Как Tasry «научила компьютер пробовать на вкус».

Как Tastry использует новую химию и искусственный интеллект для прогнозирования потребительских предпочтений.

С самого начала мы хотели ответить на вопрос: «Можем ли мы расшифровать уникальные вкусовые матрицы сенсорных продуктов и уникальные биологические предпочтения потребителей, чтобы точно предсказать их привлекательность?» Короткий ответ: да.

Однако в начале нашего исследования мы обнаружили, что существующие методы химического анализа и существующие данные о потребительских предпочтениях дают статистически незначимые корреляции или прогнозы. Мы знали, что для достижения прогресса нам придется создавать собственные данные.

Во-первых, нам нужно было создать метод аналитической химии, который обеспечивал бы максимальную прозрачность химического процесса (включая летучие, нелетучие, растворенные, спектральные данные и т. д.). Нам также нужно было каким-то образом расшифровать матрицу вкуса. это можно было бы перевести, чтобы помочь примерно оценить, как люди ощущают эту химию на своем нёбе.

Во-вторых, нам нужно было создать метод, позволяющий постоянно и точно получать, дополнять и отслеживать биологические сенсорные предпочтения большой, разнообразной и постоянно растущей группы реальных потребителей, чтобы он мог служить нашей основной истиной.

Почему современные методы не могут предсказать предпочтения потребителей в отношении сенсорных продуктов

Когда мы начали наше исследование в 2015 году, у нас была гипотеза, что все, что вам нужно знать о вкусе вина, то есть о вкусе, аромате, текстуре и цвете, существует в химии. Однако не хватало более комплексного метода анализа.

Чтобы объяснить это ограничение, важно понимать, что химия сенсорных продуктов в значительной степени ориентирована на контроль качества, т.е. сколько данного аналита содержится в этой смеси? Обычно основное внимание уделяется не оценке всех аналитов, их относительным соотношениям или тому, как они сочетаются в человеческом вкусе, создавая вкус. Это «слепое пятно», которое нам нужно было осветить, потому что между сотнями соединений в человеческом нёбе происходят динамические взаимодействия. Человеческое нёбо воспринимает «химический суп» из вкусовых соединений одновременно, а не по одному соединению за раз, как это делает машина. Взаимодействия между этими многочисленными соединениями в сочетании с уникальной биологией каждого потребителя обеспечивают критический контекст того, какие химические особенности проявляются для этого человека.

В той степени, в которой учитывается сенсорика, проще говоря, типичный подход выглядит так:

• Данные опросов показывают, что людям нравится сливочное масло.
• Диацетил — это соединение, обычно связанное со вкусом сливочного масла.
• Если мы сделаем шардоне с большим количеством диацетила, оно понравится большему количеству людей.

Основные проблемы этого подхода.

1. Вкус нельзя предсказать только путем количественного определения соединений. Определенная концентрация диацетила может восприниматься как масло в одном вине или марке, но не в другом. Это связано с тем, что в вине присутствуют сотни других соединений, и в зависимости от их концентрации и соотношения диацетил может быть либо замаскирован, либо выражен. В отличие от машины, люди воспринимают все соединения одновременно, их чувства не анализируют каждое соединение в отдельности, поэтому любое индивидуальное количественное определение не обязательно является прогнозирующим.

 

2. Люди по-разному воспринимают и передают вкусы. Даже среди группы экспертов половина экспертов может описать что-то как вкус яблока, а другая половина — как грушу. А средний потребитель еще менее предсказуем. Согласно нашим исследованиям, мы не считаем, что человеческий вкус достаточно осязаем, чтобы его можно было точно передать просто через язык от одного человека к другому. Наши дескрипторы слишком расплывчаты, а наши определения различаются в зависимости от индивидуальной биологии и культурного опыта. Например, в США большинство потребителей описывают восприятие бензальдегида как «вишня», но большинство потребителей в Европе описывают его как «марципан»… даже в одном и том же вине.

 

3. Вкус, который воспринимают потребители, не имеет никакой корреляции с тем, нравится он им на самом деле или нет. В нашем исследовании замечено, что потребители решают купить вино не потому, что оно имеет вишневый вкус. Они просто делают вывод, что вино им понравилось, и, скорее всего, оно понравится им снова.

Пример: Такое непонимание характерно не только для винного сегмента. Мы встретились с руководителями и исследователями некоторых крупнейших компаний по производству ароматизаторов в мире. Один из руководителей рассказал о своем разочаровании недавним проектом по созданию нового лавандового шоколада. Эта компания потратила миллионы долларов на организацию и проведение фокус-групп с потребителями, которые особенно любили шоколад, любили лаванду и любили лавандовый шоколад. В конечном итоге респонденты согласились, что это лавандовый шоколад, но они также согласились, что им не нравится именно этот лавандовый шоколад.

