Cum Tastry “învață un computer să guste”

Cum Tastry folosește chimia inovatoare și inteligența artificială pentru a prezice preferințele consumatorilor.

De la început, întrebarea pe care am vrut să o răspundem a fost: “Putem decoda matricele unice de aromă ale produselor bazate pe simțuri și preferințele biologice unice ale consumatorilor pentru a prezice cu acuratețe plăcerea?” Răspunsul scurt este da.

Cu toate acestea, la începutul cercetărilor noastre, am descoperit că metodele existente de analiză chimică și datele existente privind preferințele consumatorilor au furnizat corelații sau predicții statistic nesemnificative. Știam că va trebui să creăm propriile noastre date pentru a face progrese.

Mai întâi, am avut nevoie să creăm o metodă de chimie analitică care să ofere transparență maximă asupra chimiei (inclusiv compuși volatili, nevolațili, dizolvați, date spectrale etc.). De asemenea, am avut nevoie să decodăm matricea de aromă într-un mod care să poată fi tradus pentru a aproxima cum oamenii experimentează acea chimie pe palatul lor.

În al doilea rând, am avut nevoie să creăm o metodă pentru a obține, a completa și a urmări în mod constant și precis preferințele biologice senzoriale ale unui grup mare, divers și în creștere de consumatori reali pentru a servi ca punct de referință.

De ce metodele actuale nu reușesc să prezică preferințele consumatorilor pentru produsele bazate pe simțuri

Când am început cercetarea noastră în 2015, am avut ipoteza că tot ceea ce trebuie să știm despre aroma vinului, adică gustul, aroma, textura și culoarea – există în chimie. Cu toate acestea, ceea ce lipsea era o metodă mai cuprinzătoare de analiză.

Pentru a explica această limitare, este important să înțelegem că chimia produselor bazate pe simțuri se axează în mare măsură pe controlul calității, adică cât de mult din acest analit este în amestec? Accentul nu este de obicei pe evaluarea tuturor analiților, a raporturilor relative sau a modului în care se combină pe palatul uman pentru a crea aromă. Acesta este punctul orb pe care am vrut să-l iluminăm, deoarece există interacțiuni dinamice care au loc între sute de compuși pe un palat uman. Un palat uman experimentează o “supă chimică” de compuși de aromă în același timp, nu un compus la un moment dat, ca o mașină. Interacțiunile dintre acești compuși multipli, în combinație cu biologia unică a fiecărui consumator, oferă contextul critic pentru a înțelege care dintre caracteristicile chimiei sunt exprimate pentru acea persoană.

În măsura în care senzorii sunt luați în considerare, abordarea tipică arată astfel:

• Datele de sondaj arată că oamenii își plac untul.
• Diacetilul este un compus asociat în mod obișnuit cu aroma untului.
• Dacă facem un chardonnay cu mai mult diacetil, mai multe persoane îl vor plăcea.

Problemele de bază cu această abordare.

1. Aroma nu poate fi prezisă prin cuantificarea compușilor singuri. O anumită concentrație de diacetil poate fi percepută ca unt într-un vin sau o anumită vinificație, dar nu și în alta. Acest lucru se datorează faptului că există sute de alți compuși în vin, iar în funcție de concentrațiile și raporturile lor, diacetilul poate fi mascat sau exprimat. În contrast cu o mașină, oamenii experimentează toți compușii în același timp, simțurile lor nu analizează individual fiecare compus, prin urmare orice cuantificare individuală nu este necesarmente predictivă.

2. Oamenii percep și comunică aromele în mod diferit. Chiar și în rândul unui panel de experți, jumătate dintre experți pot descrie ceva ca având gust de măr, iar cealaltă jumătate poate descrie același lucru ca având gust de pară. Și consumatorul mediu este și mai imprevizibil. Din cercetarea noastră, nu credem că gustul uman este suficient de tangibil pentru a fi comunicat cu acuratețe prin limbaj de la o persoană la alta. Descriptorii noștri sunt prea vagi, iar definițiile noastre variază în funcție de biologia și experiențele culturale individuale. De exemplu, în Statele Unite, majoritatea consumatorilor descriu percepția benzaldehidei ca “vișin”, dar majoritatea consumatorilor din Europa o descriu ca “marzipan”… chiar și în același vin.

3. Aromele pe care le percep consumatorii nu au nicio legătură cu faptul că le plac sau nu. În cercetarea noastră, s-a observat că consumatorii nu decid să cumpere un vin pentru că are gust de vișin. Ei simplu fac judecata că le place vinul și sunt mai probabil să-l placă din nou.

Exemplu: Această lipsă de înțelegere nu este unică pentru segmentul vinului. Am întâlnit directori executivi și cercetători de la unele dintre cele mai mari companii de aromă și parfum din lume. Un director executiv a descris frustrarea sa cu un proiect recent de a crea un nou ciocolat cu lavandă. Această companie a cheltuit milioane de dolari pentru a organiza și a conduce grupuri de focus cu consumatori care își plac în mod special ciocolata, își plac lavanda și își plac ciocolata cu lavandă. În cele din urmă, rezultatele au arătat că respondenții au fost de acord că este ciocolată cu lavandă, dar au fost de acord și că nu le place acea ciocolată cu lavandă anume.

