Como a Tastry “ensinou um computador a saborear”

Como a Tastry usa química inovadora e IA para prever preferências do consumidor.

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

No entanto, no início de nossa pesquisa, descobrimos que os métodos de análise química existentes e os dados de preferência do consumidor existentes forneciam correlações ou previsões estatisticamente insignificantes. Sabíamos que teríamos que criar nossos próprios dados para fazer progressos.

Primeiro, precisávamos criar um método de análise química que fornecesse a máxima transparência sobre a química (incluindo voláteis, não voláteis, dissolvidos, dados espectrais, etc.). Também precisávamos decodificar a matriz de sabor de uma maneira que pudesse ser traduzida para ajudar a aproximar como os humanos experimentam essa química em seu paladar.

Em segundo lugar, precisávamos criar um método para constantemente e com precisão obter, aumentar e rastrear as preferências sensoriais biológicas de um grande, diverso e sempre crescente grupo de consumidores reais para servir como nossa verdade absoluta.

Por que os métodos atuais falham em prever a preferência do consumidor para produtos baseados em sensações

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

Para explicar essa limitação, é importante entender que a química dos produtos baseados em sensações é amplamente focada no controle de qualidade, ou seja, quanto dessa substância está nessa mistura? O foco não é típico para avaliar todos os analitos, suas razões relativas ou como eles se combinam no paladar humano para criar sabor. Isso é o ponto cego que precisávamos iluminar, pois existem interações dinâmicas entre centenas de compostos no paladar humano. O paladar humano experimenta um “caldo químico” de compostos de sabor ao mesmo tempo, não um composto de cada vez como uma máquina. As interações entre esses múltiplos compostos em combinação com a biologia única de cada consumidor fornecem contexto crítico sobre quais recursos da química são expressos para essa pessoa.

Na medida em que a sensação é levada em consideração, simplesmente posto, a abordagem típica parece assim:

• Dados de pesquisa mostram que as pessoas gostam de manteiga.
• Diacetil é um composto tipicamente associado ao sabor de manteiga.
• Se fizermos um chardonnay com mais diacetil, mais pessoas vão gostar.

Problemas principais com essa abordagem.

1. O sabor não pode ser previsto pela quantificação de compostos sozinho. Uma concentração dada de diacetil pode ser percebida como manteiga em um vinho ou safra, mas não em outro. Isso ocorre porque existem centenas de outros compostos no vinho, e dependendo de suas concentrações e razões, o diacetil pode ser mascarado ou expresso. Ao contrário de uma máquina, os humanos estão experimentando todos os compostos ao mesmo tempo, seus sentidos não estão analisando cada composto individualmente, portanto, nenhuma quantificação individual é necessariamente previsível.

2. Os humanos percebem e comunicam sabores de maneira diferente. Mesmo entre um painel de especialistas, metade dos especialistas pode descrever algo como tendo sabor de maçã, e a outra metade pode descrever como tendo sabor de pera. E o consumidor médio é ainda menos previsível. A partir de nossa pesquisa, não acreditamos que o paladar humano seja suficientemente tangível para ser comunicado com precisão apenas através da linguagem de uma pessoa para outra. Nossas descrições são muito vagas, e nossas definições variam com base na biologia individual e experiências culturais. Por exemplo, nos EUA, a maioria dos consumidores descreve a percepção de benzaldeído como “cereja”, mas a maioria dos consumidores na Europa descreve como “amêndoa”… mesmo no mesmo vinho.

3. Os sabores que os consumidores percebem não têm correlação com se eles realmente gostam ou não. Em nossa pesquisa, observamos que os consumidores não decidem comprar um vinho porque ele tem sabor de cereja. Eles simplesmente fazem o julgamento de que gostam do vinho, e é provável que gostem novamente.

