How Tastry “ensinou um computador a provar”.

Como o Tastry usa química e IA inovadoras para prever as preferências do consumidor.

Desde o início, a pergunta que queríamos responder era: “Podemos decodificar as matrizes de sabor únicas dos produtos de base sensorial e as preferências biológicas únicas dos consumidores para prever com precisão a simpatia?” A resposta curta é sim.

No entanto, no início da nossa investigação, descobrimos que os métodos de análise química existentes e os dados existentes sobre as preferências dos consumidores forneciam correlações ou previsões estatisticamente insignificantes. Sabíamos que teríamos que criar nossos próprios dados para progredir.

Primeiro, precisávamos criar um método de química analítica que fornecesse o máximo de transparência possível à química (incluindo voláteis, não voláteis, dissolvidos, dados espectrais e assim por diante). isso poderia ser traduzido para ajudar a aproximar como os humanos experimentam essa química em seu paladar.

Em segundo lugar, precisávamos criar um método para obter, aumentar e rastrear de forma constante e precisa as preferências sensoriais biológicas de um grupo grande, diversificado e cada vez maior de consumidores reais para servir como nossa verdade fundamental.

Por que os métodos atuais não conseguem prever a preferência do consumidor por produtos de base sensorial

Quando iniciamos nossa pesquisa em 2015, tínhamos a hipótese de que tudo o que você precisa saber sobre o sabor do vinho, ou seja, sabor, aroma, textura e cor – existe na química. No entanto, o que faltava era um método de análise mais abrangente.

Para explicar esta limitação, é importante compreender que a química dos produtos de base sensorial está amplamente focada no controle de qualidade, ou seja, quanto deste analito está naquela mistura? O foco normalmente não é avaliar todos os analitos, suas proporções relativas ou como eles se combinam no paladar humano para criar sabor. Este é o ponto cego que precisávamos esclarecer porque existem interações dinâmicas ocorrendo entre centenas de compostos no paladar humano. O paladar humano experimenta uma “sopa química” de compostos de sabor ao mesmo tempo, e não um composto de cada vez, como faz uma máquina. As interações entre esses múltiplos compostos, em combinação com a biologia única de cada consumidor, fornecem um contexto crítico sobre quais características da química são expressas para aquela pessoa.

Na medida em que o sensorial é levado em conta, simplesmente, a abordagem típica é assim:

• Os dados da pesquisa mostram que as pessoas gostam de manteiga.
• O diacetil é um composto normalmente associado ao sabor da manteiga.
• Se fizermos um chardonnay com mais diacetil, mais pessoas irão gostar.

Principais problemas com esta abordagem.

1. O sabor não pode ser previsto apenas pela quantificação dos compostos. Uma determinada concentração de diacetil pode ser percebida como manteiga num vinho ou colheita, mas não noutro. Isto ocorre porque existem centenas de outros compostos no vinho e, dependendo das suas concentrações e proporções, o diacetil pode ser mascarado ou expresso. Ao contrário de uma máquina, os humanos experimentam todos os compostos ao mesmo tempo, os seus sentidos não analisam cada composto individualmente, portanto, qualquer quantificação individual não é necessariamente preditiva.

 

2. Os humanos percebem e comunicam sabores de maneira diferente. Mesmo entre um painel de especialistas, metade dos especialistas pode descrever algo como tendo gosto de maçã, e a outra metade pode descrevê-lo como pêra. E o consumidor médio é ainda menos previsível. Pela nossa pesquisa, não acreditamos que o gosto humano seja suficientemente tangível para ser comunicado com precisão, simplesmente através da linguagem, de uma pessoa para outra. Nossos descritores são muito vagos e nossas definições variam com base na biologia individual e nas experiências culturais. Por exemplo, nos EUA a maioria dos consumidores descreve a percepção do benzaldeído como “cereja”, mas a maioria dos consumidores na Europa descreve-o como “maçapão”…mesmo no mesmo vinho.

 

3. Os sabores que os consumidores percebem não têm correlação com o fato de eles realmente gostarem ou não. Em nossa pesquisa observa-se que os consumidores não decidem adquirir um vinho porque ele tem gosto de cereja. Eles simplesmente julgam que gostaram do vinho e é provável que gostem dele novamente.

Exemplo: Esta falta de compreensão não é exclusiva do segmento vitivinícola. Reunimo-nos com executivos e pesquisadores de algumas das maiores empresas de aromas e fragrâncias do mundo. Um executivo descreveu sua frustração com um projeto recente para criar um novo chocolate lavanda. Esta empresa gastou milhões de dólares organizando e realizando grupos focais com consumidores que amavam especificamente chocolate, adoravam lavanda e adoravam chocolate lavanda. Em última análise, os resultados foram que os entrevistados concordaram que era chocolate com lavanda, mas também concordaram que não gostavam daquele chocolate com lavanda em particular.

