Ako chutné „Naučil počítač, ako chutiť“.

Ako Tastry používa novú chémiu a AI na predpovedanie spotrebiteľských preferencií.

Od začiatku bola otázka, na ktorú sme chceli odpovedať: „Dokážeme dekódovať jedinečné chuťové matrice produktov na báze zmyslov a jedinečné biologické preferencie spotrebiteľov, aby sme presne predpovedali obľúbenosť?“ Krátka odpoveď je áno.

Na začiatku nášho výskumu sme však zistili, že existujúce metódy chemickej analýzy a existujúce údaje o preferenciách spotrebiteľov poskytli štatisticky nevýznamné korelácie alebo predpovede. Vedeli sme, že budeme musieť vytvoriť vlastné údaje, aby sme dosiahli pokrok.

Najprv sme potrebovali vytvoriť analytickú chemickú metódu, ktorá by poskytla čo najväčšiu transparentnosť chémii (vrátane prchavých, neprchavých, rozpustených, spektrálnych údajov atď.). Tiež sme potrebovali dekódovať chuťovú matricu spôsobom to by sa dalo preložiť, aby pomohlo priblížiť, ako ľudia zažívajú túto chémiu na podnebí.

Po druhé, potrebovali sme vytvoriť metódu na neustále a presné získavanie, rozširovanie a sledovanie biologických zmyslových preferencií veľkej, rôznorodej a stále rastúcej skupiny skutočných spotrebiteľov, ktorá by slúžila ako naša základná pravda.

Prečo súčasné metódy nedokážu predpovedať spotrebiteľské preferencie pre produkty založené na zmysloch

Keď sme v roku 2015 začali s výskumom, mali sme hypotézu, že všetko, čo potrebujete vedieť o chuti vína, teda chuť, vôňa, textúra a farba – existuje v chémii. Chýbala však komplexnejšia metóda analýzy.

Aby sme vysvetlili toto obmedzenie, je dôležité pochopiť, že chémia produktov založených na senzoroch sa vo veľkej miere zameriava na kontrolu kvality, tj koľko tohto analytu je v tejto zmesi? Ťažiskom nie je zvyčajne hodnotenie všetkých analytov, ich relatívnych pomerov alebo toho, ako sa kombinujú na ľudskom podnebí, aby vytvorili chuť. Toto je slepá škvrna, ktorú sme potrebovali osvetliť, pretože medzi stovkami zlúčenín na ľudskom podnebí prebiehajú dynamické interakcie. Ľudské podnebie zažíva „chemickú polievku“ chuťových zlúčenín súčasne, nie jednu zlúčeninu naraz, ako to robí stroj. Interakcie medzi týmito viacerými zlúčeninami v kombinácii s jedinečnou biológiou každého spotrebiteľa poskytujú kritický kontext, pokiaľ ide o to, aké vlastnosti chémie sú vyjadrené tejto osobe.

V rozsahu, v akom sa berie do úvahy senzorika, jednoducho povedané, typický prístup vyzerá takto:

• Údaje z prieskumov ukazujú, že ľudia majú radi maslo.
• Diacetyl je zlúčenina typicky spojená s chuťou masla.
• Ak urobíme chardonnay s väčším množstvom diacetylu, bude chutiť viacerým.

Hlavné problémy s týmto prístupom.

1. Chuť nie je možné predpovedať iba kvantifikáciou zlúčenín. Daná koncentrácia diacetylu môže byť v jednom víne alebo ročníku vnímaná ako maslo, ale v inom nie. Je to preto, že vo víne sú stovky ďalších zlúčenín a v závislosti od ich koncentrácií a pomerov môže byť diacetyl buď maskovaný, alebo vyjadrený. Na rozdiel od stroja, ľudia zažívajú všetky zlúčeniny naraz, ich zmysly neanalyzujú každú zlúčeninu jednotlivo, preto akákoľvek jednotlivá daná kvantifikácia nemusí byť nevyhnutne prediktívna.