Exemplo: Essa falta de compreensão não é única para o segmento de vinho. Nós nos encontramos com executivos e pesquisadores em algumas das maiores empresas de sabores e fragrâncias do mundo. Um executivo descreveu sua frustração com um projeto recente para criar um novo chocolate de lavanda. Essa empresa gastou milhões de dólares sentando e executando grupos focais com consumidores que amavam chocolate, amavam lavanda e amavam chocolate de lavanda. No final, os resultados foram que os respondentes concordaram que era chocolate de lavanda, mas também concordaram que não gostavam desse chocolate de lavanda em particular.

Como resultado dessas percepções, concluímos que deveríamos focar nossa pesquisa em prever quais matrizes de química os consumidores gostam, e em que medida, em vez de quais sabores eles percebem.

Como nossa abordagem é diferente

Lixo para dentro, lixo para fora. Quando se trata de qualidade de dados, percebemos que um conjunto de treinamento válido não poderia ser gerado a partir de dados comerciais ou de multidão existentes. Teríamos que criar o nosso próprio, em casa.

A primeira coisa que precisávamos era um método de química que fornecesse visibilidade sobre o delicado equilíbrio dos voláteis, não voláteis, sólidos dissolvidos, dados espectrais, etc., de um vinho em uma única imagem, para ser mais relativo ao paladar humano.

Anos de experimentação resultaram em uma metodologia que gera mais de 1 milhão de pontos de dados por amostra. Esses dados granulares e esmagadores são então processados 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 razões dos analitos e grupos de analitos.

Uma vez que provamos a eficácia desse método, começamos a analisar e decodificar a matriz de sabor de muitos milhares de vinhos em todo o mundo e desenvolvemos um banco de dados abrangente de matrizes de sabor do mundo do vinho.

Relacionando preferências do consumidor à química

Em seguida, tivemos que entender quais matrizes de sabor vários consumidores preferiam, fazendo com que eles provassem e classificassem o vinho que tínhamos analisado. Ao longo dos anos, realizamos regularmente painéis de degustação duplo-cego com milhares de consumidores, cada um provando muitas dezenas ou centenas de vinhos ao longo do tempo. Os respondentes incluem novatos em vinho, bebedores de vinho típicos, especialistas, vinicultores e sommeliers.

Sistemas de multidão geralmente perdem ou ignoram dados críticos. Por exemplo, na escala Parker, a maioria das pessoas não vai sequer classificar um vinho abaixo da faixa de 80 pontos. Mas aprendemos que os consumidores detestam o que detestam mais do que gostam do que gostam. Portanto, é fundamental ter uma imagem completa da preferência – especialmente preferências negativas.

Usamos nosso aprendizado de máquina inovador 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 para vinhos que ainda não haviam provado. Durante esse processo, também aprendemos que vinhos individuais, bem como preferências individuais, são quase como impressões digitais em sua singularidade. Concluímos que, contrariamente às práticas habituais da indústria, os consumidores e os vinhos não podem ser agrupados ou filtrados colaborativamente em generalizações.

Exemplo: Duas mulheres podem compartilhar a mesma geografia, cultura, etnia, educação, renda, carro, telefone e ambas amam o Sauvignon Blanc Kim Crawford; mas uma pode amar o Chardonnay Morning Fog e a outra pode odiar. A única visibilidade previsível confiável reside em seu paladar biológico.

Como escalar essa inovação?

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

Queríamos projetar uma ferramenta escalável que tivesse a mesma eficácia na previsão das preferências do consumidor, sem exigir a participação em painéis de degustação ou a expressão de suas preferências para um grande conjunto de vinhos previamente provados.

Nossa solução foi ter a IA selecionar itens alimentícios simples que compartilhassem aspectos de sua química com vinhos em uma seleção. Os respondentes em nossos painéis de degustação responderam a várias centenas de perguntas sobre suas preferências por alimentos e sabores que não estão diretamente relacionados ao vinho; como “Como você se sente sobre pimentão verde?”, ou “Como você se sente sobre cogumelos?”

Essas perguntas foram usadas pela TastryAI como análogos para os tipos e razões de compostos comumente encontrados na química subjacente do vinho. Como humanos, não podemos decifrar ou entender essas correlações e padrões complexos, mas, como acontece, extrair essas relações complicadas é um excelente problema para o aprendizado de máquina resolver.