В результате этих выводов мы пришли к выводу, что нам следует сосредоточить наши исследования на прогнозировании того, какие химические матрицы нравятся потребителям и в какой степени, а не на том, какие вкусы они воспринимают.

Чем отличается наш подход

Ввоз мусора, вывоз мусора. Когда дело дошло до качества данных, мы поняли, что действительный обучающий набор невозможно создать на основе существующих коммерческих или краудсорсинговых данных. Нам придется создать свою собственную, внутреннюю.

Первое, что нам было нужно, это химический метод, который позволил бы увидеть тонкий баланс летучих, нелетучих, растворенных твердых веществ, спектральных данных и т. д. вина в одном снимке, чтобы сделать его более понятным для человеческого вкуса.

Годы экспериментов привели к созданию методологии, которая генерирует более 1 миллиона точек данных на образец. Этот детальный и огромный объем данных затем обрабатывается алгоритмами машинного обучения, разработанными нашей командой по науке о данных для декодирования взаимозависимостей, которые определяют человеческое восприятие на основе соотношений аналитов и групп аналитов.

Доказав эффективность этого метода, мы начали анализировать и расшифровывать вкусовые матрицы многих тысяч вин по всему миру и с тех пор разработали обширную базу данных вкусовых матриц мира вина.

Связь потребительских предпочтений с химией

Далее нам нужно было понять, какие вкусовые матрицы предпочитают различные потребители, предложив им попробовать и оценить проанализированное нами вино. На протяжении многих лет мы проводим регулярные двойные слепые дегустации с тысячами потребителей, каждый из которых с течением времени дегустирует многие десятки или сотни вин. В число респондентов входят новички в виноделии, типичные любители вина, эксперты, виноделы и сомелье.

Краудсорсинговые системы обычно пропускают или игнорируют важные данные. Например, по шкале Паркера большинство людей даже не наберут вино ниже середины 80 баллов. диапазон. Но мы узнали, что потребителям не нравится то, что им не нравится, а не то, что им нравится. Поэтому крайне важно иметь полную картину предпочтений, особенно негативных.

Мы использовали наше новое машинное обучение, чтобы понять уникальные предпочтения потребителей в отношении различных типов вкусовых матриц в вине. Со временем это позволило нам точно предсказать их предпочтения в отношении вин, которые им еще предстоит попробовать. В ходе этого процесса мы также узнали, что отдельные вина, как и индивидуальные предпочтения, по своей уникальности почти подобны отпечаткам пальцев. Мы пришли к выводу, что, вопреки общепринятой отраслевой практике, потребители и вина не могут быть точно сгруппированы или совместно отфильтрованы в обобщения.

Пример: две женщины могут иметь одно и то же географическое положение, культуру, этническую принадлежность, образование, доход, машину, телефон, и обе любят Ким Кроуфорд Совиньон Блан; но один может любить шардоне «Утренний туман», а другой может его ненавидеть. Единственная надежная предсказательная способность зависит от их биологического вкуса.

Как масштабировать это нововведение? 

То, что мы создали, было великолепно, но дегустационные панели — это дорого и отнимает много времени. Было бы невозможно провести ежегодную дегустацию всех 248 миллионов американцев старше 21 года, чтобы понять, какие вина им понравятся.

Мы хотели разработать масштабируемый инструмент, который обладал бы такой же эффективностью в прогнозировании предпочтений потребителей, не требуя участия в дегустационных комиссиях или выражения их предпочтений в отношении большого набора ранее дегустированных вин.

Наше решение заключалось в том, чтобы заставить ИИ выбирать в ассортименте простые продукты питания, химические аспекты которых были схожи с винами. Респонденты наших дегустационных комиссий ответили на несколько сотен таких вопросов о своих предпочтениях в отношении продуктов и вкусов, не связанных напрямую с вином; например: «Как вы относитесь к зеленому перцу?» или «Как вы относитесь к грибам?»

Эти вопросы были использованы TastryAI в качестве аналогов типов и соотношений соединений, обычно встречающихся в базовом химическом составе вина. Мы, люди, не можем расшифровать или понять эти сложные корреляции и закономерности, но, как оказалось, выявление этих сложных взаимосвязей является отличной проблемой для решения машинного обучения.

