Jak Tastry “nauczył komputer smaku”

Jak Tastry wykorzystuje nową chemię i sztuczną inteligencję do przewidywania preferencji konsumentów.

Od samego początku chcieliśmy odpowiedzieć na pytanie: “Czy możemy odkodować unikalne macierze smakowe produktów sensorycznych i unikalne preferencje biologiczne konsumentów, aby dokładnie przewidzieć ich lubienie?” Krótka odpowiedź brzmi: tak.

Jednak na początku naszych badań odkryliśmy, że istniejące metody analizy chemicznej i istniejące dane dotyczące preferencji konsumentów dostarczały statystycznie nieistotnych korelacji lub przewidywań. Wiedzieliśmy, że będziemy musieli stworzyć własne dane, aby móc poczynić postępy.

Najpierw musieliśmy stworzyć metodę analitycznej chemii, która dostarczyłaby jak najwięcej przejrzystości chemii (w tym lotnych i niełotnych związków, rozpuszczonych, danych spektralnych itd.). Musieliśmy również odkodować macierz smakową w sposób, który mógłby być przetłumaczony na to, jak ludzie doświadczają tej chemii na swoim podniebieniu.

Następnie musieliśmy stworzyć metodę ciągłego i dokładnego pozyskiwania, uzupełniania i śledzenia biologicznych preferencji sensorycznych dużej, zróżnicowanej i stale rosnącej grupy rzeczywistych konsumentów, aby służyły jako nasza prawda.

Dlaczego obecne metody nie są w stanie przewidzieć preferencji konsumentów dla produktów sensorycznych

Gdy rozpoczęliśmy nasze badania w 2015 roku, mieliśmy hipotezę, że wszystko, co można wiedzieć o smaku wina, czyli smak, aromat, teksturę i kolor, istnieje w chemii. Jednak brakowało bardziej kompleksowej metody analizy.

Aby wyjaśnić tę ograniczenie, ważne jest zrozumienie, że chemia produktów sensorycznych jest w dużej mierze skupiona na kontroli jakości, czyli ile tego analitu jest w tym mieszaninie? Focus nie jest typowo nakierowany na ocenę wszystkich analitów, ich względnych stosunków czy tego, jak łączą się one na ludzkim podniebieniu, tworząc smak. To jest ślepa plamka, którą musieliśmy oświetlić, ponieważ dynamiczne interakcje zachodzą między setkami związków na ludzkim podniebieniu. Ludzkie podniebienie doświadcza “chemicznej zupy” związków smakowych jednocześnie, a nie jeden związek na raz, jak maszyna. Interakcje między tymi wieloma związkami w połączeniu z unikalną biologią każdego konsumenta dostarczają krytycznego kontekstu dotyczącego tego, które cechy chemii są wyrażane dla tej osoby.

Gdy sensory jest brany pod uwagę, prostymi słowami, typowy podejście wygląda następująco:

• Dane z ankiet pokazują, że ludzie lubią masło.
• Diacetyl jest związkiem typowo kojarzonym z smakiem masła.
• Jeśli zrobimy chardonnay z większą ilością diacetyl, więcej ludzi będzie go lubiło.

Główne problemy z tym podejściem.

1. Smak nie może być przewidziany przez ilościowanie związków samych w sobie. Dana koncentracja diacetyl może być postrzegana jako masło w jednym winie lub w innym, ale nie w innym. Jest to spowodowane tym, że istnieją setki innych związków w winie, a w zależności od ich stężeń i stosunków, diacetyl może być albo maskowany, albo wyrażany. W przeciwieństwie do maszyny, ludzie doświadczają wszystkich związków jednocześnie, ich zmysły nie analizują każdego związku indywidualnie, więc każda indywidualna kwantyfikacja nie jest koniecznie przewidywalna.

