ຜູ້ ນຳ ທີ່ຄິດ
How Tastry "ສອນຄອມພິວເຕີວິທີການລົດຊາດ."
ວິທີການ Tastry ໃຊ້ເຄມີໃຫມ່ແລະ AI ເພື່ອຄາດຄະເນຄວາມມັກຂອງຜູ້ບໍລິໂພກ.
ຕັ້ງແຕ່ເລີ່ມຕົ້ນ, ຄໍາຖາມທີ່ພວກເຮົາຕ້ອງການຕອບແມ່ນ: "ພວກເຮົາສາມາດຖອດລະຫັດ matrices ລົດຊາດທີ່ເປັນເອກະລັກຂອງຜະລິດຕະພັນທີ່ອີງໃສ່ຄວາມຮູ້ສຶກ, ແລະຄວາມມັກທາງຊີວະພາບທີ່ເປັນເອກະລັກຂອງຜູ້ບໍລິໂພກເພື່ອຄາດຄະເນຄວາມມັກໄດ້ຢ່າງຖືກຕ້ອງ?" ຄໍາຕອບສັ້ນແມ່ນແມ່ນ.
ຢ່າງໃດກໍ່ຕາມ, ໃນຕົ້ນໆຂອງການຄົ້ນຄວ້າຂອງພວກເຮົາພວກເຮົາໄດ້ພົບເຫັນວ່າວິທີການການວິເຄາະທາງເຄມີທີ່ມີຢູ່ແລ້ວແລະຂໍ້ມູນຄວາມມັກຂອງຜູ້ບໍລິໂພກທີ່ມີຢູ່, ສະຫນອງການພົວພັນຫຼືການຄາດຄະເນທີ່ບໍ່ມີຄວາມສໍາຄັນທາງສະຖິຕິ. ພວກເຮົາຮູ້ວ່າພວກເຮົາຈະຕ້ອງສ້າງຂໍ້ມູນຂອງພວກເຮົາເອງເພື່ອໃຫ້ມີຄວາມຄືບຫນ້າ.
ທໍາອິດ, ພວກເຮົາຈໍາເປັນຕ້ອງສ້າງວິທີການວິເຄາະທາງເຄມີທີ່ຈະໃຫ້ຄວາມໂປ່ງໃສຫຼາຍເທົ່າທີ່ເປັນໄປໄດ້ກັບເຄມີສາດທີ່ເປັນໄປໄດ້ (ລວມທັງການລະເຫີຍ, ບໍ່ລະເຫີຍ, ການລະລາຍ, ຂໍ້ມູນ spectral, ແລະອື່ນໆ.) ພວກເຮົາຍັງຈໍາເປັນຕ້ອງໄດ້ຖອດລະຫັດ matrix ລົດຊາດໃນວິທີການ. ທີ່ສາມາດແປໄດ້ເພື່ອຊ່ວຍປະມານວິທີການທີ່ມະນຸດປະສົບກັບເຄມີສາດນັ້ນຢູ່ໃນປາກຂອງເຂົາເຈົ້າ.
ອັນທີສອງ, ພວກເຮົາຈໍາເປັນຕ້ອງສ້າງວິທີການທີ່ຈະໄດ້ຮັບຢ່າງຕໍ່ເນື່ອງແລະຖືກຕ້ອງ, ຂະຫຍາຍ, ແລະຕິດຕາມຄວາມມັກທາງດ້ານຄວາມຮູ້ສຶກທາງດ້ານຊີວະວິທະຍາຂອງກຸ່ມຜູ້ບໍລິໂພກຕົວຈິງຂະຫນາດໃຫຍ່, ຫຼາກຫຼາຍຊະນິດ, ແລະບໍ່ເຄີຍມີການຂະຫຍາຍຕົວເພື່ອຮັບໃຊ້ເປັນຄວາມຈິງພື້ນຖານຂອງພວກເຮົາ.
ເປັນຫຍັງວິທີການໃນປະຈຸບັນຈຶ່ງບໍ່ສາມາດຄາດເດົາຄວາມມັກຂອງຜູ້ບໍລິໂພກສໍາລັບຜະລິດຕະພັນທີ່ອີງໃສ່ຄວາມຮູ້ສຶກ
ເມື່ອພວກເຮົາເລີ່ມການຄົ້ນຄວ້າໃນປີ 2015, ພວກເຮົາມີສົມມຸດຕິຖານວ່າທຸກຢ່າງທີ່ເຈົ້າຕ້ອງການຮູ້ກ່ຽວກັບລົດຊາດຂອງເຫຼົ້າແວງ, ນັ້ນຄືລົດຊາດ, ກິ່ນຫອມ, ໂຄງສ້າງ, ແລະສີ - ມີຢູ່ໃນເຄມີສາດ. ຢ່າງໃດກໍ່ຕາມ, ສິ່ງທີ່ຂາດຫາຍໄປແມ່ນວິທີການວິເຄາະທີ່ສົມບູນແບບກວ່າ.