 

2. Ľudia vnímajú a komunikujú chute odlišne. Dokonca aj v skupine odborníkov môže polovica odborníkov opísať niečo ako chuť jablka a druhá polovica to môže opísať ako hruška. A bežný spotrebiteľ je ešte menej predvídateľný. Z nášho výskumu neveríme, že ľudský vkus je dostatočne hmatateľný na to, aby sa s ním dalo presne komunikovať jednoducho prostredníctvom jazyka z jednej osoby na druhú. Naše deskriptory sú príliš vágne a naše definície sa líšia v závislosti od individuálnej biológie a kultúrnych skúseností. Napríklad v USA väčšina spotrebiteľov opisuje vnímanie benzaldehydu ako „čerešňa“, ale väčšina spotrebiteľov v Európe ho opisuje ako „marcipán“… dokonca aj v tom istom víne.

 

3. Príchute, ktoré spotrebitelia vnímajú, nemajú žiadnu súvislosť s tým, či sa im to skutočne páči alebo nie. V našom výskume sme zistili, že spotrebitelia sa nerozhodujú kúpiť víno, pretože chutí ako čerešňa. Jednoducho urobia úsudok, že im víno chutilo, a pravdepodobne im bude chutiť znova.

Príklad: Tento nedostatok porozumenia sa netýka iba segmentu vína. Stretli sme sa s vedúcimi pracovníkmi a výskumníkmi v niektorých z najväčších spoločností v oblasti chutí a vôní na svete. Jeden manažér opísal svoju frustráciu z nedávneho projektu vytvorenia novej levanduľovej čokolády. Táto spoločnosť minula milióny dolárov na sedenie a vedenie skupinových stretnutí so spotrebiteľmi, ktorí špecificky milovali čokoládu, milovali levanduľu a milovali levanduľovú čokoládu. Nakoniec výsledky boli také, že respondenti súhlasili s tým, že to bola levanduľová čokoláda, ale zároveň súhlasili s tým, že sa im nepáčila práve táto levanduľová čokoláda.

Na základe týchto poznatkov sme dospeli k záveru, že by sme sa mali zamerať náš výskum na predpovedanie toho, aké chemické matrice spotrebitelia mali radi a do akej miery, na rozdiel od toho, aké príchute vnímajú.

Aký je náš prístup odlišný

Odpad dnu odpad von. Pokiaľ ide o kvalitu údajov, uvedomili sme si, že z existujúcich komerčných alebo crowdsourcingových údajov nie je možné vygenerovať platný tréningový súbor. Museli by sme si vytvoriť vlastný, in-house.

Prvá vec, ktorú sme potrebovali, bola chemická metóda, ktorá by poskytla prehľad o jemnej rovnováhe prchavých, neprchavých, rozpustených tuhých látok, spektrálnych údajov atď. vína v jednom momente, aby bolo viac príbuzné ľudskému podnebiu.

Roky experimentovania viedli k metodológii, ktorá generuje viac ako 1 milión údajových bodov na vzorku. Toto granulované a obrovské množstvo údajov je potom spracované algoritmami strojového učenia, ktoré navrhol náš tím pre vedu o údajoch, aby dekódovali vzájomné závislosti, ktoré informujú ľudské vnímanie na základe pomerov analytov a skupín analytov.

Keď sme preukázali účinnosť tejto metódy, začali sme analyzovať a dekódovať chuťovú matricu mnohých tisícok vín na celom svete a odvtedy sme vyvinuli komplexnú databázu chuťových matricí sveta vína.

Vzťah spotrebiteľských preferencií k chémii

Ďalej sme museli pochopiť, aké chuťové matrice rôzni spotrebitelia uprednostňujú tým, že sme im dali ochutnať a ohodnotiť víno, ktoré sme analyzovali. V priebehu rokov sme organizovali pravidelné dvojito zaslepené degustačné panely s tisíckami spotrebiteľov, z ktorých každý v priebehu času ochutnal desiatky alebo stovky vín. Respondentmi sú nováčikovia vo víne, typickí pijani vína, odborníci, vinári a someliéri.