2. Ludzie postrzegają i komunikują smaki w różny sposób. Nawet wśród panelu ekspertów połowa ekspertów może opisać coś jako smak jabłka, a druga połowa może opisać je jako gruszkę. A przeciętny konsument jest jeszcze mniej przewidywalny. Z naszych badań wynika, że nie wierzymy, aby ludzki smak był wystarczająco konkretny, aby być dokładnie komunikowanym za pomocą języka od jednej osoby do drugiej. Nasze opisy są zbyt niejasne, a nasze definicje różnią się w zależności od indywidualnej biologii i doświadczeń kulturowych. Na przykład w Stanach Zjednoczonych większość konsumentów opisuje percepcję benzaldehydu jako “wiśniowy”, ale większość konsumentów w Europie opisuje go jako “marcepan”… nawet w tym samym winie.

3. Smaki, które konsument postrzega, nie mają żadnej korelacji z tym, czy naprawdę go lubi. W naszych badaniach stwierdzono, że konsument nie decyduje się na zakup wina, ponieważ smakuje jak wiśnia. Po prostu podejmuje decyzję, że lubi wino, i jest prawdopodobne, że będzie go lubił ponownie.

Przykład: Ten brak zrozumienia nie jest unikalny dla segmentu wina. Spotkaliśmy się z dyrektorami i badaczami w niektórych z największych firm zajmujących się smakami i zapachami na świecie. Jeden z dyrektorów opisał swoją frustrację z niedawnym projektem stworzenia nowego lawendowego czekoladowego. Firma ta wydała miliony dolarów na organizowanie i prowadzenie focus groups z konsumentami, którzy konkretnie kochali czekoladę, kochali lawendę i kochali lawendowe czekolady. Ostatecznie wyniki były takie, że respondenci zgadzali się, że to jest lawendowe czekoladowe, ale także zgadzali się, że nie lubią tego konkretnego lawendowego czekoladowego.

W wyniku tych spostrzeżeń doszliśmy do wniosku, że powinniśmy skoncentrować nasze badania na przewidywaniu, jakie macierze chemiczne konsumentom się podobają i w jakim stopniu, zamiast na tym, jakie smaki postrzegają.

Jak nasze podejście jest inne

Śmieci do śmieci. Jeśli chodzi o jakość danych, zrealizowaliśmy, że ważne jest, aby zestaw treningowy nie został wygenerowany z istniejących komercyjnych lub crowdsourcowych danych. Musieliśmy stworzyć własne, wewnętrzne.

Pierwszą rzeczą, której potrzebowaliśmy, była metoda chemiczna, która dostarczyłaby widoczności delikatnej równowagi lotnych, niełotnych, rozpuszczonych, danych spektralnych itd. wina w jednym zdjęciu, aby było bardziej podobne do ludzkiego podniebienia.

Lata eksperymentów doprowadziły do opracowania metody, która generuje ponad 1 milion punktów danych na próbkę. Ten drobiazgowy i przytłaczający ilościowo zbiór danych jest następnie przetwarzany przez algorytmy sztucznej inteligencji, które zostały zaprojektowane przez nasz zespół naukowców, aby odkodować zależności, które informują ludzkie postrzeganie na podstawie stosunków analitów i grup analitów.

Gdy tylko udowodniliśmy skuteczność tej metody, rozpoczęliśmy analizę i odkodowanie macierzy smakowej wielu tysięcy win na całym świecie i opracowaliśmy kompleksową bazę danych macierzy smakowej świata wina.

Relacja między preferencjami konsumentów a chemią

Następnie musieliśmy zrozumieć, jakie macierze smakowe różni konsumentom się podobają, poprzez ich degustację i ocenę wina, które zostało przeanalizowane. Przez lata prowadziliśmy regularne podwójnie ślepe panele degustacyjne z tysiącami konsumentów, każdy z nich degustujący wiele dziesiątek lub setek win w czasie. Respondenci obejmują nowicjuszy w winie, typowych pijących wino, ekspertów, winiarzy i sommelierów.

Systemy crowdsourcowe typowo pomijają lub ignorują krytyczne dane. Na przykład na skali Parkera większość ludzi nie oceni wina poniżej połowy zakresu 80 punktów. Ale nauczyliśmy się, że konsumentom bardziej nie podoba się to, co im się nie podoba, niż to, co im się podoba. Dlatego ważne jest, aby mieć pełny obraz preferencji – zwłaszcza negatywnych preferencji.