Используя эти данные, TastryAI научилась предсказывать предпочтения потребителей в отношении вина на основе их ответов на опрос пищевых предпочтений. Результатом стала наша способность исключить необходимость получения от потребителя каких-либо конкретных данных о вине, чтобы предсказать его предпочтения в отношении вина.

Сколько данных нам нужно, чтобы понять потребительские предпочтения?

Хотя мы начали с сотен вопросов о предпочтениях в еде, чем на большее количество ответов мы отвечаем, тем точнее результаты, но после 9–12 количество ответов снижается. Благодаря принципу Парето были получены приблизительно наиболее эффективные вопросы о предпочтениях в еде. 80% понимание вкусов потребителя.

На сегодняшний день обычно существует опрос из 10–12 вопросов по красному вину и еще один опрос из 10–12 вопросов по белому, розовому и игристому вину.

Это позволило создать масштабируемое решение. С тех пор, как несколько лет назад мы запустили различные пилотные проекты, на сайтах электронной коммерции теперь есть много подобных причудливых викторин. Потребитель проходит 30-секундный тест о том, нравится ли ему ежевика или кофе, и награждается рекомендацией вина. Разница в том, что эти тесты в большинстве случаев представляют собой фильтры дегустационных нот, т. е., если вам нравится ежевика, вам понравится вино, описанное кем-то как имеющее вкус темных фруктов, или если вы любите кофе, вам понравится вино, описанное кем-то как будучи вяжущим. Но мы узнали, что если эти описания точны для вкуса этого человека, это имеет значение. нет предсказательной силыr относительно того, понравится ли им вино; но это увлекательно, потребителям нравятся викторины.

Рекомендации Дегустаторов привязаны к вкусовой матрице вина. TastryAI — это не фильтр дегустационных заметок, он не спрашивает, нравится ли вам аромат или вкус грибов. в твоем вине, оно пытается понять соотношение соединений, которые вам нравятся или не нравятся, исходя из ваших биологических вкусовых предпочтений. Каждый вопрос дает многоуровневое понимание, поскольку каждый вопрос перекрывается и вливается в другие вопросы. Итак, после вопроса о грибах, возможно, следующий вопрос: «Как вы относитесь к вкусу зеленого болгарского перца?» ИИ может знать, что, например, существует 33 соединения в заданном соотношении, которые обычно отвечают за восприятие грибов, и 22 соединения, которые обычно отвечают за вкус зеленого болгарского перца – но, что важно, некоторые из этих соединений существуют в обоих случаях. Если вы скажете, что любите грибы, но ненавидите зеленый болгарский перец, то ИИ будет более уверен в вас. такое как некоторые соединения, более уверенно вы не любить другие соединения, а также те, которые перекрываются, вероятно, контекстуальны.

Итак, вы можете представить себе многомерную диаграмму Венна, где ИИ определяет, какие соединения вам нравятся или не нравятся в сочетании с другими соединениями.

С помощью этого опроса вкусовых предпочтений и отзывов потребителей мы собираем анонимные данные о вкусах со всего мира. Сайт электронной коммерции или крупный розничный торговец могут запустить Tasry Quiz в приложении и в течение нескольких часов получить тысячи ответов от потребителей со всей территории США. Единственные другие данные, которые мы получаем, — это почтовый индекс. Мы используем почтовый индекс, чтобы применить вывод байесовского хребта, который учитывает географическое распределение известных потребительских вкусов, которые мы собираем и отслеживаем, а также другие данные, и прогнозирует остальные 200+ миллионов жизнеспособных потребительских вкусов в США. Мы используем это расширенное набор данных как источник истины и предоставлять прогнозы о том, как вина будут работать на рынке на уровне магазина, на местном или региональном уровне.

Виртуальная фокус-группа Tasry

Проанализировав вино, расшифровав его вкусовую матрицу и оценив его вкусовые качества по сочетанию реальных и виртуальных вкусов, На данный момент точность ИИ составляет 92.8%. в прогнозировании совокупного потребительского рейтинга вина в США. Другими словами, ИИ может предсказать средний рейтинг вина в 5 звезд с точностью до +/- 1/10.^th звезды.

Проще всего думать об ИИ как о «виртуальной фокус-группе» потребительских предпочтений.

Винодельни используют TastryAI для моделирования того, как потребители будут воспринимать их вино, даже до того, как они потратят на его производство годы и миллионы долларов. Оптовики используют TastryAI, чтобы определить регионы, в которых различные вина будут продаваться лучше всего. Ритейлеры используют TastryAI для оптимизации своего ассортимента на полках и в Интернете. А потребители используют TastryAI, чтобы избежать риска покупки вина, которое им не понравится.