ເພື່ອອະທິບາຍຂໍ້ຈໍາກັດນີ້, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະເຂົ້າໃຈວ່າເຄມີສາດຂອງຜະລິດຕະພັນ sensory ສ່ວນໃຫຍ່ແມ່ນສຸມໃສ່ການຄວບຄຸມຄຸນນະພາບ, ie, ຫຼາຍປານໃດຂອງການວິເຄາະນີ້ແມ່ນຢູ່ໃນປະສົມນັ້ນ? ໂດຍທົ່ວໄປແລ້ວ, ຈຸດສຸມບໍ່ແມ່ນການປະເມີນການວິເຄາະທັງຫມົດ, ອັດຕາສ່ວນພີ່ນ້ອງຂອງເຂົາເຈົ້າ, ຫຼືວິທີການທີ່ເຂົາເຈົ້າສົມທົບໃສ່ palate ຂອງມະນຸດເພື່ອສ້າງລົດຊາດ. ນີ້ແມ່ນຈຸດຕາບອດທີ່ພວກເຮົາຕ້ອງການເພື່ອໃຫ້ຄວາມສະຫວ່າງເນື່ອງຈາກວ່າມີການພົວພັນແບບເຄື່ອນໄຫວເກີດຂຶ້ນໃນບັນດາຫຼາຍຮ້ອຍຂອງທາດປະສົມກ່ຽວກັບປາກຂອງມະນຸດ. ເພດານປາກຂອງມະນຸດມີປະສົບການ "ແກງເຄມີ" ຂອງທາດປະສົມທີ່ມີລົດຊາດໃນເວລາດຽວກັນ, ບໍ່ແມ່ນສານປະສົມຫນຶ່ງໃນເວລາດຽວກັນຄືກັບເຄື່ອງຈັກ. ປະຕິສໍາພັນລະຫວ່າງທາດປະສົມເຫຼົ່ານີ້ປະສົມປະສານກັບຊີວະວິທະຍາທີ່ເປັນເອກະລັກຂອງຜູ້ບໍລິໂພກແຕ່ລະຄົນ, ສະຫນອງສະພາບການທີ່ສໍາຄັນກ່ຽວກັບຄຸນລັກສະນະຂອງເຄມີສາດທີ່ສະແດງອອກຕໍ່ບຸກຄົນນັ້ນ.
ໃນຂອບເຂດທີ່ sensory ໄດ້ຖືກພິຈາລະນາ, ເວົ້າງ່າຍໆ, ວິທີການປົກກະຕິເບິ່ງຄືວ່ານີ້:
- ຂໍ້ມູນການສໍາຫຼວດສະແດງໃຫ້ເຫັນວ່າປະຊາຊົນມັກມັນເບີ.
- Diacetyl ແມ່ນສານປະສົມທີ່ປົກກະຕິກ່ຽວຂ້ອງກັບລົດຊາດຂອງມັນເບີ.
- ຖ້າພວກເຮົາເຮັດ chardonnay ທີ່ມີ diacetyl ຫຼາຍ, ຄົນຈະມັກມັນຫຼາຍຂຶ້ນ.
ບັນຫາຫຼັກກັບວິທີການນີ້.
- ລົດຊາດບໍ່ສາມາດຄາດເດົາໄດ້ໂດຍການວັດແທກປະລິມານຂອງທາດປະສົມຢ່າງດຽວ. ຄວາມເຂັ້ມຂົ້ນຂອງ diacetyl ທີ່ໄດ້ຮັບນັ້ນອາດຈະຖືກຮັບຮູ້ວ່າເປັນມັນເບີໃນເຫຼົ້າແວງຫນຶ່ງຫຼືເຫຼົ້າແວງ, ແຕ່ບໍ່ແມ່ນໃນອີກອັນຫນຶ່ງ. ນີ້ແມ່ນຍ້ອນວ່າມີທາດປະສົມອື່ນໆຫຼາຍຮ້ອຍຊະນິດໃນເຫຼົ້າແວງ, ແລະຂຶ້ນກັບຄວາມເຂັ້ມຂຸ້ນແລະອັດຕາສ່ວນຂອງມັນ, diacetyl ສາມາດໃສ່ຫນ້າກາກຫຼືສະແດງອອກ. ບໍ່ເຫມືອນກັບເຄື່ອງຈັກ, ມະນຸດກໍາລັງປະສົບກັບທາດປະສົມທັງຫມົດໃນເວລາດຽວກັນ, ຄວາມຮູ້ສຶກຂອງເຂົາເຈົ້າບໍ່ໄດ້ວິເຄາະແຕ່ລະທາດປະສົມ, ດັ່ງນັ້ນການກໍານົດປະລິມານຂອງບຸກຄົນແມ່ນບໍ່ຈໍາເປັນທີ່ຈະຄາດຄະເນ.
