Hoe Tastry een computer leerde smaken

Hoe Tastry nieuwe chemie en AI gebruikt om consumentenvoorkeuren te voorspellen.

Vanaf het begin wilden we de vraag beantwoorden: “Kunnen we de unieke smaakmatrices van sensory-based producten en de unieke biologische voorkeuren van consumenten decoderen om likability nauwkeurig te voorspellen?” Het korte antwoord is ja.

Maar vroeg in ons onderzoek vonden we dat bestaande chemische analysemethoden en bestaande consumentenvoorkeursgegevens statistisch onbetekenende correlaties of voorspellingen boden. We wisten dat we onze eigen gegevens moesten creëren om vooruitgang te boeken.

Als eerste moesten we een analytische chemiemethode creëren die zoveel mogelijk transparantie zou bieden over de chemie (inclusief vluchtige en niet-vluchtige stoffen, opgeloste stoffen, spectrale gegevens enz.). We moesten ook de smaakmatrix decoderen op een manier die kon worden vertaald om te helpen bij benadering van hoe mensen die chemie op hun smaakpapillen ervaren.

Ten tweede moesten we een methode creëren om de biologische sensoryvoorkeuren van een grote, diverse en voortdurend groeiende groep echte consumenten constant en nauwkeurig te verzamelen en te volgen als onze grondwaarheid.

Waarom huidige methoden falen om consumentenvoorkeur voor sensory-based producten te voorspellen

Toen we ons onderzoek in 2015 startten, hadden we de hypothese dat alles wat je moet weten over de smaak van wijn, dat wil zeggen de smaak, geur, textuur en kleur – bestaat in de chemie. Echter, wat ontbrak was een meer omvattende methode van analyse.

Om deze beperking te verklaren, is het belangrijk om te begrijpen dat de chemie van sensory-based producten voornamelijk gericht is op kwaliteitscontrole, d.w.z. hoeveel van deze analyt is aanwezig in die mengsel? De focus ligt niet typisch op het evalueren van alle analyten, hun relatieve verhoudingen of hoe ze zich combineren op het menselijk smaakpapil om smaak te creëren. Dit is de blind spot die we moesten verlichten, omdat er dynamische interacties plaatsvinden tussen honderden verbindingen op een menselijk smaakpapil. Een menselijk smaakpapil ervaart een “chemische soep” van smaakverbindingen tegelijk, niet één verbinding tegelijk zoals een machine doet. De interacties tussen deze meerdere verbindingen in combinatie met de unieke biologie van elke consument, bieden kritische context over welke kenmerken van de chemie tot uitdrukking worden gebracht voor die persoon.

Waar sensory in aanmerking wordt genomen, ziet de typische aanpak er als volgt uit:

• Enquêtegegevens laten zien dat mensen van boter houden.
• Diacetyl is een verbinding die typisch geassocieerd wordt met de smaak van boter.
• Als we een chardonnay maken met meer diacetyl, zullen meer mensen het leuk vinden.

Belangrijke problemen met deze aanpak.

1. Smaak kan niet worden voorspeld door kwantificering van verbindingen alleen. Een bepaalde concentratie van diacetyl kan in één wijn of vintage als boter worden waargenomen, maar niet in een andere. Dit komt omdat er honderden andere verbindingen in de wijn zijn, en afhankelijk van hun concentraties en verhoudingen, kan diacetyl worden gemaskeerd of tot uitdrukking worden gebracht. In tegenstelling tot een machine, ervaren mensen alle verbindingen tegelijk, hun zintuigen analyseren niet elk afzonderlijk, dus elke afzonderlijke kwantificering is niet noodzakelijkerwijs voorspellend.