Ca urmare a acestor insight-uri, am concluzionat că ar trebui să ne concentrăm cercetarea pe prezicerea matricelor de chimie pe care consumatorii le plac și în ce măsură, și nu pe ceea ce arome percep.

Cum este diferită abordarea noastră

Gunoi în, gunoi ieșit. Când vine vorba de calitatea datelor, am realizat că un set de antrenament valabil nu poate fi generat din datele comerciale sau crowdsourcute existente. Trebuia să creăm propriile noastre date, în interior.

Prima lucrare de care aveam nevoie a fost o metodă chimică care să ofere vizibilitate asupra echilibrului delicat al compușilor volatili, nevolațili, solide dizolvate, datelor spectrale etc. ale unui vin într-o singură imagine, pentru a fi mai relaționat cu palatul uman.

Ani de experimentare au dus la o metodologie care generează peste 1 milion de puncte de date pe eșantion. Această cantitate enormă de date este apoi procesată de algoritmi de învățare automată care au fost proiectați de echipa noastră de știință a datelor pentru a decoda interdependențele care informează percepția umană pe baza raporturilor analiților și grupurilor de analiți.

Odată ce am demonstrat eficacitatea acestei metode, am început să analizăm și să decodăm matricea de aromă a multor mii de vinuri din întreaga lume și am dezvoltat o bază de date cuprinzătoare a matricei de aromă a lumii vinului.

Relaționarea preferințelor consumatorilor cu chimia

Următorul pas a fost să înțelegem care matrice de aromă preferă diferiți consumatori, făcându-i să guste și să evalueze vinul pe care l-am analizat. De-a lungul anilor, am organizat panouri de degustare dublu-orb cu mii de consumatori, fiecare gustând zeci sau sute de vinuri de-a lungul timpului. Respondenții includ începători în lumea vinului, consumatori obișnuiți de vin, experți, producători de vin și somelieri.

Sistemele crowdsourcute tind să omită sau să ignore date critice. De exemplu, pe scara Parker, majoritatea oamenilor nu vor evalua un vin sub intervalul de 80 de puncte. Și am învățat că consumatorii nu plac ceea ce nu plac, mai mult decât plac ceea ce plac. Prin urmare, este esențial să avem o imagine completă a preferinței – în special a preferințelor negative.

Am folosit inteligența noastră artificială inovatoare pentru a înțelege preferințele unice ale consumatorilor pentru diverse tipuri de matrice de aromă în vin. De-a lungul timpului, ne-a permis să prezicem cu acuratețe preferințele lor pentru vinurile pe care nu le-au gustat încă. În acest proces, am învățat și că vinurile individuale, precum și preferințele individuale, sunt aproape unice, ca o amprentă. Am concluzionat că, contrar practicilor obișnuite din industrie, consumatorii și vinurile nu pot fi grupați cu acuratețe sau filtrate colaborativ în generalizări.

Exemplu: Două femei pot împărtăși aceeași geografie, cultură, etnie, educație, venit, mașină, telefon și pot împărtăși dragostea pentru Kim Crawford Sauvignon Blanc; dar una poate iubi Morning Fog Chardonnay, iar cealaltă poate urî același vin. Singura vizibilitate predictivă fiabilă se află în palatul biologic al consumatorului.

Cum să scalăm această inovație?

Ce am creat a fost excelent, dar panourile de degustare sunt scumpe și consumatoare de timp. Ar fi imposibil să organizăm un panou de degustare anual cu toți cei 248 de milioane de americani cu vârsta peste 21 de ani pentru a înțelege care vinuri le plac.

Am vrut să proiectăm un instrument scalabil care să aibă aceeași eficacitate în prezicerea preferințelor unui consumator, fără a necesita participarea la panouri de degustare sau exprimarea preferințelor pentru un set mare de vinuri gustate anterior.

Soluția noastră a fost să facem inteligența noastră artificială să selecteze articole alimentare simple care împărtășesc aspecte ale chimiei cu vinurile dintr-o selecție. Respondenții din panourile noastre de degustare au răspuns la sute de astfel de întrebări despre preferințele lor pentru alimente și arome care nu sunt direct legate de vin; cum ar fi “Cum vă place ardeiul verde?” sau “Cum vă place ciupercile?”

Aceste întrebări au fost utilizate de TastryAI ca analogi ai tipurilor și raporturilor compușilor găsiți în mod obișnuit în chimia subiacentă a vinului. Ca oameni, nu putem decifra sau înțelege aceste corelații și modele complexe, dar, așa cum se întâmplă, rezolvarea acestor relații complexe este o problemă excelentă pentru inteligența artificială.

