않다.
소비자 선호도를 이해하기 위해 필요한 데이터는 얼마나 되는가?
우리가 시작했을 때, 수백 개의 식품 선호도 질문이 있었지만, 답변이 많을수록 정확해지지만 9–12개를 넘어서면 추가 질문의 효용은 점차 줄었다. 파레토 원리에 따라, 최상의 수행을 제공하는 식품 선호도 질문은 소비자의 미각 선호에 대한 약 80%의 이해를 제공했다.
현재는 보통 레드와인용 10–12개 질문 설문과 화이트·로제·스파클링 와인용 10–12개 질문 설문을 별도로 사용한다.
이것은 확장 가능한 솔루션을 제공했다. 여러 년 전부터 다양한 파일럿을 시작한 이후, 현재는 많은 유사한 퀴즈가 있다. 소비자는 30초 동안 블랙베리나 커피를 좋아하는지에 대한 퀴즈에 답변하고, 와인 추천을 받는다. 그러나 이런 퀴즈는 대개 향미 묘사 필터에 불과하다. 블랙베리를 좋아하면 누군가 검은 과일 맛이라고 설명한 와인을, 커피를 좋아하면 떫다고 설명한 와인을 추천하는 식이다. 그 묘사가 개인의 미각과 맞더라도 그 와인을 좋아할지는 예측하지 못한다. 다만 소비자들은 흥미로운 퀴즈를 즐긴다. Tastry의 추천은 와인의 풍미 행렬에 기반한다.
TastryAI는 향미 묘사 필터가 아니다. 와인 속 버섯 향이나 맛을 좋아하는지 묻는 것이 아니라, 생물학적 미각 선호를 바탕으로 어떤 화합물 비율을 좋아하거나 싫어하는지 이해하려 한다. 질문은 서로 겹치고 연결되어 여러 층위의 통찰을 준다. 버섯 다음에는 녹색 피망을 물을 수 있다. 예를 들어 버섯을 인식하게 하는 데 특정 비율의 화합물 33개가, 녹색 피망 맛에는 22개가 관련되며 일부는 중복될 수 있다. 버섯은 좋아하지만 피망은 싫어한다면 AI는 어떤 성분을 좋아하고 싫어하는지 더 확신할 수 있고, 중복 성분의 효과는 다른 성분과의 조합이라는 맥락에 달려 있다고 볼 수 있다.
이것은 다차원 벤 다이어그램과 유사하다. AI는 소비자가 어떤 화합물을 좋아하거나 싫어하는지 이해한다.
이 풍미 선호 설문과 소비자 피드백을 통해 전 세계의 익명화된 미각 데이터를 모은다. 전자상거래 사이트나 대형 소매점은 앱에서 Tastry Quiz를 시작해 몇 시간 안에 미국 전역에서 수천 건의 응답을 받을 수 있다. 추가로 수집하는 데이터는 우편번호뿐이다. 이를 변형된 베이지안 릿지 기법에 적용해, 수집·관찰한 미각 선호의 지리적 분포와 다른 데이터를 바탕으로 미국의 나머지 2억 명 이상 잠재 소비자의 미각을 예측한다. 확장된 데이터셋을 기준 데이터로 삼아 와인이 매장·지역·권역별 시장에서 어떤 반응을 얻을지 예측한다.
태스트리 가상 포커스 그룹
와인을 분석하고 풍미 행렬을 해독한 뒤, 실제 및 가상의 미각 선호를 결합해 기호성을 평가하면, AI는 현재 92.8%의 정확도로 미국 소비자의 와인 평점을 예측한다. 이는 평균 5점 평점을 0.1점의 오차 범위 내에서 예측할 수 있다.
AI를 가상 소비자 그룹으로 생각할 수 있다.
와인 제조업체는 태스트리 AI를 사용하여 와인이 소비자에게 어떻게 인식될지 시뮬레이션할 수 있다. 도매업체는 태스트리 AI를 사용하여 와인이 어느 지역에서 잘 팔릴지 결정할 수 있다. 소매업체는 태스트리 AI를 사용하여 매장과 온라인의 제품을 최적화할 수 있다. 소비자는 태스트리 AI를 사용하여 와인을 사기 전에 와인을 좋아할지 않을지 알 수 있다.