2. Mensen percipiëren en communiceren smaken anders. Zelfs onder een panel van experts, kunnen de helft van de experts iets beschrijven als smakend naar appel, en de andere helft als peren. En de gemiddelde consument is nog minder voorspelbaar. Uit ons onderzoek, geloven we niet dat menselijke smaak voldoende tastbaar is om nauwkeurig te worden gecommuniceerd door middel van taal van de ene persoon naar de andere. Onze beschrijvingen zijn te vaag, en onze definities variëren op basis van individuele biologie en culturele ervaringen. Bijvoorbeeld, in de VS beschrijven de meeste consumenten de perceptie van benzaldehyde als “kersen”, maar de meeste consumenten in Europa beschrijven het als “amandel” … zelfs in dezelfde wijn.

3. De smaken die consumenten percipiëren, hebben geen correlatie met of ze het echt leuk vinden. In ons onderzoek is geobserveerd dat consumenten geen wijn kopen omdat het smaakt naar kersen. Ze maken gewoon de beoordeling dat ze de wijn leuk vinden, en ze zijn waarschijnlijk het leuk te vinden.

Voorbeeld: Dit gebrek aan begrip is niet uniek voor de wijnsector. We hebben ontmoetingen gehad met executives en onderzoekers bij enkele van de grootste smaak- en geurbedrijven ter wereld. Een executive beschreef zijn frustratie met een recent project om een nieuwe lavendelchocolade te creëren. Dit bedrijf spendeerde miljoenen dollars aan het organiseren van focusgroepen met consumenten die specifiek van chocolade hielden, van lavendel hielden en van lavendelchocolade hielden. Uiteindelijk waren de resultaten dat de respondenten het eens waren dat het lavendelchocolade was, maar dat ze het ook eens waren dat ze deze specifieke lavendelchocolade niet leuk vonden.

Als gevolg van deze inzichten, concludeerden we dat we ons onderzoek moesten richten op het voorspellen van welke chemiematrices consumenten leuk vonden, en in welke mate, in plaats van welke smaken ze percipiëren.

Hoe onze aanpak anders is

Garbage-in, Garbage-out. Als het gaat om gegevenskwaliteit, realiseerden we ons dat een valide trainingsset niet gegenereerd kon worden uit bestaande commerciële of crowdsourced gegevens. We moesten onze eigen gegevens creëren, in-house.

Als eerste hadden we een chemiemethode nodig die zichtbaarheid zou bieden op de delicate balans van de vluchtige, niet-vluchtige, opgeloste stoffen, spectrale gegevens, enz. van een wijn in één snapshot, om meer relatie te hebben met het menselijk smaakpapil.

Jaren van experimenten resulteerden in een methode die meer dan 1 miljoen datapunten per monster genereert. Deze gedetailleerde en overweldigende hoeveelheid gegevens wordt vervolgens verwerkt door machine learning-algoritmes die zijn ontworpen door ons datascience-team om de interdependenties te decoderen die de menselijke perceptie informeren op basis van de verhoudingen van de analyten en groepen van analyten.

Nadat we de effectiviteit van deze methode hadden bewezen, begonnen we met het analyseren en decoderen van de smaakmatrix van vele duizenden wijnen wereldwijd en hebben sindsdien een omvattende smaakmatrixdatabase van de wereld van wijn ontwikkeld.

Consumentenvoorkeuren relateren aan chemie

Vervolgens moesten we begrijpen welke smaakmatrices verschillende consumenten prefereerden door hen te laten proeven en beoordelen van de wijn die we hadden geanalyseerd. In de loop der jaren hebben we regelmatig dubbelblinde smaakpanels gehouden met duizenden consumenten, elk proevend vele tientallen of honderden wijnen in de loop der tijd. Respondenten omvatten nieuwkomers in de wijn, typische wijn drinkers, experts, wijnmakers en sommeliers.

Crowdsourced-systemen missen of negeren typisch cruciale gegevens. Bijvoorbeeld, op de Parker-schaal, zullen de meeste mensen geen wijn beoordelen onder de mid-80pt. range. Maar we hebben geleerd dat consumenten meer haten wat ze haten dan leuk vinden wat ze leuk vinden. Daarom is het cruciaal om een volledig beeld van voorkeur te hebben – vooral negatieve voorkeuren.

