Hur välsmakande "Lärde en dator att smaka."

Hur Tastry använder ny kemi och AI för att förutsäga konsumenternas preferenser.

Från början var frågan vi ville besvara: "Kan vi avkoda de unika smakmatriserna för sensoriska produkter och konsumenternas unika biologiska preferenser för att exakt förutsäga likbarhet?" Det korta svaret är ja.

Men tidigt i vår forskning fann vi att befintliga kemiska analysmetoder och befintliga konsumentpreferensdata gav statistiskt obetydliga korrelationer eller förutsägelser. Vi visste att vi skulle behöva skapa vår egen data för att göra framsteg.

Först behövde vi skapa en analytisk kemimetod som skulle ge så mycket transparens till kemin som möjligt (inklusive flyktiga ämnen, icke-flyktiga ämnen, upplösta, spektraldata och så vidare.) Vi behövde också avkoda smakmatrisen på ett sätt som skulle kunna översättas för att hjälpa till att uppskatta hur människor upplever den kemin i gommen.

För det andra behövde vi skapa en metod för att ständigt och exakt erhålla, förstärka och spåra de biologiska sensoriska preferenserna hos en stor, mångfaldig och ständigt växande grupp av faktiska konsumenter för att fungera som vår grundsanning.

Varför nuvarande metoder misslyckas med att förutsäga konsumenternas preferenser för sensoriska produkter

När vi startade vår forskning 2015 hade vi hypotesen att allt du behöver veta om smaken av vin, det vill säga smak, arom, textur och färg – finns i kemin. Det som dock saknades var en mer omfattande analysmetod.

För att förklara denna begränsning är det viktigt att förstå att kemin hos sensoriska produkter till stor del är inriktad på kvalitetskontroll, dvs hur mycket av denna analyt finns i den blandningen? Fokus är vanligtvis inte att utvärdera alla analyter, deras relativa förhållanden eller hur de kombineras på den mänskliga gommen för att skapa smak. Detta är den blinda fläcken vi behövde belysa eftersom det finns dynamiska interaktioner som äger rum mellan hundratals föreningar på en mänsklig gom. En mänsklig gom upplever en "kemisk soppa" av smakföreningar samtidigt, inte en förening åt gången som en maskin gör. Interaktionerna mellan dessa flera föreningar i kombination med den unika biologin hos varje konsument, ger ett kritiskt sammanhang för vilka egenskaper hos kemin som uttrycks för den personen.

I den utsträckning som sensoriskt beaktas, enkelt uttryckt, ser det typiska tillvägagångssättet ut så här:

• Undersökningsdata visar att människor gillar smör.
• Diacetyl är en förening som vanligtvis förknippas med smaken av smör.
• Om vi ​​gör en chardonnay med mer diacetyl kommer fler att gilla den.

Kärnproblem med detta tillvägagångssätt.

1. Smak kan inte förutsägas enbart genom kvantifiering av föreningar. En given koncentration av diacetyl kan uppfattas som smör i ett vin eller årgång, men inte i ett annat. Detta beror på att det finns hundratals andra föreningar i vinet, och beroende på deras koncentrationer och förhållanden kan diacetyl antingen maskeras eller uttryckas. Till skillnad från en maskin upplever människor alla föreningar på en gång, deras sinnen analyserar inte varje förening individuellt, därför är varje given kvantifiering inte nödvändigtvis prediktiv.

2. Människor uppfattar och kommunicerar smaker på olika sätt. Även bland en expertpanel kan hälften av experterna beskriva något som smakar som äpple, och den andra hälften kan beskriva det som päron. Och genomsnittskonsumenten är ännu mindre förutsägbar. Från vår forskning tror vi inte att mänsklig smak är tillräckligt påtaglig för att korrekt kommuniceras genom språket från en person till en annan. Våra beskrivningar är för vaga och våra definitioner varierar baserat på individuell biologi och kulturella erfarenheter. Till exempel i USA beskriver de flesta konsumenter uppfattningen av bensaldehyd som "körsbär", men de flesta konsumenter i Europa beskriver det som "marsipan" ... även i samma vin.

3. De smaker som konsumenterna uppfattar har inget samband med om de faktiskt gillar det eller inte. I vår forskning har det observerats att konsumenter inte bestämmer sig för att köpa ett vin eftersom det smakar körsbär. De gör helt enkelt bedömningen att de gillade vinet, och de kommer sannolikt att gilla det igen.

Exempel: Denna brist på förståelse är inte unik för vinsegmentet. Vi har träffat chefer och forskare på några av de största smak- och doftföretagen i världen. En chef beskrev sin frustration över ett nyligen genomfört projekt för att skapa en ny lavendelchoklad. Detta företag spenderade miljontals dollar på att sitta och driva fokusgrupper med konsumenter som specifikt älskade choklad, älskade lavendel och älskade lavendelchoklad. I slutändan var resultaten att de tillfrågade var överens om att det var lavendelchoklad, men att de också var överens om att de inte gillade just den lavendelchokladen.