- ມະນຸດຮັບຮູ້ແລະສື່ສານລົດຊາດທີ່ແຕກຕ່າງກັນ. ເຖິງແມ່ນວ່າໃນບັນດາຄະນະຜູ້ຊ່ຽວຊານ, ຜູ້ຊ່ຽວຊານເຄິ່ງຫນຶ່ງອາດຈະພັນລະນາບາງສິ່ງບາງຢ່າງທີ່ມີລົດຊາດຄ້າຍຄືຫມາກໂປມ, ແລະອີກເຄິ່ງຫນຶ່ງອາດຈະອະທິບາຍວ່າມັນເປັນຫມາກພິກ. ແລະຜູ້ບໍລິໂພກສະເລ່ຍແມ່ນແມ້ກະທັ້ງຫນ້ອຍຄາດຄະເນ. ຈາກການຄົ້ນຄວ້າຂອງພວກເຮົາ, ພວກເຮົາບໍ່ເຊື່ອວ່າລົດຊາດຂອງມະນຸດສາມາດເຫັນໄດ້ຊັດເຈນພຽງພໍທີ່ຈະສື່ສານຢ່າງຖືກຕ້ອງໂດຍຜ່ານພາສາຈາກຄົນຫນຶ່ງໄປຫາອີກຄົນຫນຶ່ງ. ຄໍາອະທິບາຍຂອງພວກເຮົາບໍ່ຊັດເຈນເກີນໄປ, ແລະຄໍານິຍາມຂອງພວກເຮົາແຕກຕ່າງກັນໂດຍອີງໃສ່ຊີວະສາດສ່ວນບຸກຄົນແລະປະສົບການວັດທະນະທໍາ. ສໍາລັບຕົວຢ່າງ, ໃນສະຫະລັດຜູ້ບໍລິໂພກສ່ວນໃຫຍ່ອະທິບາຍເຖິງຄວາມຮັບຮູ້ຂອງ benzaldehyde ເປັນ "cherry", ແຕ່ຜູ້ບໍລິໂພກສ່ວນໃຫຍ່ໃນເອີຣົບອະທິບາຍວ່າ "marzipan" ... ເຖິງແມ່ນວ່າໃນເຫຼົ້າແວງດຽວກັນ.
- ລົດຊາດທີ່ຜູ້ບໍລິໂພກຮັບຮູ້ບໍ່ມີຄວາມສໍາພັນກັບວ່າພວກເຂົາມັກມັນຫຼືບໍ່. ໃນການຄົ້ນຄວ້າຂອງພວກເຮົາ, ມັນສັງເກດເຫັນວ່າຜູ້ບໍລິໂພກບໍ່ຕັດສິນໃຈຊື້ເຫຼົ້າແວງເພາະວ່າມັນມີລົດຊາດຄ້າຍຄື cherry. ພວກເຂົາພຽງແຕ່ຕັດສິນວ່າພວກເຂົາມັກເຫຼົ້າແວງ, ແລະພວກເຂົາມີແນວໂນ້ມທີ່ຈະມັກມັນອີກເທື່ອຫນຶ່ງ.
ຕົວຢ່າງ: ການຂາດຄວາມເຂົ້າໃຈນີ້ບໍ່ສະເພາະກັບສ່ວນເຫຼົ້າແວງ. ພວກເຮົາໄດ້ພົບກັບຜູ້ບໍລິຫານແລະນັກຄົ້ນຄວ້າຢູ່ໃນບາງບໍລິສັດປຸງລົດຊາດແລະເຄື່ອງຫອມທີ່ໃຫຍ່ທີ່ສຸດໃນໂລກ. ຜູ້ບໍລິຫານຄົນ ໜຶ່ງ ໄດ້ອະທິບາຍເຖິງຄວາມອຸກອັ່ງຂອງລາວກັບໂຄງການທີ່ຜ່ານມາເພື່ອສ້າງຊັອກໂກແລັດ lavender ໃໝ່. ບໍລິສັດນີ້ໃຊ້ເງິນຫຼາຍລ້ານໂດລາເພື່ອນັ່ງ ແລະແລ່ນກຸ່ມຈຸດສຸມກັບຜູ້ບໍລິໂພກໂດຍສະເພາະທີ່ມັກຊັອກໂກແລັດ, ຮັກລາເວນເດີ ແລະຮັກຊັອກໂກແລັດລາເວເດີ. ໃນທີ່ສຸດຜົນໄດ້ຮັບແມ່ນວ່າຜູ້ຕອບຕົກລົງເຫັນດີວ່າມັນເປັນຊັອກໂກແລັດ lavender, ແຕ່ວ່າພວກເຂົາຍັງຕົກລົງເຫັນດີວ່າພວກເຂົາບໍ່ມັກຊັອກໂກແລັດ lavender ໂດຍສະເພາະ.