Crowd-source systémy zvyčajne chýbajú alebo ignorujú dôležité údaje. Napríklad na Parkerovej stupnici väčšina ľudí nezíska ani skóre pod hranicou 80 bodov. rozsah. Ale zistili sme, že spotrebitelia nemajú radi to, čo sa im nepáči, viac ako to, čo sa im páči. Preto je dôležité mať úplný obraz preferencií – najmä negatívnych preferencií.

Použili sme naše nové strojové učenie, aby sme pochopili jedinečné preferencie spotrebiteľov pre rôzne typy chuťových matríc vo víne. Postupom času nám to umožnilo presne predpovedať ich preferencie pre vína, ktoré ešte neochutnali. Počas tohto procesu sme sa naučili aj to, že jednotlivé vína, ako aj individuálne preferencie sú vo svojej jedinečnosti takmer ako odtlačky prstov. Dospeli sme k záveru, že na rozdiel od zvyčajných odvetvových praktík nie je možné konzumentov a vína presne zoskupiť alebo spoločne filtrovať do zovšeobecnení.

Príklad: Dve ženy môžu zdieľať rovnakú geografiu, kultúru, etnickú príslušnosť, vzdelanie, príjem, auto, telefón a obe milujú Kim Crawford Sauvignon Blanc; ale jeden môže milovať Morning Fog chardonnay a druhý ho môže nenávidieť. Jediná spoľahlivá prediktívna viditeľnosť spočíva v ich biologickom podnebí.

Ako škálovať túto inováciu? 

To, čo sme vytvorili, bolo skvelé, ale degustačné panely sú drahé a časovo náročné. Bolo by nemožné organizovať každoročnú degustačný panel všetkých 248 miliónov Američanov starších ako 21 rokov, aby pochopili, aké vína sa im budú páčiť.

Chceli sme navrhnúť škálovateľný nástroj, ktorý by mal rovnakú účinnosť pri predpovedaní preferencií spotrebiteľa, bez toho, aby vyžadoval účasť na degustačných paneloch alebo vyjadrovanie svojich preferencií pre veľký súbor predtým ochutnaných vín.

Naším riešením bolo nechať AI vybrať jednoduché potraviny, ktoré zdieľajú aspekty ich chémie s vínami v sortimente. Respondenti v našich degustačných paneloch odpovedali na niekoľko stoviek takýchto otázok o ich preferenciách potravín a chutí, ktoré priamo nesúvisia s vínom; ako napríklad: „Aký máš vzťah k zelenej paprike?“ alebo „Ako sa cítiš k hubám?“

Tieto otázky použil TastryAI ako analógy k typom a pomerom zlúčenín, ktoré sa bežne vyskytujú v základnej chémii vína. Ako ľudia nemôžeme rozlúštiť alebo pochopiť tieto zložité korelácie a vzorce, ale ako sa to stáva, škádlení týchto komplikovaných vzťahov je vynikajúcim problémom pre strojové učenie.

Na základe týchto údajov sa TastryAI naučila predpovedať preferenciu spotrebiteľov pre víno na základe ich odpovedí v prieskume preferencií potravín. Výsledkom bola naša schopnosť eliminovať potrebu akýchkoľvek špecifických údajov o víne od spotrebiteľa na predpovedanie jeho preferencií pre víno.

Koľko údajov potrebujeme na pochopenie preferencií spotrebiteľov?

Hoci sme začali so stovkami otázok o preferenciách potravín, čím viac ich bude zodpovedaných, tým presnejšie sú výsledky, po 9.-12. Vďaka Paretovmu princípu boli otázky o preferenciách potravín s najlepšími výsledkami poskytnuté približne. 80% pochopenie chuti spotrebiteľa.

K dnešnému dňu zvyčajne existuje prieskum s 10-12 otázkami pre červené víno a ďalší prieskum s 10-12 otázkami pre biele, ružové a šumivé víno.

