Как Tastry «научил компьютер вкусу»

Как Tastry использует новую химию и ИИ для предсказания потребительских предпочтений.

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

Однако в начале наших исследований мы обнаружили, что существующие методы химического анализа и существующие данные о потребительских предпочтениях предоставляли статистически незначимые корреляции или прогнозы. Мы знали, что нам придется создать свои собственные данные, чтобы добиться прогресса.

Сначала нам нужно было создать метод аналитической химии, который обеспечил бы максимальную прозрачность химии (включая летучие и нетлетучие вещества, растворенные вещества, спектральные данные и т. д.). Мы также cần было расшифровать матрицу вкуса так, чтобы ее можно было перевести в человеческий опыт на вкусовых рецепторах.

Далее нам нужно было создать метод для постоянного и точного сбора, обработки и отслеживания биологических сенсорных предпочтений большой, разнообразной и постоянно растущей группы реальных потребителей в качестве нашей основы для сравнения.

Почему текущие методы не могут предсказать потребительские предпочтения для сенсорных продуктов

Когда мы начали наши исследования в 2015 году, у нас была гипотеза, что все, что нужно знать о вкусе вина, то есть его вкусе, аромате, текстуре и цвете, существует в химии. Однако что было отсутствовать, так это более полный метод анализа.

Чтобы объяснить это ограничение, важно понять, что химия сенсорных продуктов в основном сосредоточена на контроле качества, то есть сколько этого аналита содержится в смеси? Фокус не на оценке всех аналитов, их относительных соотношений или того, как они сочетаются на человеческом вкусовом рецепторе, чтобы создать вкус. Это слепое пятно, которое нам нужно было осветить, поскольку между сотнями соединений на человеческом вкусовом рецепторе происходят динамические взаимодействия. Человеческий вкусовой рецептор испытывает «химическую смесь» вкусовых соединений одновременно, а не одно соединение за раз, как машина. Взаимодействия между этими множественными соединениями в сочетании с уникальной биологией каждого потребителя обеспечивают критический контекст для понимания того, какие особенности химии выражаются этому человеку.

Если сенсорные аспекты учитываются, то типичный подход выглядит следующим образом:

• Данные опроса показывают, что люди любят масло.
• Диацетил — это соединение, обычно ассоциируемое с вкусом масла.
• Если мы создадим шардоне с большим количеством диацетила, больше людей будут любить его.

Основные проблемы с этим подходом.

1. Вкус не может быть предсказан только количеством соединений. Определенная концентрация диацетила может восприниматься как масло в одном вине или винтаже, но не в другом. Это связано с тем, что в вине присутствуют сотни других соединений, и в зависимости от их концентраций и соотношений диацетил может быть либо замаскирован, либо выражен. В отличие от машины, люди испытывают все соединения одновременно, их чувства не анализируют каждое соединение индивидуально, поэтому любая индивидуальная количественная оценка не обязательно предсказуема.

2. Люди воспринимают и общаются вкусами по-разному. Даже среди панели экспертов половина экспертов может описать что-то как имеющее вкус яблока, а другая половина может описать его как имеющее вкус груши. А средний потребитель еще менее предсказуем. Наши исследования показывают, что человеческий вкус не достаточно осязаем, чтобы быть точно переданным через язык от человека к человеку. Наши описания слишком расплывчаты, а наши определения варьируются в зависимости от индивидуальной биологии и культурного опыта. Например, в США большинство потребителей описывают восприятие бензалдегида как «вишневое», но большинство потребителей в Европе описывают его как «марципановое»… даже в одном и том же вине.

3. Вкусы, которые потребители воспринимают, не имеют корреляции с тем, нравится ли им это или нет. В наших исследованиях мы обнаружили, что потребители не решают покупать вино, потому что оно имеет вкус вишни. Они просто делают вывод, что им понравилось вино, и они, скорее всего, будут любить его снова.