ເປັນຜົນມາຈາກຄວາມເຂົ້າໃຈເຫຼົ່ານີ້, ພວກເຮົາໄດ້ສະຫຼຸບວ່າພວກເຮົາຄວນສຸມໃສ່ການຄົ້ນຄວ້າຂອງພວກເຮົາໃນການຄາດຄະເນສິ່ງທີ່ເຄມີສາດ matrices ຜູ້ບໍລິໂພກມັກ, ແລະໃນຂອບເຂດໃດ, ກົງກັນຂ້າມກັບລົດຊາດທີ່ເຂົາເຈົ້າຮັບຮູ້.
ວິທີການຂອງພວກເຮົາແຕກຕ່າງກັນແນວໃດ
ຂີ້ເຫຍື້ອເຂົ້າ, ຂີ້ເຫຍື້ອອອກ. ເມື່ອເວົ້າເຖິງຄຸນນະພາບຂໍ້ມູນ, ພວກເຮົາຮູ້ວ່າຊຸດຝຶກອົບຮົມທີ່ຖືກຕ້ອງບໍ່ສາມາດຖືກສ້າງຂື້ນຈາກຂໍ້ມູນການຄ້າ ຫຼືຂໍ້ມູນຈາກຝູງຊົນທີ່ມີຢູ່ແລ້ວ. ພວກເຮົາຈະຕ້ອງສ້າງຂອງຕົນເອງ, ໃນເຮືອນ.
ສິ່ງທໍາອິດທີ່ພວກເຮົາຕ້ອງການແມ່ນວິທີການເຄມີທີ່ຈະສະຫນອງການເບິ່ງເຫັນກ່ຽວກັບການດຸ່ນດ່ຽງທີ່ລະອຽດອ່ອນຂອງການລະເຫີຍ, nonvolatile, ຂອງແຂງລະລາຍ, spectral ຂໍ້ມູນ, ແລະອື່ນໆ, ຂອງເຫຼົ້າແວງໃນຫນຶ່ງ snapshot, ມີຄວາມກ່ຽວຂ້ອງຫຼາຍກັບ palate ຂອງມະນຸດ.
ການທົດລອງຫຼາຍປີເຮັດໃຫ້ວິທີການທີ່ສ້າງຂໍ້ມູນຫຼາຍກວ່າ 1 ລ້ານຈຸດຕໍ່ຕົວຢ່າງ. ຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍນີ້ຖືກປະມວນຜົນໂດຍລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຖືກອອກແບບມາໂດຍທີມງານວິທະຍາສາດຂໍ້ມູນຂອງພວກເຮົາເພື່ອຖອດລະຫັດຄວາມເພິ່ງພາອາໄສເຊິ່ງແຈ້ງໃຫ້ມະນຸດຮັບຮູ້ໂດຍອີງຕາມອັດຕາສ່ວນຂອງການວິເຄາະແລະກຸ່ມຂອງການວິເຄາະ.
ເມື່ອພວກເຮົາໄດ້ພິສູດປະສິດທິພາບສໍາລັບວິທີການນີ້, ພວກເຮົາໄດ້ເລີ່ມວິເຄາະແລະຖອດລະຫັດ matrix ລົດຊາດຂອງເຫຼົ້າແວງຫຼາຍພັນຊະນິດໃນທົ່ວໂລກແລະນັບຕັ້ງແຕ່ໄດ້ມີການພັດທະນາຖານຂໍ້ມູນ matrix ລົດຊາດທີ່ສົມບູນແບບຂອງໂລກເຫລົ້າທີ່ເຮັດໄດ້.
ກ່ຽວຂ້ອງກັບຄວາມມັກຂອງຜູ້ບໍລິໂພກຕໍ່ກັບເຄມີສາດ
ຕໍ່ໄປ, ພວກເຮົາຕ້ອງເຂົ້າໃຈວ່າລົດຊາດໃດທີ່ຜູ້ບໍລິໂພກມັກໂດຍການໃຫ້ພວກເຂົາລົດຊາດແລະໃຫ້ຄະແນນເຫຼົ້າແວງທີ່ພວກເຮົາໄດ້ວິເຄາະ. ໃນຊຸມປີມໍ່ໆມານີ້, ພວກເຮົາໄດ້ດໍາເນີນຄະນະລົດຊາດສອງຕາບອດປົກກະຕິທີ່ມີຜູ້ບໍລິໂພກຫລາຍພັນຄົນ, ແຕ່ລະຄົນໄດ້ລົດຊາດເຫຼົ້າແວງຫຼາຍສິບຫຼືຫຼາຍຮ້ອຍຊະນິດໃນໄລຍະເວລາ. ຜູ້ຕອບລວມມີຜູ້ມາໃໝ່ກ່ຽວກັບເຫຼົ້າແວງ, ຜູ້ດື່ມເຫຼົ້າແວງທົ່ວໄປ, ຜູ້ຊ່ຽວຊານ, ຜູ້ເຮັດເຫຼົ້າແວງ, ແລະ sommeliers.
