Jak Tastry “nauczyła komputer smaku”

Jak Tastry wykorzystuje nowatorską 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 stwierdziliśmy, 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 dokonać postępów.

Po pierwsze, musieliśmy stworzyć metodę analitycznej chemii, która dostarczyłaby jak największej przejrzystości chemii (w tym lotnych, niełatnych, rozpuszczonych, spektralnych danych itd.). Musieliśmy również odkodować macierz smakową w sposób, który mógłby pomóc w przybliżeniu, jak ludzie doświadczają tej chemii na swoim podniebieniu.

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

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

Kiedy 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, tj. ile tego analitu jest w tym mieszaninie? Focus nie jest typowo ukierunkowany na ocenę wszystkich analitów, ich względnych stosunków czy jak łączą się one na ludzkim podniebieniu, tworząc smak. To jest ślepa plama, którą musieliśmy oświetlić, ponieważ dynamiczne interakcje mają miejsce pomiędzy setkami związków na ludzkim podniebieniu. Ludzkie podniebienie doświadcza “chemicznego bulionu” związków smakowych jednocześnie, a nie jeden związek na raz, jak maszyna. Interakcje pomiędzy tymi wieloma związkami w połączeniu z unikalną biologią każdego konsumenta dostarczają krytycznego kontekstu dotyczącego tego, które cechy chemii są wyrażane dla tej osoby.

W zakresie, w jakim sensory jest brany pod uwagę, prosto mówiąc, typowy podejście wygląda następująco:

• Dane z badań wskazują, że ludzie lubią masło.
• Diacetyl jest związkiem zwykle kojarzonym z smakiem masła.
• Jeśli zrobimy chardonnay z więcej diacetylu, więcej ludzi będzie go lubiło.

Główne problemy z tym podejściem.

1. Smak nie może być przewidywany przez ilościowanie związków samych w sobie. Dana koncentracja diacetylu może być postrzegana jako masło w jednym winie lub odmianie, ale nie w innej. 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, dlatego też każda indywidualna ilościowanie nie jest koniecznie przewidywalna.

2. Ludzie postrzegają i komunikują smaki inaczej. Nawet wśród panelu ekspertów, połowa ekspertów może opisać coś jako smak jabłka, a druga połowa może opisać je jako gruszki. A przeciętny konsument jest jeszcze mniej przewidywalny. Z naszych badań wynika, że nie wierzymy, aby smak ludzki był wystarczająco konkretny, aby mógł być dokładnie przekazany za pomocą języka z jednej osoby do drugiej. Nasze opisy są zbyt mgliste, 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 żadnego związku z tym, czy naprawdę go lubi. W naszych badaniach stwierdzono, że konsument nie decyduje się na zakup wina, ponieważ smakuje ono jak wiśnia. Po prostu podejmuje decyzję, że lubi wino, i jest prawdopodobne, że będzie go lubił ponownie.

Przykład: 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 związana z niedawnym projektem stworzenia nowej czekolady lawendowej. Firma ta wydała miliony dolarów na organizowanie i prowadzenie badań z konsumentami, którzy konkretnie kochali czekoladę, kochali lawendę i kochali czekoladę lawendową. Ostatecznie wyniki były takie, że respondenci zgodzili się, że jest to czekolada lawendowa, ale także zgodzili się, że nie lubią tej konkretnie czekolady lawendowej.

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 zestaw treningowy nie mógł być wygenerowany z istniejących komercyjnych lub crowdsourcingowych danych. Musieliśmy stworzyć własne, wewnętrzne.

Pierwszą rzeczą, której potrzebowaliśmy, była metoda chemiczna, która dostarczyłaby widoczności na delikatną równowagę lotnych, niełatnych, rozpuszczonych substancji, spektralnych danych itd. wina w jednym zdjęciu, aby było bardziej powiązane z ludzkim podniebieniem.

Lata eksperymentów doprowadziły do opracowania metody, która generuje ponad 1 milion punktów danych na próbkę. Ten drobiazgowy i przytłaczający ilościowo zestaw danych jest następnie przetwarzany przez algorytmy sztucznej inteligencji, które zostały zaprojektowane przez nasz zespół naukowców, aby odkodować współzależności, 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 pomiędzy 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, z których każdy degustował wiele dziesiątek lub setek win w czasie. Respondenci obejmują nowicjuszy w winie, typowych pijących wino, ekspertów, winiarzy i sommelierów.

Systemy crowdsourcingowe zwykle pomijają lub ignorują krytyczne dane. Na przykład w skali Parkera większość ludzi nie oceni wina poniżej średniej 80 punktów. Ale dowiedzieliśmy się, że konsument nie lubi tego, czego nie lubi, bardziej niż lubi to, co lubi. Dlatego też jest krytyczne, aby mieć pełny obraz preferencji – zwłaszcza negatywnych preferencji.