Пример: Это отсутствие понимания не уникально для сегмента вина. Мы встречались с руководителями и исследователями в некоторых из крупнейших компаний по производству вкусов и ароматов в мире. Один руководитель описал свою разочарованность недавним проектом по созданию нового лавандового шоколада. Эта компания потратила миллионы долларов на проведение фокус-групп с потребителями, которые любили шоколад, любили лаванду и любили лавандовый шоколад. В конечном итоге результаты показали, что респонденты согласились, что это лавандовый шоколад, но также согласились, что они не любят этот конкретный лавандовый шоколад.

В результате этих прозрений мы пришли к выводу, что мы должны сосредоточиться на предсказании того, какие химические матрицы потребители любят и в какой степени, а не на том, какие вкусы они воспринимают.

Как наш подход отличается

Мусор на входе, мусор на выходе. Когда речь идет о качестве данных, мы поняли, что действительный набор данных для обучения не может быть сгенерирован из существующих коммерческих или краудсорсинговых данных. Нам нужно было создать свои собственные данные внутри компании.

Сначала нам нужно было химический метод, который обеспечил бы видимость деликатного баланса летучих, нетлетучих, растворенных твердых веществ, спектральных данных и т. д. вина в одном снимке, чтобы он был более понятным для человеческого вкусового рецептора.

Годы экспериментов привели к разработке методологии, которая генерирует более 1 миллиона данных за образец. Этот подробный и подавляющий объем данных затем обрабатывается алгоритмами машинного обучения, разработанными нашей командой данных, чтобы расшифровать взаимозависимости, которые информируют человеческое восприятие на основе соотношений аналитов и групп аналитов.

Как только мы доказали эффективность этого метода, мы начали анализировать и расшифровывать матрицу вкуса многих тысяч вин во всем мире и разработали всестороннюю базу данных матрицы вкуса мира вина.

Связь потребительских предпочтений с химией

Далее нам нужно было понять, какие матрицы вкуса различные потребители предпочитают, заставив их попробовать и оценить вино, которое мы проанализировали. На протяжении многих лет мы проводили регулярные двойные слепые дегустации с тысячами потребителей, каждый из которых пробовал десятки или сотни вин за раз. Респонденты включали новичков в вине, обычных потребителей вина, экспертов, виноделов и сомелье.

Системы краудсорсинга обычно пропускают или игнорируют критически важные данные. Например, по шкале Паркера большинство людей даже не оценивают вино ниже средней точки в 80 баллов. Но мы узнали, что потребители больше не любят то, что они не любят, чем любят то, что они любят. Следовательно, важно иметь полную картину предпочтений — особенно негативных предпочтений.

Мы использовали наш новый метод машинного обучения, чтобы понять уникальные предпочтения потребителей для различных типов матриц вкуса в вине. Со временем это позволило нам точно предсказать их предпочтения для вин, которые они еще не пробовали. В процессе этого мы также узнали, что отдельные вина, а также отдельные предпочтения, почти уникальны, как отпечатки пальцев. Мы пришли к выводу, что, вопреки обычным отраслевым практикам, потребителей и вина нельзя точно сгруппировать или отфильтровать в обобщения.

Пример: Две женщины могут иметь один и тот же географический регион, культуру, этническую принадлежность, образование, доход, машину, телефон и обе любят Kim Crawford Sauvignon Blanc; но одна может любить Morning Fog Chardonnay, а другая может ненавидеть его. Единственно надежная предсказуемая информация заключается в их биологическом вкусе.

Как масштабировать эту инновацию?

То, что мы создали, было отличным, но дегустации были дорогими и длительными. 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 имел бы ту же эффективность в предсказании потребительских предпочтений, не требуя участия в дегустациях или выражения их предпочтений для большого набора предварительно пробованных вин.

Наше решение заключалось в том, чтобы иметь ИИ выбирать простые продукты, которые имеют общие черты с вином в ассортименте. Респонденты в наших дегустациях отвечали на несколько сотен вопросов о своих предпочтениях для продуктов и вкусов, которые не связаны напрямую с вином; например, «Как вы относитесь к зеленому перцу?», или «Как вы относитесь к грибам?»

Эти вопросы использовались TastryAI в качестве аналогов типов и соотношений соединений, обычно встречающихся в химии вина. Как люди, мы не можем расшифровать или понять эти сложные корреляции и закономерности, но оказывается, что решение этих сложных отношений — это отличная задача для машинного обучения.