ໂດຍທົ່ວໄປແລ້ວລະບົບທີ່ມາຈາກຝູງຊົນຈະພາດ ຫຼືບໍ່ສົນໃຈຂໍ້ມູນສຳຄັນ. ຕົວຢ່າງ, ໃນລະດັບ Parker, ຄົນສ່ວນໃຫຍ່ຈະບໍ່ໄດ້ຄະແນນເຫຼົ້າຕ່ໍາກວ່າ 80pt. ຊ່ວງ. ແຕ່ພວກເຮົາໄດ້ຮຽນຮູ້ວ່າຜູ້ບໍລິໂພກບໍ່ມັກສິ່ງທີ່ພວກເຂົາບໍ່ມັກ, ຫຼາຍກວ່າສິ່ງທີ່ພວກເຂົາມັກ. ດັ່ງນັ້ນ, ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະມີຮູບພາບເຕັມທີ່ຂອງຄວາມມັກ - ໂດຍສະເພາະແມ່ນຄວາມມັກທາງລົບ.
ພວກເຮົາໄດ້ນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃຫມ່ຂອງພວກເຮົາເພື່ອເຂົ້າໃຈຄວາມມັກຂອງຜູ້ບໍລິໂພກທີ່ເປັນເອກະລັກສໍາລັບປະເພດຕ່າງໆຂອງ matrices ລົດຊາດໃນເຫຼົ້າແວງ. ເມື່ອເວລາຜ່ານໄປ, ສິ່ງນີ້ເຮັດໃຫ້ພວກເຮົາຄາດຄະເນໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບຄວາມມັກຂອງເຂົາເຈົ້າສໍາລັບເຫຼົ້າແວງທີ່ເຂົາເຈົ້າຍັງບໍ່ທັນໄດ້ລົດຊາດ. ໃນລະຫວ່າງຂະບວນການນີ້, ພວກເຮົາຍັງໄດ້ຮຽນຮູ້ວ່າເຫລົ້າທີ່ເຮັດຈາກແຕ່ລະຄົນ, ເຊັ່ນດຽວກັນກັບຄວາມມັກຂອງແຕ່ລະຄົນ, ແມ່ນເກືອບຄ້າຍຄື fingerprint ໃນຄວາມເປັນເອກະລັກຂອງມັນ. ພວກເຮົາໄດ້ສະຫຼຸບວ່າ, ກົງກັນຂ້າມກັບການປະຕິບັດອຸດສາຫະກໍາປະເພນີ, ຜູ້ບໍລິໂພກແລະເຫຼົ້າແວງບໍ່ສາມາດຖືກຈັດກຸ່ມຢ່າງຖືກຕ້ອງ, ຫຼືການກັ່ນຕອງຮ່ວມກັນ, ເຂົ້າໄປໃນໂດຍທົ່ວໄປ.
ຕົວຢ່າງ: ແມ່ຍິງສອງຄົນສາມາດແບ່ງປັນພູມສາດ, ວັດທະນະທໍາ, ຊົນເຜົ່າ, ການສຶກສາ, ລາຍໄດ້, ລົດ, ໂທລະສັບ, ແລະທັງສອງຮັກ Kim Crawford Sauvignon Blanc; ແຕ່ຄົນຫນຶ່ງສາມາດຮັກ Morning Fog chardonnay ແລະຄົນອື່ນສາມາດກຽດຊັງມັນ. ການເບິ່ງເຫັນການຄາດເດົາທີ່ເຊື່ອຖືໄດ້ພຽງແຕ່ພັກຜ່ອນກັບ palate ຊີວະສາດຂອງພວກເຂົາ.
ວິທີການຂະຫນາດນະວັດກໍານີ້?
ສິ່ງທີ່ພວກເຮົາໄດ້ສ້າງແມ່ນດີເລີດ, ແຕ່ການໃຫ້ລົດຊາດແມ່ນລາຄາແພງແລະໃຊ້ເວລາຫຼາຍ. ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະດໍາເນີນການຄະນະລົດຊາດປະຈໍາປີຂອງຊາວອາເມຣິກັນທັງຫມົດ 248 ລ້ານຄົນທີ່ມີອາຍຸຫຼາຍກວ່າ 21 ປີເພື່ອເຂົ້າໃຈສິ່ງທີ່ເຂົາເຈົ້າຈະມັກເຫຼົ້າແວງ.
ພວກເຮົາຕ້ອງການອອກແບບເຄື່ອງມືທີ່ສາມາດປັບຂະຫນາດໄດ້ທີ່ມີປະສິດທິພາບດຽວກັນໃນການຄາດຄະເນຄວາມມັກຂອງຜູ້ບໍລິໂພກ, ໂດຍບໍ່ມີການຮຽກຮ້ອງໃຫ້ມີການມີສ່ວນຮ່ວມໃນຫມູ່ຄະນະລົດຊາດຫຼືສະແດງຄວາມມັກຂອງເຂົາເຈົ້າສໍາລັບຊຸດຂະຫນາດໃຫຍ່ຂອງເຫຼົ້າແວງລົດຊາດທີ່ຜ່ານມາ.