We gebruikten onze nieuwe machine learning om de unieke voorkeuren van consumenten voor verschillende soorten smaakmatrices in de wijn te begrijpen. In de loop der tijd, stelde dit ons in staat om hun voorkeuren voor wijnen die ze nog niet hadden geproefd, nauwkeurig te voorspellen. Tijdens dit proces, leerden we ook dat individuele wijnen, evenals individuele voorkeuren, bijna vingerafdrukkachtig uniek zijn. We concludeerden dat, in tegenstelling tot gebruikelijke industriepraktijken, consumenten en wijnen niet nauwkeurig kunnen worden gegroepeerd of gefilterd in generalisaties.

Voorbeeld: Twee vrouwen kunnen dezelfde geografie, cultuur, etniciteit, opleiding, inkomen, auto, telefoon delen en allebei van Kim Crawford Sauvignon Blanc houden; maar één kan van Morning Fog Chardonnay houden en de andere kan het haten. De enige betrouwbare voorspellende zichtbaarheid rust bij hun biologisch smaakpapil.

Hoe deze innovatie schalen?

Wat we hadden gecreëerd, was geweldig, maar smaakpanels zijn duur en tijdrovend. Het zou onmogelijk zijn om jaarlijks een smaakpanel van alle 248 miljoen Amerikanen ouder dan 21 te houden om te begrijpen welke wijnen ze zullen leuk vinden.

We wilden een schaalbaar instrument ontwerpen dat dezelfde effectiviteit had in het voorspellen van een consumentenvoorkeur, zonder deelname aan smaakpanels of het uiten van hun voorkeuren voor een grote set van eerder geproefde wijnen.

Onze oplossing was om de AI eenvoudige voedselitems te laten selecteren die aspecten van hun chemie deelden met wijnen in een assortiment. Respondenten in onze smaakpanels beantwoordden enkele honderden van dergelijke vragen over hun voorkeuren voor voedsel en smaken die niet direct gerelateerd waren aan wijn; zoals, “Hoe voel je over groene paprika?”, of “Hoe voel je over paddenstoelen?”

Deze vragen werden door TastryAI gebruikt als analogieën voor de soorten en verhoudingen van verbindingen die gewoonlijk worden aangetroffen in de onderliggende chemie van wijn. Als mensen, kunnen we deze complexe correlaties en patronen niet ontcijferen of begrijpen, maar het blijkt dat het een uitstekend probleem is voor machine learning om op te lossen.

Met deze gegevens, leerde TastryAI hoe hij een consumentenvoorkeur voor wijn kon voorspellen op basis van hun antwoorden op de Voedselvoorkeursenquête. Wat resulteerde, was onze mogelijkheid om de behoefte aan enige wijn-specifieke gegevens van een consument te elimineren om zijn voorkeur voor wijn te voorspellen.

Hoeveel gegevens hebben we nodig om consumentenvoorkeur te begrijpen?

Hoewel we begonnen met honderden voedselvoorkeursvragen, zijn de resultaten nauwkeuriger naarmate er meer worden beantwoord, maar er zijn afnemende rendementen na 9-12. Met het Pareto-principe in werking, boden de best presterende voedselvoorkeursvragen ongeveer 80% begrip van een consumentensmaakpapil.

Op dit moment is er typisch een 10-12 vragen enquête voor rode wijn, en een andere 10-12 vragen enquête voor witte, rosé en mousserende wijn.

Dit bood een schaalbare oplossing. Sinds we enkele jaren geleden met pilots zijn gestart, zijn er nu veel soortgelijke whimsische quizzes op e-commerce-sites. Een consument neemt een 30-seconden quiz over of hij zwarte bessen of koffie leuk vindt, en hij wordt beloond met wijn aanbevelingen. Het verschil is dat die quizzes op zijn hoogst smaaknotities filters zijn, d.w.z. als je van zwarte bessen houdt, zal je een wijn leuk vinden die door iemand wordt beschreven als donker fruit, of als je van koffie houdt, zal je een wijn leuk vinden die door iemand wordt beschreven als astringent. Maar we hebben geleerd dat als die beschrijvingen accuraat zijn voor iemands smaakpapil, het geen voorspellende kracht heeft over of ze de wijn leuk zullen vinden; maar het is leuk, consumenten houden van quizzes.