Como resultado destas percepções, concluímos que deveríamos concentrar a nossa investigação na previsão de quais as matrizes químicas que os consumidores gostaram e em que medida, em oposição aos sabores que percebem.

Como nossa abordagem é diferente

Lixo entra, Lixo sai. Quando se trata de qualidade de dados, percebemos que um conjunto de treinamento válido não poderia ser gerado a partir de dados comerciais existentes ou de crowdsourcing. Teríamos que criar o nosso próprio, internamente.

A primeira coisa que precisávamos era de um método químico que proporcionasse visibilidade sobre o delicado equilíbrio dos sólidos voláteis, não voláteis, dissolvidos, dados espectrais, etc., de um vinho em um instantâneo, para ser mais identificável ao paladar humano.

Anos de experimentação resultaram em uma metodologia que gera mais de 1 milhão de pontos de dados por amostra. Essa quantidade granular e esmagadora de dados é então processada por algoritmos de aprendizado de máquina que foram projetados por nossa equipe de ciência de dados para decodificar as interdependências que informam a percepção humana com base nas proporções dos analitos e grupos de analitos.

Depois de comprovarmos a eficácia deste método, começamos a analisar e decodificar a matriz de sabores de milhares de vinhos em todo o mundo e, desde então, desenvolvemos um banco de dados abrangente de matrizes de sabores do mundo do vinho.

Relacionando as preferências do consumidor com a química

Em seguida, tivemos que entender quais matrizes de sabor os vários consumidores preferiam, fazendo-os provar e avaliar o vinho que analisamos. Ao longo dos anos, realizamos painéis regulares de degustação duplo-cego com milhares de consumidores, cada um degustando dezenas ou centenas de vinhos ao longo do tempo. Os entrevistados incluem iniciantes no mundo do vinho, bebedores de vinho típicos, especialistas, enólogos e sommeliers.

Os sistemas crowdsourced normalmente perdem ou ignoram dados críticos. Por exemplo, na escala Parker, a maioria das pessoas nem sequer pontua um vinho abaixo de 80 pontos. faixa. Mas aprendemos que os consumidores não gostam daquilo que não gostam, mais do que gostam daquilo que gostam. Portanto, é fundamental ter uma imagem completa das preferências – especialmente das preferências negativas.

Usamos nosso novo aprendizado de máquina para entender as preferências únicas dos consumidores para vários tipos de matrizes de sabor no vinho. Com o tempo, isso nos permitiu prever com precisão suas preferências por vinhos que ainda não haviam provado. Durante este processo, também aprendemos que os vinhos individuais, bem como as preferências individuais, são quase como impressões digitais na sua singularidade. Concluímos que, ao contrário das práticas habituais da indústria, os consumidores e os vinhos não podem ser agrupados com precisão, ou filtrados de forma colaborativa, em generalizações.

Exemplo: Duas mulheres podem compartilhar a mesma geografia, cultura, etnia, educação, renda, carro, telefone, e ambas amam Kim Crawford Sauvignon Blanc; mas um pode amar o Morning Fog chardonnay e o outro pode odiá-lo. A única visibilidade preditiva confiável reside no seu paladar biológico.

Como dimensionar essa inovação? 

O que criamos foi ótimo, mas os painéis de degustação são caros e demorados. Seria impossível realizar um painel de degustação anual com todos os 248 milhões de americanos com mais de 21 anos para entender de quais vinhos eles irão gostar.

Queríamos conceber uma ferramenta escalável que tivesse a mesma eficácia na previsão das preferências do consumidor, sem necessidade de participação em painéis de prova ou de expressão das suas preferências por um grande conjunto de vinhos previamente provados.

Nossa solução foi fazer com que a IA selecionasse itens alimentares simples que compartilhassem aspectos de sua química com vinhos em um sortimento. Os entrevistados nos nossos painéis de degustação responderam a várias centenas de perguntas sobre as suas preferências por alimentos e sabores que não estão diretamente relacionados com o vinho; como, “Como você se sente em relação ao pimentão verde?” ou “Como você se sente em relação aos cogumelos?”

Essas questões foram usadas pela TastryAI como análogas aos tipos e proporções de compostos comumente encontrados na química subjacente do vinho. Como humanos, não podemos decifrar ou compreender essas correlações e padrões complexos, mas, à medida que acontece, desvendar essas relações complicadas é um excelente problema para o aprendizado de máquina resolver.