ການແກ້ໄຂຂອງພວກເຮົາແມ່ນເພື່ອໃຫ້ມີ AI ເລືອກເອົາລາຍການອາຫານທີ່ງ່າຍດາຍເຊິ່ງແບ່ງປັນລັກສະນະທາງເຄມີຂອງເຂົາເຈົ້າກັບເຫຼົ້າແວງໃນການຈັດປະເພດ. ຜູ້ຕອບໃນຄະນະລົດຊາດຂອງພວກເຮົາໄດ້ຕອບຄໍາຖາມດັ່ງກ່າວຫຼາຍຮ້ອຍຄໍາຖາມກ່ຽວກັບຄວາມມັກຂອງເຂົາເຈົ້າສໍາລັບອາຫານແລະລົດຊາດທີ່ບໍ່ກ່ຽວຂ້ອງໂດຍກົງກັບເຫຼົ້າແວງ; ເຊັ່ນ, "ເຈົ້າຮູ້ສຶກແນວໃດກັບຫມາກພິກຂຽວ?", ຫຼື "ເຈົ້າຮູ້ສຶກແນວໃດກ່ຽວກັບເຫັດ?"
ຄໍາຖາມເຫຼົ່ານີ້ໄດ້ຖືກນໍາໃຊ້ໂດຍ TastryAI ເປັນການປຽບທຽບກັບປະເພດ, ແລະອັດຕາສ່ວນ, ຂອງທາດປະສົມທີ່ພົບເຫັນທົ່ວໄປໃນເຄມີພື້ນຖານຂອງເຫຼົ້າແວງ. ໃນຖານະມະນຸດ, ພວກເຮົາບໍ່ສາມາດຖອດລະຫັດ ຫຼືເຂົ້າໃຈຄວາມສຳພັນ ແລະຮູບແບບທີ່ຊັບຊ້ອນເຫຼົ່ານີ້ໄດ້, ແຕ່ເມື່ອມັນເກີດຂຶ້ນກັບຄວາມສຳພັນທີ່ສັບສົນເຫຼົ່ານີ້ ເປັນບັນຫາທີ່ດີເລີດສຳລັບການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອແກ້ໄຂ.
ດ້ວຍຂໍ້ມູນນີ້, TastryAI ໄດ້ຮຽນຮູ້ວິທີການຄາດຄະເນຄວາມມັກຂອງຜູ້ບໍລິໂພກສໍາລັບເຫຼົ້າແວງ, ໂດຍອີງໃສ່ຄໍາຕອບຂອງພວກເຂົາຕໍ່ການສໍາຫຼວດຄວາມມັກອາຫານ. ສິ່ງທີ່ເປັນຜົນມາຈາກຄວາມສາມາດຂອງພວກເຮົາທີ່ຈະກໍາຈັດຄວາມຕ້ອງການສໍາລັບຂໍ້ມູນສະເພາະຂອງເຫລົ້າທີ່ເຮັດຈາກຜູ້ບໍລິໂພກເພື່ອຄາດຄະເນຄວາມມັກຂອງເຂົາເຈົ້າສໍາລັບເຫຼົ້າແວງ.
ພວກເຮົາຕ້ອງການຂໍ້ມູນຫຼາຍປານໃດເພື່ອເຂົ້າໃຈຄວາມມັກຂອງຜູ້ບໍລິໂພກ?
ເຖິງແມ່ນວ່າພວກເຮົາເລີ່ມຕົ້ນດ້ວຍຫຼາຍຮ້ອຍຄໍາຖາມຄວາມມັກຂອງອາຫານ, ຄໍາຕອບຫຼາຍແມ່ນຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງຫຼາຍ, ມີຜົນຕອບແທນຫຼຸດລົງຫຼັງຈາກ 9-12. ດ້ວຍຫຼັກການ Pareto ຢູ່ໃນບ່ອນເຮັດວຽກ, ຄໍາຖາມທີ່ມັກອາຫານທີ່ດີທີ່ສຸດໄດ້ສະຫນອງປະມານ. 80% ຄວາມເຂົ້າໃຈຂອງປາກຂອງຜູ້ບໍລິໂພກ.
ໃນມື້ນີ້, ປົກກະຕິແລ້ວມີ 10-12 ຄໍາຖາມການສໍາຫຼວດສໍາລັບເຫລົ້າທີ່ເຮັດຈາກສີແດງ, ແລະອີກ 10-12 ຄໍາຖາມການສໍາຫຼວດສໍາລັບເຫຼົ້າຂາວ, ດອກກຸຫລາບ, ແລະເຫຼົ້າແວງ sparkling.