Com esses dados, a TastryAI aprendeu a prever a preferência do consumidor por vinho com base em suas respostas à Pesquisa de Preferência Alimentar. O que resultou foi nossa capacidade de eliminar a necessidade de qualquer dado específico de vinho de um consumidor para prever sua preferência por vinho.

Quanto dados precisamos para entender a preferência do consumidor?

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

Atualmente, há normalmente um questionário de 10-12 perguntas para vinho tinto, e outro questionário de 10-12 perguntas para vinho branco, rosé e espumante.

Isso permitiu uma solução escalável. Desde que lançamos em vários pilotos anos atrás, agora existem muitos questionários semelhantes em sites de comércio eletrônico. Um consumidor faz um questionário de 30 segundos sobre se gosta ou não de amoras ou café, e é recompensado com recomendações de vinho. A diferença é que esses questionários 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 sabor de frutas escuras, ou se você gosta de café, então você vai gostar de um vinho descrito por alguém como sendo astringente. Mas aprendemos que, se essas descrições são precisas para o paladar dessa pessoa, elas têm nenhum poder previsivo para determinar se essa pessoa vai gostar do vinho; mas é envolvente, os consumidores gostam de questionários.

As recomendações da Tastry estão vinculadas à matriz de sabor do vinho. A TastryAI não é um filtro de notas de degustação, não está perguntando se você gosta do aroma ou sabor de cogumelos em seu vinho, está tentando entender as razões de compostos que você gosta ou não gosta com base em suas preferências de paladar biológico. Cada pergunta fornece muitas camadas de insight, pois cada pergunta se sobrepõe e se alimenta de outras perguntas. Então, após perguntar sobre cogumelos, talvez a próxima pergunta seja “Como você se sente sobre o sabor de pimentão verde?” A IA pode saber que existem, por exemplo, 33 compostos em uma razão geralmente responsável pela percepção de cogumelos, e 22 compostos geralmente responsáveis pelo sabor de pimentão verde – mas, importante, alguns desses compostos existem em ambos. Se você disser que ama cogumelos, mas odeia pimentão verde, então a IA está mais confiante de que você gosta de alguns compostos, mais confiante de que você detesta outros compostos, e aqueles que se sobrepõem são provavelmente contextuais.

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

E com essa pesquisa de preferência de sabor e feedback do consumidor, coletamos dados de paladar anonimizados de todo o mundo. Um site de comércio eletrônico ou varejista pode lançar o Quiz Tastry no aplicativo e ter milhares de respostas dentro de horas de consumidores em todo os EUA. O único outro dado que coletamos é um código postal. Usamos o código postal para aplicar uma derivação de uma crista bayesiana, que leva a distribuição geográfica dos paladares do consumidor conhecidos que coletamos e monitoramos, e outros dados, e prevê o restante dos 200M+ paladares do consumidor viáveis nos EUA. Usamos esse conjunto de dados aprimorado como a fonte de verdade e para fornecer previsões de como os vinhos se sairão no mercado em um nível de loja, local ou regional.

Tastry Virtual Focus Group

Ao analisar um vinho, decodificar sua matriz de sabor e avaliar sua palatabilidade contra a combinação de paladares reais e virtuais, a IA é atualmente 92,8% precisa em prever a classificação agregada do consumidor nos EUA para o vinho. Em outras palavras, a IA pode prever a classificação média de 5 estrelas para um vinho dentro de +/- 1/10 de uma estrela.

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

As vinícolas usam a TastryAI para executar simulações de como os consumidores perceberão seu vinho, mesmo antes de investir anos e milhões de dólares para produzi-lo. Os atacadistas usam a TastryAI para determinar as regiões em que vários vinhos se sairão melhor. Os varejistas usam a TastryAI para otimizar sua seleção nas prateleiras e online. E os consumidores usam a TastryAI para evitar o risco de comprar um vinho que eles não vão gostar.