Wykorzystaliśmy naszą nową sztuczną inteligencję, aby zrozumieć unikalne preferencje konsumentów dla różnych rodzajów macierzy smakowych w winie. Z czasem pozwoliło to nam na dokładne przewidywanie ich preferencji dla win, których jeszcze nie degustowali. Podczas tego procesu nauczyliśmy się również, że indywidualne wina, a także indywidualne preferencje, są prawie jak odciski palców w swojej unikalności. Doszliśmy do wniosku, że w przeciwieństwie do powszechnych praktyk branżowych, konsumentów i win nie można dokładnie pogrupować lub przefiltrować w ogólne kategorie.

Przykład: Dwie kobiety mogą dzielić ten sam geograficzny obszar, kulturę, etniczność, wykształcenie, dochód, samochód, telefon i obie kochają Kim Crawford Sauvignon Blanc; ale jedna może kochać Morning Fog chardonnay, a druga może go nienawidzić. Jedyną niezawodną przewidywalną widoczność stanowi ich biologiczne podniebienie.

Jak skalować tę innowację?

To, co stworzyliśmy, było wspaniałe, ale panele degustacyjne są drogie i czasochłonne. Byłoby niemożliwe, aby co roku prowadzić panel degustacyjny wszystkich 248 milionów Amerykanów powyżej 21 roku życia, aby zrozumieć, które wina im się podobają.

Chcieliśmy zaprojektować skalowalne narzędzie, które miało taką samą skuteczność w przewidywaniu preferencji konsumenta, bez konieczności udziału w panelach degustacyjnych lub wyrażania ich preferencji dla dużej liczby wcześniej degustowanych win.

Naszym rozwiązaniem było, aby AI wybrało proste produkty spożywcze, które dzieliły aspekty swojej chemii z winami w asortymencie. Respondenci w naszych panelach degustacyjnych odpowiedzieli na kilkaset takich pytań o ich preferencje dotyczące produktów spożywczych i smaków, które nie są bezpośrednio związane z winem; takich jak: “Jak się czujesz wobec zielonej papryki?”, lub “Jak się czujesz wobec grzybów?”

Te pytania były wykorzystywane przez TastryAI jako analogie do rodzajów i stosunków związków powszechnie występujących w podstawowej chemii wina. Jako ludzie, nie możemy rozszyfrować ani zrozumieć tych złożonych korelacji i wzorców, ale okazuje się, że są one doskonałym problemem do rozwiązania przez maszynę.

Z tymi danymi TastryAI nauczyło się przewidywać preferencje konsumenta dla wina na podstawie ich odpowiedzi na ankiety dotyczące preferencji żywieniowych. Co wynikło z tego, że byliśmy w stanie wyeliminować potrzebę jakichkolwiek danych specyficznych dla wina od konsumenta, aby przewidzieć jego preferencje.

Ile danych potrzebujemy, aby zrozumieć preferencje konsumentów?

Chociaż zaczynaliśmy od setek pytań dotyczących preferencji żywieniowych, im więcej pytań jest odpowiedzianych, tym bardziej dokładne są wyniki, ale po 9-12 pytań następuje malejący zwrot. Zgodnie z zasadą Pareto, najlepiej działające pytania dotyczące preferencji żywieniowych dostarczyły około 80% zrozumienia podniebienia konsumenta.

Obecnie istnieje zwykle ankieta składająca się z 10-12 pytań dotyczących czerwonego wina i inna ankieta składająca się z 10-12 pytań dotyczących białego, różowego i musującego wina.