To umožnilo škálovateľné riešenie. Odkedy sme pred rokmi spustili rôzne pilotné projekty, na stránkach elektronického obchodu je teraz veľa podobných rozmarne vyzerajúcich kvízov. Spotrebiteľ absolvuje 30-sekundový kvíz o tom, či má alebo nemá rád černice alebo kávu, a je odmenený odporúčaniami vína. Rozdiel je v tom, že tieto kvízy sú nanajvýš degustačné filtre, tj ak máte radi černice, bude sa vám páčiť víno, ktoré niekto opísal ako tmavé ovocie, alebo ak máte radi kávu, bude sa vám páčiť víno, ktoré niekto označil ako byť adstringentný. Ale naučili sme sa, že ak sú tieto opisy presné pre chuťové bunky tejto osoby, tak je žiadna prediktívna silar o tom, či im bude víno chutiť alebo nie; ale je to pútavé, spotrebitelia majú radi kvízy.

Odporúčania Tastry sú viazané na chuťovú matricu vína. TastryAI nie je filter degustačných poznámok, nepýta sa, či máte radi vôňu alebo chuť húb vo vašom víne, to sa snaží pochopiť pomery zlúčenín, ktoré sa vám páčia alebo nepáčia, na základe vašich preferencií biologického podnebia. Každá otázka poskytuje mnoho vrstiev náhľadu, pretože každá otázka sa prekrýva a dopĺňa ďalšie otázky. Takže po otázke o hubách možno ďalšia otázka znie: „Ako vnímate chuť zelenej papriky? AI môže vedieť, že existuje napríklad 33 zlúčenín v danom pomere, ktoré sú všeobecne zodpovedné za vnímanie húb, a 22 zlúčenín všeobecne zodpovedných za chuť zelenej papriky – ale dôležité je, že niektoré z týchto zlúčenín existujú v oboch. Ak hovoríte, že milujete huby, ale neznášate zelenú papriku, potom vám AI bude istejšia Ako niektoré zlúčeniny, budete si istejší odpor iné zlúčeniny a tie, ktoré sa prekrývajú, sú pravdepodobne kontextové.

Môžete si teda predstaviť viacrozmerný Vennov diagram, kde AI vyvádza, ktoré zlúčeniny sa vám páčia alebo nepáčia v kombinácii s inými zlúčeninami.

A pomocou tohto prieskumu preferencií chutí a spätnej väzby od spotrebiteľov zbierame anonymizované údaje o chutiach z celého sveta. Stránka elektronického obchodu alebo maloobchodný predajca veľkých škatúľ môže v aplikácii spustiť kvíz s chuťou a v priebehu niekoľkých hodín má tisíce odpovedí od spotrebiteľov z celého USA. Jediné ďalšie údaje, ktoré získavame, je PSČ. Používame poštové smerovacie číslo, aby sme použili odvodenie Bayesovho hrebeňa, ktorý berie geografickú distribúciu známych spotrebiteľských chutí, ktoré zhromažďujeme a monitorujeme, a ďalšie údaje a predpovedá zvyšok 200 miliónov životaschopných spotrebiteľských chuťových buniek v USA. dátový súbor ako zdroj pravdy a poskytnúť predpovede o tom, ako budú vína fungovať na trhu v obchode, na miestnej alebo regionálnej úrovni.

Chutná skupina virtuálneho zamerania

Po analýze vína, dekódovaní jeho chuťovej matrice a hodnotení jeho chutnosti v porovnaní s kombináciou skutočných a virtuálnych chutí, AI je momentálne s presnosťou 92.8 %. pri predpovedaní celkového spotrebiteľského hodnotenia vína v USA. Inými slovami, AI dokáže predpovedať priemerné 5-hviezdičkové hodnotenie vína v rozmedzí +/- 1/10^th hviezdy.

Najjednoduchšie je predstaviť si AI ako „virtuálnu cieľovú skupinu“ spotrebiteľských preferencií.

Vinárske závody používajú TastryAI na spustenie simulácií toho, ako budú spotrebitelia vnímať svoje víno, ešte predtým, ako investujú roky a milióny dolárov do jeho výroby. Veľkoobchodníci používajú TastryAI na určenie regiónov, v ktorých budú rôzne vína fungovať najlepšie. Maloobchodníci používajú TastryAI na optimalizáciu svojho sortimentu v regáloch a online. A spotrebitelia používajú TastryAI, aby sa vyhli riziku, že si kúpia víno, ktoré sa im nebude páčiť.