С этими данными TastryAI научился предсказывать потребительские предпочтения для вина на основе их ответов на опросник предпочтений продуктов. Что в результате получилось, так это наша способность исключить необходимость каких-либо данных о вине от потребителя, чтобы предсказать его предпочтения для вина.

Сколько данных нам нужно, чтобы понять потребительские предпочтения?

Хотя мы начали с сотен вопросов о предпочтениях продуктов, чем больше ответов, тем точнее результат, но после 9-12 вопросов наблюдается снижение эффективности. С учетом принципа Парето лучшие вопросы о предпочтениях продуктов обеспечивают примерно 80% понимания вкуса потребителя.

На сегодняшний день существует обычно опрос из 10-12 вопросов для красного вина и другой опрос из 10-12 вопросов для белого, розового и шампанского вина.

Это позволило создать масштабируемое решение. С тех пор, как мы запустили различные пилотные проекты несколько лет назад, на многих электронных коммерческих сайтах теперь есть похожие викторины, которые выглядят как игры. Потребитель проходит 30-секундный опрос о том, любит ли он чернику или кофе, и получает рекомендации по вину. Разница заключается в том, что эти викторины являются, по сути, фильтрами вкусовых заметок, то есть если вы любите чернику, вам понравится вино, описанное кем-то как имеющее вкус темных фруктов, или если вы любите кофе, вам понравится вино, описанное кем-то как вяжущее. Но мы узнали, что если эти описания точны для вкуса этого человека, это не имеет предсказуемой силы в отношении того, понравится ли ему вино; но это увлекательно, потребители любят викторины.

Рекомендации Tastry связаны с матрицей вкуса вина. TastryAI не является фильтром вкусовых заметок, он не спрашивает, любите ли вы аромат или вкус грибов в вашем вине, он пытается понять соотношения соединений, которые вам нравятся или не нравятся, на основе ваших биологических предпочтений вкуса. Каждый вопрос дает многослойную информацию, потому что каждый вопрос перекрывается и подпитывает другие вопросы. Итак, после вопроса о грибах, возможно, следующий вопрос — «Как вы относитесь к вкусу зеленого перца?» ИИ может знать, что есть, например, 33 соединения в определенном соотношении, обычно ответственных за восприятие грибов, и 22 соединения, обычно ответственных за вкус зеленого перца — но важно, что некоторые из этих соединений присутствуют в обоих. Если вы скажете, что любите грибы, но ненавидите зеленый перец, то ИИ более уверен, что вы любите некоторые соединения, более уверен, что вы не любите другие соединения, и те, которые перекрываются, вероятно, контекстуальны.

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

И с этим опросником предпочтений вкуса и обратной связью потребителей мы собираем анонимные данные о вкусе со всего мира. Сайт электронной коммерции или большой ритейлер может запустить викторину Tastry на своем приложении и получить тысячи ответов от потребителей по всей территории США в течение нескольких часов. Единственные другие данные, которые мы собираем, — это почтовый индекс. Мы используем почтовый индекс для применения производной байесовского ребриджа, который прогнозирует остальные более 200 миллионов потенциальных вкусов потребителей в США на основе географического распределения известных вкусов потребителей, которые мы собираем и отслеживаем, и других данных. Мы используем этот улучшенный набор данных в качестве источника истины и для прогнозирования того, как вина будут работать на рынке, в магазине, на местном или региональном уровне.

Виртуальная фокус-группа Tastry

После анализа вина, расшифровки его матрицы вкуса и оценки его приятности в сочетании с реальными и виртуальными вкусами, ИИ в настоящее время на 92,8% точен в предсказании средней оценки потребителя вина в США. Другими словами, ИИ может предсказать среднюю 5-звездочную оценку вина с точностью до +/- 1/10 звезды.

Легче всего представить ИИ как «Виртуальную фокус-группу» потребительских предпочтений.

Винодельни используют TastryAI для моделирования того, как потребители будут воспринимать их вино, даже до того, как они вложат годы и миллионы долларов в его производство. Оптовики используют TastryAI для определения регионов, где различные вина будут работать 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.