ນີ້ອະນຸຍາດໃຫ້ການແກ້ໄຂທີ່ສາມາດຂະຫຍາຍໄດ້. ນັບຕັ້ງແຕ່ພວກເຮົາໄດ້ເປີດຕົວໃນນັກບິນຕ່າງໆໃນປີທີ່ຜ່ານມາ, ປະຈຸບັນມີຫຼາຍແບບສອບຖາມທີ່ມີລັກສະນະຄ້າຍຄືກັນຢູ່ໃນເວັບໄຊທ໌ອີຄອມເມີຊ. ຜູ້ບໍລິໂພກໃຊ້ເວລາແບບສອບຖາມ 30 ວິນາທີກ່ຽວກັບວ່າພວກເຂົາມັກ Blackberries ຫຼືກາເຟຫຼືບໍ່, ແລະພວກເຂົາໄດ້ຮັບລາງວັນດ້ວຍການແນະນໍາເຫຼົ້າແວງ. ຄວາມແຕກຕ່າງແມ່ນວ່າແບບສອບຖາມເຫຼົ່ານີ້ແມ່ນຢູ່ໃນການກັ່ນຕອງບັນທຶກທີ່ມີລົດຊາດທີ່ສຸດ, ie, ຖ້າທ່ານມັກ blackberries ເຈົ້າຈະມັກເຫຼົ້າແວງທີ່ຜູ້ໃດຜູ້ ໜຶ່ງ ອະທິບາຍວ່າມີລົດຊາດຄືກັບ ໝາກ ໄມ້ສີເຂັ້ມ, ຫຼືຖ້າທ່ານມັກກາເຟ, ເຈົ້າຈະມັກເຫຼົ້າແວງທີ່ອະທິບາຍໂດຍຜູ້ໃດຜູ້ ໜຶ່ງ. ເປັນຢາດ. ແຕ່ພວກເຮົາໄດ້ຮຽນຮູ້ວ່າຖ້າຫາກວ່າຄໍາອະທິບາຍເຫຼົ່ານັ້ນຖືກຕ້ອງສໍາລັບ palate ຂອງບຸກຄົນນັ້ນ, ມັນມີ ບໍ່ມີພະລັງງານການຄາດຄະເນr ກ່ຽວກັບວ່າພວກເຂົາຈະມັກເຫຼົ້າແວງຫລືບໍ່; ແຕ່ມັນມີສ່ວນຮ່ວມ, ຜູ້ບໍລິໂພກມັກແບບສອບຖາມ.
ຄໍາແນະນໍາຂອງ Tastry ແມ່ນຕິດພັນກັບລົດຊາດຂອງເຫຼົ້າແວງ. TastryAI ບໍ່ແມ່ນການກັ່ນຕອງບັນທຶກລົດຊາດ, ມັນບໍ່ໄດ້ຖາມວ່າເຈົ້າມັກກິ່ນຫອມຫຼືລົດຊາດຂອງເຫັດ ໃນເຫຼົ້າແວງຂອງເຈົ້າ, ມັນພະຍາຍາມ ເຂົ້າໃຈອັດຕາສ່ວນຂອງທາດປະສົມທີ່ທ່ານມັກຫຼືບໍ່ມັກໂດຍອີງໃສ່ຄວາມມັກຂອງຊີວະພາບຂອງທ່ານ. ແຕ່ລະຄຳຖາມໃຫ້ຄວາມເຂົ້າໃຈຫຼາຍຊັ້ນ ເພາະແຕ່ລະຄຳຖາມທັບຊ້ອນກັນ ແລະ ປ້ອນໃສ່ຄຳຖາມອື່ນ. ດັ່ງນັ້ນ, ຫຼັງຈາກຖາມກ່ຽວກັບເຫັດ, ບາງທີຄໍາຖາມຕໍ່ໄປແມ່ນ "ເຈົ້າຮູ້ສຶກແນວໃດກ່ຽວກັບລົດຊາດຂອງຫມາກພິກຂຽວ?" ສໍາລັບຕົວຢ່າງ, AI ອາດຈະຮູ້ວ່າມີ 33 ທາດປະສົມໃນອັດຕາສ່ວນທີ່ກໍານົດໂດຍທົ່ວໄປຮັບຜິດຊອບສໍາລັບການຮັບຮູ້ຂອງເຫັດ, ແລະ 22 ທາດປະສົມໂດຍທົ່ວໄປຮັບຜິດຊອບສໍາລັບລົດຊາດຂອງຫມາກພິກສີຂຽວ - ແຕ່ທີ່ສໍາຄັນບາງທາດປະສົມເຫຼົ່ານັ້ນມີຢູ່ໃນທັງສອງ. ຖ້າເຈົ້າບອກວ່າເຈົ້າຮັກເຫັດ, ແຕ່ຊັງໝາກພິກໄທຂຽວ, AI ຈະໝັ້ນໃຈເຈົ້າຫຼາຍຂຶ້ນ ຄື ທາດປະສົມບາງ, ຄວາມຫມັ້ນໃຈຫຼາຍທ່ານ ບໍ່ມັກ ທາດປະສົມອື່ນໆ, ແລະສິ່ງທີ່ທັບຊ້ອນກັນແມ່ນອາດຈະເປັນບໍລິບົດ.