Tastry’s aanbevelingen zijn gekoppeld aan de smaakmatrix van de wijn. TastryAI is geen smaaknotities filter, het vraagt niet of je de geur of smaak van paddenstoelen in je wijn leuk vindt, het probeert de verhoudingen van verbindingen te begrijpen die je leuk vindt of niet op basis van je biologisch smaakpapilvoorkeuren. Elke vraag biedt veel lagen van inzicht, omdat elke vraag overlapt en voedt andere vragen. Dus, na het vragen naar paddenstoelen, is de volgende vraag misschien “Hoe voel je over de smaak van groene paprika?” De AI weet dat er bijvoorbeeld 33 verbindingen zijn in een bepaalde verhouding die gewoonlijk verantwoordelijk zijn voor de perceptie van paddenstoelen, en 22 verbindingen die gewoonlijk verantwoordelijk zijn voor de smaak van groene paprika – maar belangrijk, sommige van die verbindingen bestaan in beide. Als je zegt dat je van paddenstoelen houdt, maar groene paprika haat, dan is de AI meer vertrouwd dat je sommige verbindingen leuk vindt, meer vertrouwd dat je andere verbindingen niet leuk vindt, en die welke overlappen zijn waarschijnlijk contextueel.

Dus, je kunt je voorstellen dat het een multidimensionale Venn-diagram is, waar de AI de verbindingen uitfiltert die je leuk vindt of niet in combinatie met andere verbindingen.

En met deze smaakvoorkeursenquête, en consumentenfeedback, verzamelen we geanonimiseerde smaakpapilgegevens van over de hele wereld. Een e-commerce-site of grote winkelketen kan de Tastry Quiz op de app lanceren en duizenden reacties krijgen binnen enkele uren van consumenten in de VS. De enige andere gegevens die we verzamelen, zijn een postcode. We gebruiken de postcode om een afgeleide van een Bayesiaanse ridge toe te passen, die de geografische verdeling van de bekende consumentensmaakpapils die we verzamelen en monitoren, en andere gegevens, voorspelt en de rest van de 200M+ potentiële consumentensmaakpapils in de VS. We gebruiken deze verhoogde dataset als de bron van waarheid, en om voorspellingen te doen over hoe wijnen zullen presteren op een markt, in een winkel, op lokaal of regionaal niveau.

Tastry Virtueel Focusgroep

Na het analyseren van een wijn, het decoderen van zijn smaakmatrix en het evalueren van zijn smaakbaarheid tegen de combinatie van echte en virtuele smaakpapils, is de AI momenteel 92,8% nauwkeurig in het voorspellen van de gemiddelde Amerikaanse consumentenbeoordeling voor de wijn. Met andere woorden, de AI kan de gemiddelde 5-sterrenbeoordeling voor een wijn voorspellen binnen +/- 1/10^de van een ster.

Het is het gemakkelijkst om aan de AI te denken als een “Virtueel Focusgroep” van consumentenvoorkeuren.

Wijnhuizen gebruiken TastryAI om simulaties te draaien over hoe consumenten hun wijn zullen percipiëren, zelfs voordat ze jaren en miljoenen dollars investeren in het maken ervan. Groothandelaren gebruiken TastryAI om te bepalen in welke regio’s verschillende wijnen het beste zullen presteren. Detailhandelaren gebruiken TastryAI om hun assortiment op de planken en online te optimaliseren. En consumenten gebruiken TastryAI om het risico te vermijden van het kopen van een wijn die ze niet zullen leuk vinden.