Cu aceste date, TastryAI a învățat să prezică preferința unui consumator pentru vin pe baza răspunsurilor la Chestionarul de preferințe alimentare. Ce a rezultat a fost capacitatea noastră de a elimina nevoia oricăror date specifice vinului de la un consumator pentru a prezice preferința lui pentru vin.

Cât de multe date avem nevoie pentru a înțelege preferința consumatorului?

Deși am început cu sute de întrebări despre preferințele alimentare, cu cât mai multe sunt răspunsuri, cu atât mai precise sunt rezultatele, dar există randamente descrescătoare după 9-12. Cu principiul Pareto în funcțiune, cele mai bune întrebări despre preferințele alimentare au oferit aproximativ 80% înțelegere a palatului unui consumator.

În prezent, există de obicei un chestionar de 10-12 întrebări pentru vinul roșu și un alt chestionar de 10-12 întrebări pentru vinul alb, rozé și spumant.

Acest lucru a permis o soluție scalabilă. De la lansarea noastră în diverse proiecte-pilot de ani de zile, există acum multe chestionare asemănătoare pe site-urile de comerț electronic. Un consumator completează un chestionar de 30 de secunde despre dacă îi place sau nu îi place afinele sau cafeaua și este recompensat cu recomandări de vin. Diferența este că aceste chestionare sunt, în cel mai bun caz, filtre de note de degustare, adică dacă vă plac afinele, veți plăcea un vin descris de cineva ca având gust de fructe întunecate, sau dacă vă place cafeaua, veți plăcea un vin descris de cineva ca fiind astringent. Dar am învățat că, dacă aceste descrieri sunt precise pentru palatul acelei persoane, nu au putere predictivă în ceea ce privește dacă vor plăcea sau nu vinul; dar este captivant, consumatorii își plac chestionarele.

Recomandările Tastry sunt legate de matricea de aromă a vinului. TastryAI nu este un filtru de note de degustare, nu întreabă dacă vă place aroma sau gustul ciupercilor în vinul dvs., ci încearcă să înțeleagă raporturile compușilor pe care îi plac sau nu, pe baza preferințelor biologice ale palatului. Fiecare întrebare oferă multe straturi de insight, deoarece fiecare întrebare se suprapune și se hrănește din alte întrebări. Deci, după ce întreabă despre ciuperci, poate următoarea întrebare este “Cum vă place gustul ardeiului verde?” Inteligența artificială poate ști că există, de exemplu, 33 de compuși într-un anumit raport, în general, responsabili pentru percepția ciupercilor, și 22 de compuși, în general, responsabili pentru gustul ardeiului verde – dar, important, unii dintre acești compuși există în ambele. Dacă spuneți că vă plac ciupercile, dar urâți ardeiul verde, atunci inteligența artificială este mai sigură că vă plac anumiți compuși, mai sigură că nu vă plac alți compuși, și cei care se suprapun sunt, probabil, contextuali.

Așa că, puteți imagina un fel de diagramă multidimensională de Venn, unde inteligența artificială extrage care compuși vă plac sau nu, în combinație cu alți compuși.

Și cu acest chestionar de preferințe alimentare și feedback de la consumator, colectăm date anonime despre palat de pe tot globul. Un site de comerț electronic sau un retailer mare poate lansa Chestionarul Tastry pe aplicație și poate avea mii de răspunsuri în câteva ore de la consumatori din Statele Unite. Singurele alte date pe care le colectăm sunt codul poștal. Folosim codul poștal pentru a aplica o derivare a unei creste Bayes, care ia distribuția geografică a palatelor cunoscute pe care le colectăm și le monitorizăm, și alte date, și prezice restul de peste 200 de milioane de palate de consumatori viabile din Statele Unite. Folosim acest set de date îmbunătățit ca sursă de adevăr și pentru a oferi predicții despre cum vor performa vinurile pe piață, la nivel de magazin, local sau regional.

Grupul virtual de focus Tastry

După analizarea unui vin, decodificarea matricei sale de aromă și evaluarea palatabilității sale împotriva combinației de palate reale și virtuale, inteligența artificială este în prezent cu 92,8% de precisă în prezicerea ratingului mediu al consumatorului american pentru vin. Cu alte cuvinte, inteligența artificială poate prezice ratingul mediu de 5 stele pentru un vin, în limitele a 1/10 dintr-o stea.

Cel mai ușor mod de a gândi despre inteligența artificială este ca un “Grup virtual de focus” al preferințelor consumatorilor.

Cramele folosesc TastryAI pentru a rula simulări despre cum vor percepe consumatorii vinul lor, chiar înainte de a investi ani și milioane de dolari în producerea lui. Distribuitorii folosesc TastryAI pentru a determina regiunile în care diferitele vinuri vor performa cel mai bine. Retailerii folosesc TastryAI pentru a-și optimiza asortimentul pe rafturi și online. Și consumatorii folosesc TastryAI pentru a evita riscul de a cumpăra un vin pe care nu-l vor plăcea.