ດັ່ງນັ້ນ, ທ່ານສາມາດຈິນຕະນາການແຜນວາດ Venn ຫຼາຍມິຕິ, ບ່ອນທີ່ AI ກໍາລັງລໍ້ລວງອອກວ່າທາດປະສົມໃດທີ່ທ່ານມັກຫຼືບໍ່ມັກໃນການປະສົມປະສານກັບທາດປະສົມອື່ນໆ.
ແລະດ້ວຍການສໍາຫຼວດຄວາມມັກລົດຊາດນີ້, ແລະຄໍາຄິດເຫັນຂອງຜູ້ບໍລິໂພກ, ພວກເຮົາເກັບກໍາຂໍ້ມູນ palate ທີ່ບໍ່ເປີດເຜີຍຊື່ຈາກທົ່ວໂລກ. ເວັບໄຊທ໌ອີຄອມເມີຊ, ຫຼືຮ້ານຂາຍຍ່ອຍກ່ອງໃຫຍ່, ສາມາດເປີດຕົວ Tastry Quiz ໃນ app ໄດ້, ແລະມີຄໍາຕອບຫຼາຍພັນເທື່ອພາຍໃນຊົ່ວໂມງຈາກຜູ້ບໍລິໂພກໃນສະຫະລັດ, ພຽງແຕ່ຂໍ້ມູນອື່ນທີ່ພວກເຮົາໄດ້ຮັບແມ່ນລະຫັດໄປສະນີ. ພວກເຮົາໃຊ້ລະຫັດຫັດໄປສະນີເພື່ອນໍາໃຊ້ການສືບທອດຂອງສັນພູ Bayesian, ເຊິ່ງໃຊ້ເວລາການແຜ່ກະຈາຍທາງພູມສາດຂອງ palate ຜູ້ບໍລິໂພກທີ່ຮູ້ຈັກທີ່ພວກເຮົາເກັບກໍາແລະຕິດຕາມ, ແລະຂໍ້ມູນອື່ນໆ, ແລະຄາດຄະເນສ່ວນທີ່ເຫຼືອຂອງ palates ຜູ້ບໍລິໂພກ 200M+ ໃນສະຫະລັດພວກເຮົາໃຊ້ການປັບປຸງນີ້. ຊຸດຂໍ້ມູນເປັນແຫຼ່ງຂອງຄວາມຈິງ, ແລະໃຫ້ການຄາດຄະເນກ່ຽວກັບວິທີທີ່ເຫຼົ້າແວງຈະປະຕິບັດຢູ່ໃນຕະຫຼາດໃນຮ້ານ, ທ້ອງຖິ່ນ, ຫຼືລະດັບພາກພື້ນ.
Tastry Virtual Focus Group
ຫຼັງຈາກການວິເຄາະເຫຼົ້າແວງ, ຖອດລະຫັດ matrix ລົດຊາດຂອງມັນ, ແລະການປະເມີນຄວາມແຊບຂອງມັນຕໍ່ກັບການປະສົມປະສານຂອງ palates ຕົວຈິງແລະ virtual, AI ປະຈຸບັນມີຄວາມຖືກຕ້ອງ 92.8%. ໃນການຄາດຄະເນການຈັດອັນດັບຜູ້ບໍລິໂພກລວມຂອງສະຫະລັດສໍາລັບເຫຼົ້າແວງ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, AI ສາມາດຄາດຄະເນການຈັດອັນດັບສະເລ່ຍ 5 ດາວສໍາລັບເຫຼົ້າແວງພາຍໃນ +/- 1/10.th ຂອງດາວ.
ມັນງ່າຍທີ່ສຸດທີ່ຈະຄິດວ່າ AI ເປັນ "Virtual Focus Group" ຂອງຄວາມມັກຂອງຜູ້ບໍລິໂພກ.
Wineries ໃຊ້ TastryAI ເພື່ອດໍາເນີນການຈໍາລອງກ່ຽວກັບວິທີທີ່ຜູ້ບໍລິໂພກຈະຮັບຮູ້ເຫຼົ້າແວງຂອງພວກເຂົາ, ເຖິງແມ່ນວ່າກ່ອນທີ່ພວກເຂົາຈະລົງທຶນຫຼາຍປີແລະລ້ານໂດລາໃນການສ້າງມັນ. ຜູ້ຄ້າສົ່ງໃຊ້ TastryAI ເພື່ອກໍານົດພາກພື້ນທີ່ເຫຼົ້າແວງຕ່າງໆຈະປະຕິບັດໄດ້ດີທີ່ສຸດ. ຮ້ານຄ້າປີກໃຊ້ TastryAI ເພື່ອເພີ່ມປະສິດທິພາບການຈັດລຽງຂອງພວກເຂົາຢູ່ໃນຊັ້ນວາງແລະອອນໄລນ໌. ແລະຜູ້ບໍລິໂພກໃຊ້ TastryAI ເພື່ອຫຼີກເວັ້ນຄວາມສ່ຽງທີ່ຈະຊື້ເຫຼົ້າແວງທີ່ເຂົາເຈົ້າຈະບໍ່ມັກ.