Com esses dados, a TastryAI aprendeu como prever a preferência do consumidor por vinho, com base nas respostas à Pesquisa de Preferência Alimentar. O resultado foi a nossa capacidade de eliminar a necessidade de quaisquer dados específicos do vinho por parte de um consumidor para prever a sua preferência por vinho.

De quantos dados precisamos para entender as preferências do consumidor?

Embora tenhamos começado com centenas de perguntas sobre preferências alimentares, quanto mais respostas forem respondidas, mais precisos serão os resultados; há retornos decrescentes após 9-12. Com o princípio de Pareto em ação, as questões de preferência alimentar com melhor desempenho são fornecidas aproximadamente. 80% de compreensão do paladar do consumidor.

A partir de hoje, normalmente há uma pesquisa de 10 a 12 perguntas para vinho tinto e outra pesquisa de 10 a 12 perguntas para vinhos brancos, rosés e espumantes.

Isso permitiu uma solução escalável. Desde que lançamos vários pilotos anos atrás, agora existem muitos questionários semelhantes de aparência extravagante em sites de comércio eletrônico. Um consumidor responde a um teste de 30 segundos sobre se gosta ou não de amoras ou café e é recompensado com recomendações de vinhos. A diferença é que esses quizzes são no máximo filtros de notas de degustação, ou seja, se você gosta de amoras você vai gostar de um vinho descrito por alguém como tendo gosto de fruta preta, ou se você gosta de café então você vai gostar de um vinho descrito por alguém como sendo adstringente. Mas aprendemos que se essas descrições forem precisas para o paladar daquela pessoa, sem poder preditivor sobre se eles vão gostar ou não do vinho; mas é envolvente, os consumidores gostam de questionários.

As recomendações da Tastry estão ligadas à matriz gustativa do vinho. TastryAI não é um filtro de notas de degustação, não pergunta se você gosta do aroma ou sabor dos cogumelos no seu vinho, está tentando entenda as proporções de compostos que você gosta ou não gosta com base em suas preferências biológicas de paladar. Cada pergunta fornece muitas camadas de insights porque cada pergunta se sobrepõe e alimenta outras perguntas. Então, depois de perguntar sobre cogumelos, talvez a próxima pergunta seja “Como você se sente em relação ao sabor do pimentão verde?” A IA pode saber que existem, por exemplo, 33 compostos numa determinada proporção, geralmente responsáveis ​​pela percepção dos cogumelos, e 22 compostos geralmente responsáveis ​​pelo sabor do pimentão verde – mas o mais importante é que alguns desses compostos existem em ambos. Se você diz que adora cogumelos, mas odeia pimentão verde, então a IA está mais confiante de que você como alguns compostos, mais confiante você antipatia outros compostos, e aqueles que se sobrepõem são provavelmente contextuais.

Então, você pode imaginar um diagrama de Venn multidimensional, onde a IA revela quais compostos você gosta ou não em combinação com outros compostos.

E com esta pesquisa de preferência de sabor e feedback dos consumidores, coletamos dados anônimos de paladar de todo o mundo. Um site de comércio eletrônico, ou um grande varejista, pode lançar o Tastry Quiz no aplicativo e obter milhares de respostas em poucas horas de consumidores em todos os EUA. Os únicos outros dados que adquirimos são um código postal. Usamos o código postal para aplicar uma derivação de uma crista bayesiana, que pega a distribuição geográfica dos paladares de consumidores conhecidos que coletamos e monitoramos, além de outros dados, e prevê o restante dos mais de 200 milhões de paladares de consumidores viáveis ​​nos EUA. conjunto de dados como fonte da verdade e para fornecer previsões sobre o desempenho dos vinhos em um mercado em nível de loja, local ou regional.

Grupo de foco virtual saboroso

Ao analisar um vinho, decodificar sua matriz gustativa e avaliar sua palatabilidade frente à combinação de paladares reais e virtuais, o A IA é atualmente 92.8% precisa na previsão da classificação agregada do consumidor dos EUA para o vinho. Em outras palavras, a IA pode prever a classificação média de 5 estrelas para um vinho dentro de +/- 1/10^th de uma estrela.

É mais fácil pensar na IA como um “Grupo Focal Virtual” de preferências do consumidor.

As vinícolas usam o TastryAI para fazer simulações sobre como os consumidores perceberão seu vinho, mesmo antes de investirem anos e milhões de dólares para produzi-lo. Os atacadistas usam o TastryAI para determinar as regiões nas quais vários vinhos terão melhor desempenho. Os varejistas usam TastryAI para otimizar seu sortimento nas prateleiras e online. E os consumidores usam o TastryAI para evitar o risco de comprar um vinho que não vão gostar.