Som ett resultat av dessa insikter drog vi slutsatsen att vi borde fokusera vår forskning på att förutsäga vilka kemimatriser konsumenterna gillade, och i vilken utsträckning, i motsats till vilka smaker de uppfattar.

Hur vårt tillvägagångssätt är annorlunda

Skräp in skräp ut. När det gäller datakvalitet insåg vi att en giltig utbildningsuppsättning inte kunde genereras från befintlig kommersiell eller crowdsourced data. Vi skulle behöva skapa vårt eget, internt.

Det första vi behövde var en kemimetod som skulle ge synlighet på den känsliga balansen av de flyktiga, icke-flyktiga, lösta fasta ämnen, spektraldata, etc., av ett vin i en ögonblicksbild, för att vara mer relaterad till den mänskliga gommen.

År av experiment resulterade i en metod som genererar över 1 miljon datapunkter per prov. Denna granulära och överväldigande mängd data bearbetas sedan av maskininlärningsalgoritmer som designades av vårt datavetenskapsteam för att avkoda de ömsesidiga beroenden som informerar människans uppfattning baserat på förhållandena mellan analyterna och grupperna av analyter.

När vi hade bevisat effektivitet för denna metod började vi analysera och avkoda smakmatrisen för många tusen viner över hela världen och har sedan dess utvecklat en omfattande smakmatrisdatabas över vinvärlden.

Att relatera konsumentpreferenser till kemi

Därefter var vi tvungna att förstå vilka smakmatriser olika konsumenter föredrog genom att låta dem smaka och betygsätta det vin vi hade analyserat. Under årens lopp har vi kört regelbundna dubbelblinda provningspaneler med tusentals konsumenter som var och en har provat många dussintals eller hundratals viner över tiden. Respondenterna inkluderar nykomlingar inom vin, typiska vindrickare, experter, vinmakare och sommelierer.

Crowd-sourced system missar eller ignorerar vanligtvis kritisk data. Till exempel, på Parker-skalan, kommer de flesta inte ens få ett vin under mitten av 80 poäng. räckvidd. Men vi har lärt oss att konsumenter ogillar det de ogillar, mer än gillar det de gillar. Därför är det viktigt att ha en fullständig bild av preferenser – särskilt negativa preferenser.

Vi använde vår nya maskininlärning för att förstå konsumenternas unika preferenser för olika typer av smakmatriser i vinet. Med tiden tillät detta oss att exakt förutsäga deras preferenser för viner som de ännu inte hade smakat. Under denna process lärde vi oss också att individuella viner, såväl som individuella preferenser, nästan är fingeravtryckslika i sin unika karaktär. Vi drog slutsatsen att, i motsats till sedvanlig branschpraxis, kan konsumenter och viner inte korrekt grupperas, eller i samarbete filtreras, till generaliseringar.

Exempel: Två kvinnor kan dela samma geografi, kultur, etnicitet, utbildning, inkomst, bil, telefon, och båda älskar Kim Crawford Sauvignon Blanc; men man kan älska Morning Fog chardonnay och den andra kan hata det. Den enda pålitliga prediktiva synligheten vilar på deras biologiska smak.

Hur skalar man denna innovation? 

Det vi hade skapat var fantastiskt, men provningspaneler är dyra och tidskrävande. Det skulle vara omöjligt att driva en årlig provningspanel med alla 248 miljoner amerikaner över 21 år för att förstå vilka viner de kommer att gilla.

Vi ville utforma ett skalbart verktyg som hade samma effektivitet i att förutsäga en konsuments preferenser, utan att kräva deltagande i provsmakningspaneler eller att uttrycka sina preferenser för en stor uppsättning tidigare provade viner.

Vår lösning var att låta AI välja enkla livsmedel som delade aspekter av sin kemi med viner i ett sortiment. Respondenter i våra provningspaneler svarade på flera hundra sådana frågor om deras preferenser för mat och smaker som inte är direkt relaterade till vin; till exempel "Hur tycker du om grön paprika?" eller "Hur känner du om svamp?"

Dessa frågor användes av TastryAI som analoger till de typer och förhållanden av föreningar som vanligtvis finns i den underliggande kemin av vin. Som människor kan vi inte dechiffrera eller förstå dessa komplexa samband och mönster, men som det händer är att reta ut dessa komplicerade relationer ett utmärkt problem för maskininlärning att lösa.

Med dessa data lärde sig TastryAI hur man förutsäger en konsuments preferens för vin, baserat på deras svar på Food Preference Survey. Det som resulterade var vår förmåga att eliminera behovet av vinspecifik data från en konsument för att förutsäga deras preferenser för vin.

Hur mycket data behöver vi för att förstå konsumenternas preferenser?

Även om vi började med hundratals frågor om matpreferenser, ju fler som besvaras desto mer exakta blir resultaten. Utbytet minskar efter 9-12. