Hvordan Tastry “lærer en datamaskin å smake”

Hvordan Tastry bruker ny kjemisk og AI-teknologi for å forutsi forbrukerpreferanser.

Fra starten av var spørsmålet vi ønsket å svare på: “Kan vi dekode de unike smaksmatrisene til sensoriske produkter og de biologiske preferansene til forbrukerne for å nøyaktig forutsi likning?” Det korte svaret er ja.

Men tidlig i vår forskning fant vi at eksisterende kjemiske analysemetoder og eksisterende forbrukerpreferansedata ga statistisk ubetydelige korrelasjoner eller forutsigelser. Vi visste at vi måtte skape vår egen data for å kunne gjøre fremgang.

Først, trengte vi å skape en analytisk kjemisk metode som ville gi så mye gjennomsiktighet til kjemien som mulig (inkludert flyktige og ikke-flyktige stoffer, oppløste stoffer, spektraldata osv.). Vi trengte også å dekode smaksmatrisen på en måte som kunne oversettes til å hjelpe med å approksimere hvordan mennesker opplever denne kjemien på sin gane.

Andre, trengte vi å skape en metode for å konstant og nøyaktig innhente, utvide og spore de biologiske sensoriske preferansene til en stor, divers og stadig voksende gruppe av faktiske forbrukere som vår grundighet.

Hvorfor eksisterende metoder ikke kan forutsi forbrukerpreferanser for sensoriske produkter

Da vi startet vår forskning i 2015, hadde vi hypotesen at alt du trenger å vite om smaken av vin, det vil si smaken, aromaen, teksturen og fargen – eksisterer i kjemien. Men det som manglet, var en mer omfattende metode for analyse.

For å forklare denne begrensningen, er det viktig å forstå at kjemien til sensoriske produkter i stor grad fokuserer på kvalitetskontroll, dvs. hvor mye av denne analyten er i denne blandingen? Fokuset er ikke vanligvis å evaluere alle analytene, deres relative forhold eller hvordan de kombinerer seg på den menneskelige ganen for å skape smak. Dette er det blinde punktet vi måtte belyse, fordi det finnes dynamiske interaksjoner mellom hundrevis av stoffer på en menneskelig gane. En menneskelig gane opplever en “kjemi-suppe” av smaksstoffer samtidig, ikke ett stoff om gangen som en maskin gjør. Interaksjonene mellom disse multiple stoffene i kombinasjon med den unike biologien til hver forbruker, gir kritisk kontekst for hva egenskapene til kjemien er uttrykt til denne personen.

Til den grad som sensoriske aspekter tas med i betraktning, kan det vanligvis forklares slik:

• Undersøkelsesdata viser at mennesker liker smør.
• Diasetyl er et stoff som vanligvis assosieres med smaken av smør.
• Hvis vi lager en chardonnay med mer diacetyl, vil flere mennesker like den.

Kjerneproblemer med denne tilnærmingen.

1. Smak kan ikke forutsies bare ved å kvantifisere stoffer. En gitt konsentrasjon av diacetyl kan oppfattes som smør i en vin eller en annen vin, men ikke i en annen. Dette skyldes at det finnes hundrevis av andre stoffer i vinen, og avhengig av deres konsentrasjoner og forhold, kan diacetyl enten være maskert eller uttrykt. I motsetning til en maskin, opplever mennesker alle stoffene samtidig, deres sanser analyserer ikke hvert stoff individuelt, derfor er noen gitt kvantifisering ikke nødvendigvis forutsigbar.

2. Mennesker oppfatter og kommuniserer smaker forskjellig. Selv blant en panel av eksperter, kan halvparten av eksperter beskrive noe som smaker som eple, og den andre halvparten kan beskrive det som pære. Og den gjennomsnittlige forbrukeren er enda mindre forutsigbar. Fra vår forskning, tror vi ikke at menneskelig smak er tilstrekkelig tangibel til å bli nøyaktig kommunisert bare gjennom språk fra en person til en annen. Våre beskrivelser er for vagt, og våre definisjoner varierer basert på individuell biologi og kulturelle erfaringer. For eksempel, i USA beskriver de fleste forbrukerne oppfattelsen av benzaldehyd som “kirsebær”, men de fleste forbrukerne i Europa beskriver det som “mandel”… selv i samme vin.

3. Smakene forbrukerne oppfatter, har ingen korrelasjon med om de faktisk liker det eller ikke. I vår forskning observerer vi at forbrukerne ikke bestemmer seg for å kjøpe en vin fordi den smaker som kirsebær. De dømmer bare om de liker vinen, og de er sannsynligvis å like den igjen.

Eksempel: Dette mangelen på forståelse er ikke unikt for vinsegmentet. Vi har møtt med direktører og forskere i noen av de største flavor- og parfymeselskapene i verden. En direktør beskrev sin frustrasjon med et nylig prosjekt for å skape en ny lavendel-chokolade. Selskapet brukte millioner av dollar på å sette sammen og kjøre fokusgrupper med forbrukere som spesifikt elsket sjokolade, elsket lavendel og elsket lavendel-sjokolade. Til slutt var resultaterne at respondentene enig at det var lavendel-sjokolade, men at de også enig at de ikke likte denne spesifikke lavendel-sjokoladen.

Som et resultat av disse innsiktene, konkluderte vi at vi skulle fokusere vår forskning på å forutsi hva kjemiske matriser forbrukerne liker, og i hvilken grad, i stedet for hva smaker de oppfatter.

Hvordan vår tilnærming er forskjellig

Skrald inn, skrald ut. Når det gjelder datakvalitet, innsett vi at en gyldig treningssett ikke kunne genereres fra eksisterende kommersielle eller crowdsourced data. Vi måtte skape vår egen, internt.

Først, trengte vi en kjemisk metode som ville gi synlighet på den ømfintlige balansen av de flyktige, ikke-flyktige, oppløste faste stoffer, spektraldata osv. av en vin i ett øyeblikk, for å være mer relatert til den menneskelige ganen.

Årevis med eksperimentering resulterte i en metode som genererer over 1 million datapunkter per prøve. Denne granulerte og overveldende mengden data blir deretter prosessert av maskinlæringsalgoritmer som ble designet av vårt datavitenskapelige team for å dekode avhengighetene som informerer menneskelig oppfattning basert på forholdet mellom analytene og gruppene av analytene.

Når vi hadde bevist effikasiteten for denne metoden, begynte vi å analysere og dekode smaksmatrisen til mange tusen viner verden over og har siden utviklet en omfattende smaksmatrisedatabase for vinverden.

Relatere forbrukerpreferanser til kjemi

Neste, måtte vi forstå hva slags smaksmatriser ulike forbrukere foretrakk ved å la dem smake og vurdere vinen vi hadde analysert. Over årene har vi kjørt regelmessige dobbelt-blindede smakspaneler med tusenvis av forbrukere, hvor hver smakte mange dusin eller hundre viner over tid. Respondentene inkluderer nybegynnere til vin, typiske vindrikkere, eksperter, vintønnemakere og sommelierer.

Crowdsourced-systemer mangler eller ignorerer kritisk data. For eksempel, på Parker-skalaen, vil de fleste mennesker ikke score en vin under midten av 80-poengområdet. Men vi har lært at forbrukerne misliker det de misliker, mer enn de liker det de liker. Derfor er det kritisk å ha et fullt bilde av preferanse – spesielt negative preferanser.

Vi brukte vår ny maskinlæring for å forstå de unike preferansene til forbrukerne for ulike typer smaksmatriser i vinen. Over tid, tillot dette oss å nøyaktig forutsi deres preferanser for viner de ennå ikke hadde smakt. Under denne prosessen, lærte vi også at enkeltviner, samt enkeltpreferanser, er nesten fingeravtrykk-lik i sin unikhet. Vi konkluderte med at, i motsetning til vanlige bransjepraksiser, kan forbrukere og viner ikke nøyaktig grupperes eller filtreres sammen i generaliseringer.

Eksempel: To kvinner kan dele samme geografi, kultur, etnisitet, utdannelse, inntekt, bil, telefon og begge elske Kim Crawford Sauvignon Blanc; men den ene kan elske Morning Fog chardonnay og den andre kan hate det. Den eneste pålitelige forutsigbare synlighet ligger med deres biologiske gane.

Hvordan skal vi skalerer denne innovasjonen?

Hva vi hadde skapt, var bra, men smakspaneler er dyre og tidskrevende. Det ville være umulig å kjøre et årlig smakspanel av alle 248 millioner amerikanere over 21 år for å forstå hva viner de kommer til å like.

Vi ønsket å designe et skalerbart verktøy som hadde samme effikasitet i å forutsi en forbrukers preferanser, uten å kreve deltakelse i smakspaneler eller uttrykke deres preferanser for en stor mengde tidligere smakte viner.

Vår løsning var å la AI-en velge enkle matvarer som delte aspekter av deres kjemi med viner i en utvalg. Respondentene i våre smakspaneler svarte på flere hundre slike spørsmål om deres preferanser for mat og smaker som ikke var direkte relatert til vin; som “Hvordan føler du om grønne paprikaschutzer?”, eller “Hvordan føler du om sopp?”

Disse spørsmålene ble brukt av TastryAI som analoger til typene og forholdene av stoffer som vanligvis finnes i den underliggende kjemien til vin. Som mennesker, kan vi ikke dechiffre eller forstå disse komplekse korrelasjonene og mønster, men det viser seg at å løse disse kompliserte forholdene er et utmerket problem for maskinlæring å løse.

Med denne dataen, lærte TastryAI å forutsi en forbrukers preferanse for vin, basert på deres svar på matpreferansespørsmålet. Hva resulterte, var vår evne til å eliminere behovet for noen vinspesifikke data fra en forbruker for å forutsi deres preferanse for vin.

Hvor mye data trenger vi for å forstå forbrukerpreferanser?

Selv om vi startet med hundrevis av matpreferansespørsmål, jo flere som besvares, jo mer nøyaktig resultater, men det er avtagende avkastning etter 9-12. Med Pareto-prinsippet i virksomhet, ga de beste matpreferansespørsmålene omtrent 80% forståelse av en forbrukers gane.

I dag, er det vanligvis et 10-12 spørsmål om undersøkelse for rødvin, og et annet 10-12 spørsmål om hvitvin, rosé og boblevin.

Dette tillot en skalerbar løsning. Siden vi lanserte i ulike piloter for flere år siden, finnes det nå mange lignende quizzer på e-handelssteder. En forbruker tar en 30-sekunders quiz om hvorvidt de liker sorte bær eller kaffe, og de blir belønnet med vinanbefalinger. Forskjellen er at disse quizene er på beste til smaknotat-filtre, dvs. hvis du liker sorte bær, kommer du til å like en vin beskrevet av noen som smaker som mørk frukt, eller hvis du liker kaffe, kommer du til å like en vin beskrevet av noen som being astringent. Men vi har lært at hvis disse beskrivelsene er nøyaktige for den personens gane, har det ingen forutsigbar kraft for å bestemme om de kommer til å like vinen; men det er engasjerende, forbrukerne liker quiz.

Tastry-anbefalinger er knyttet til smaksmatrisen til vinen. TastryAI er ikke en smaknotat-filtre, det spør ikke om du liker aromaen eller smaken av sopp i din vin, det prøver å forstå forholdet mellom stoffene du liker eller ikke liker basert på din biologiske ganepreferanse. Hvert spørsmål gir mange lag av innsikt fordi hvert spørsmål overlapper og fôrer inn i andre spørsmål. Så, etter å ha spurt om sopp, kan det neste spørsmålet være “Hvordan føler du om smaken av grønne paprikaschutzer?” AI-en kan vite at det finnes, for eksempel, 33 stoffer i et bestemt forhold som vanligvis er ansvarlig for oppfattelsen av sopp, og 22 stoffer som vanligvis er ansvarlig for smaken av grønne paprikaschutzer – men viktigst, noen av disse stoffene finnes i begge. Hvis du sier du elsker sopp, men hater grønne paprikaschutzer, da er AI-en mer sikker på at du likker noen stoffer, mer sikker på at du misliker andre stoffer, og de som overlapper er sannsynligvis kontekstuelle.

Så, du kan nesten forestille deg en flerdimensjonal Venn-diagram, hvor AI-en løser ut hvilke stoffer du liker eller misliker i kombinasjon med andre stoffer.

Og med denne smakpreferansespørsmålet og forbrukerrespons, samler vi inn anonymisert ganedata fra hele verden. En e-handelsnettsted eller stor detaljhandler kan lansere Tastry-quizzen på appen og få tusenvis av svar fra forbrukere over hele USA innen timer. Den eneste andre dataen vi samler inn, er en postkode. Vi bruker postkoden til å anvende en avledning av en bayesisk ridge, som tar den geografiske fordelingen av de kjente forbrukerganer vi samler inn og overvåker, og andre data, og forutsier resten av de 200M+ mulige forbrukerganer i USA. Vi bruker dette forbedrede datasettet som kilde til sannhet, og til å gi forutsigelser om hvordan viner vil fungere på et marked, på en butikk, lokal eller regional nivå.

Tastry Virtuell Fokusgruppe

Etter å ha analysert en vin, dekode dens smaksmatrise og evaluert dens smakbarhet mot kombinasjonen av faktiske og virtuelle ganer, er AI-en for tiden 92,8% nøyaktig i å forutsi den samlede amerikanske forbruker-rangering for vinen. Med andre ord, kan AI-en forutsi den gjennomsnittlige 5-stjerners rangering for en vin innen +/- 1/10^te av en stjerne.

Det er enkelt å tenke på AI-en som en “Virtuell Fokusgruppe” av forbrukerpreferanser.

Vinprodusenter bruker TastryAI til å kjøre simulasjoner på hvordan forbrukerne vil oppfatte deres vin, selv før de investerer år og millioner av dollar i å lage den. Grossister bruker TastryAI til å bestemme regionene hvor ulike viner vil fungere best. Detailhandlere bruker TastryAI til å optimalisere deres utvalg på hyllene og online. Og forbrukerne bruker TastryAI til å unngå risikoen for å kjøpe en vin de ikke kommer til å like.