Wykorzystaliśmy naszą nowatorską sztuczną inteligencję, aby zrozumieć unikalne preferencje konsumentów dla różnych rodzajów macierzy smakowych w winie. Z biegiem czasu pozwoliło to nam dokładnie przewidzieć ich preferencje dla win, których jeszcze nie degustowali. Podczas tego procesu dowiedzieliśmy się również, że poszczególne wina, a także indywidualne preferencje, są prawie jak odciski palców w swojej unikalności. Doszliśmy do wniosku, że, w przeciwieństwie do zwyczajowych praktyk branżowych, konsumentów i win nie można dokładnie pogrupować lub przefiltrować w uogólnieniach.

Przykład: Dwie kobiety mogą dzielić ten sam geograficzny obszar, kulturę, etniczność, wykształcenie, dochód, samochód, telefon, a obie kochają Kim Crawford Sauvignon Blanc; ale jedna może kochać Morning Fog chardonnay, a druga może go nienawidzić. Jedyna niezawodna przewidywalność spoczywa w ich biologicznym podniebieniu.

Jak skalować tę innowację?

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

Chcieliśmy zaprojektować skalowalne narzędzie, które miało taką samą skuteczność w przewidywaniu preferencji konsumenta, bez konieczności uczestniczenia w panelach degustacyjnych lub wyrażania ich preferencji dla dużego zestawu 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 były bezpośrednio związane z winem; takich jak “Jak czujesz się wobec zielonej papryki?”, lub “Jak czujesz się 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 rozplątywanie tych skomplikowanych relacji jest doskonałym problemem do rozwiązania za pomocą sztucznej inteligencji.

Z tymi danymi TastryAI nauczyła się przewidywać preferencje konsumenta wobec wina na podstawie ich odpowiedzi na Ankiety Preferencji Żywności. Co zaowocowało naszą możliwością eliminacji potrzeby jakichkolwiek danych specyficznych dla wina od konsumenta, aby przewidzieć ich preferencje.

Ile danych potrzebujemy, aby zrozumieć preferencje konsumentów?

Chociaż zaczynaliśmy od setek pytań dotyczących preferencji żywności, im więcej odpowiedzi, tym bardziej dokładne wyniki, ale jest efekt malejących zwrotów po 9-12. Zgodnie z zasadą Pareto, najlepiej działające pytania dotyczące preferencji żywności dostarczyły około 80% zrozumienia podniebienia konsumenta.

Aktualnie istnieje zwykle ankieta składająca się z 10-12 pytań dla czerwonego wina, oraz inna ankieta składająca się z 10-12 pytań dla białego, różowego i musującego wina.

To pozwoliło na skalowalne rozwiązanie. Od momentu, gdy uruchomiliśmy różne pilotaże w przeszłości, istnieją teraz wiele podobnych 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 quizy są co najwyżej filtrem 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 astringentne. Ale dowiedzieliśmy się, że jeśli te opisy są dokładne dla podniebienia tej osoby, nie mają one przewidywania mocy co do tego, czy osoba będzie lubiła wino; ale jest to angażujące, konsumentom podobają się quizy.

Rekomendacje Tastry są powiązane z macierzą smakową wina. TastryAI nie jest filtrem notatek smakowych, nie pyta, czy lubisz aromat czy smak grzybów w swoim winie, próbuje zrozumieć stosunki związków, które lubisz lub nie lubisz na podstawie Twojego biologicznego podniebienia. Każde pytanie dostarcza wielu warstw wglądu, ponieważ każde pytanie nachodzi i karmi inne pytania. Tak więc, po zapytaniu o grzyby, następne pytanie może brzmieć “Jak czujesz się wobec smaku zielonej papryki?”. AI może wiedzieć, że istnieją na przykład 33 związki w ogólnym stosunku odpowiedzialne za percepcję grzybów, i 22 związki ogólnie odpowiedzialne za smak zielonej papryki – ale co ważne, niektóre z tych związków istnieją w obu. Jeśli powiesz, że kochasz grzyby, ale nienawidzisz zielonej papryki, AI jest bardziej pewne, że lubi niektóre związki, bardziej pewne, że nie lubi innych związków, a te, które nachodzą, są prawdopodobnie kontekstowe.

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

A z tą ankietą 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 uzyskać 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 zestaw danych jako źródło prawdy i do przewidywania wyników win na rynku, w sklepie, lokalnym lub regionalnym poziomie.

Tastry Wirtualne Focus Group

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

Najłatwiej jest myśleć o AI jako o “Wirtualnej Focus Group” preferencji konsumentów.

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