To pozwoliło na skalowalne rozwiązanie. Od momentu naszego uruchomienia w różnych pilotach kilka lat temu, istnieją teraz wiele podobnych zabawnych quizów na stronach e-commerce. Konsument odpowiada na 30-sekundowy quiz, czy lubi czarne jagody czy kawę, i jest nagradzany rekomendacjami win. Różnica polega na tym, że te quizz są najwyżej filtrowaniem notatek smakowych, tj. jeśli lubisz czarne jagody, będziesz lubił wino opisane przez kogoś jako smakujące jak ciemne owoce, lub jeśli lubisz kawę, będziesz lubił wino opisane przez kogoś jako wytrawne. Ale nauczyliśmy się, że jeśli te opisy są dokładne dla podniebienia danej osoby, nie mają one żadnej przewidywalnej mocy co do tego, czy osoba ta będzie lubiła wino; ale jest to angażujące, konsumentom podobają się quizz.

Rekomendacje Tastry są związane z macierzą smakową wina. TastryAI nie jest filtrem notatek smakowych, nie pyta, czy lubisz aromat czy smak grzybów w swoim winie, ale stara się zrozumieć stosunki związków, które lubisz lub nie lubisz, na podstawie Twoich biologicznych preferencji podniebienia. Każde pytanie dostarcza wiele warstw wglądu, ponieważ każde pytanie nakłada się i wpływa na inne pytania. Tak więc, po zapytaniu o grzyby, następne pytanie może brzmieć: “Jak się czujesz wobec smaku zielonej papryki?” AI może wiedzieć, że istnieją na przykład 33 związki w określonym stosunku, które są geralnie odpowiedzialne za percepcję grzybów, i 22 związki, które są geralnie odpowiedzialne za smak zielonej papryki – ale co ważne, niektóre z tych związków występują w obu. Jeśli powiesz, że kochasz grzyby, ale nienawidzisz zielonej papryki, wtedy AI jest bardziej pewne, że lubisz niektóre związki, bardziej pewne, że nienawidzisz innych związków, a te, które nakładają się, są prawdopodobnie kontekstowe.

Można sobie wyobrazić wielowymiarowy diagram Venn, gdzie AI wyodrębnia, które związki lubisz lub nienawidzisz w połączeniu z innymi związkami.

A z tą ankietą dotyczącą preferencji smakowych i informacjami zwrotnymi od konsumentów, zbieramy anonimowe dane podniebienia z całego świata. Strona e-commerce lub duży detalista może uruchomić quiz Tastry na aplikacji i otrzymać tysiące odpowiedzi w ciągu kilku godzin od konsumentów z całych Stanów Zjednoczonych. Jedynymi innymi danymi, które pozyskujemy, jest kod pocztowy. Wykorzystujemy kod pocztowy, aby zastosować pochodną Bayesowskiego grzbietu, który bierze geograficzną dystrybucję znanych podniebień konsumentów, które zbieramy i monitorujemy, oraz inne dane, i przewiduje resztę 200 milionów+ potencjalnych podniebień konsumentów w Stanach Zjednoczonych. Wykorzystujemy ten rozszerzony zbiór danych jako źródło prawdy i do przewidywania, jak wina będą się sprawować na rynku, w sklepie, lokalnie lub regionalnie.

Tastry Virtual Focus Group

Po przeanalizowaniu wina, odkodowaniu jego macierzy smakowej i ocenieniu jego przydatności do spożycia w połączeniu z kombinacją rzeczywistych i wirtualnych podniebień, AI jest obecnie 92,8% dokładne w przewidywaniu średniej oceny konsumentów w Stanach Zjednoczonych dla wina. Innymi słowy, AI może przewidzieć średnią ocenę 5-gwiazdkową dla wina w granicach +/- 1/10 gwiazdki.

Najłatwiej jest myśleć o AI jako o “wirtualnej grupie focus” preferencji konsumentów.

Winiarze wykorzystują TastryAI do prowadzenia symulacji, jak konsumentom będzie się podobało ich wino, nawet przed tym, zanim zainwestują lata i miliony dolarów w jego produkcję. Hurtownicy wykorzystują TastryAI do określenia regionów, w których różne wina będą się najlepiej sprawować. Detaliści wykorzystują TastryAI do optymalizacji swojej oferty na półkach i w internecie. A konsumentom TastryAI pozwala uniknąć ryzyka zakupu wina, które im się nie spodoba.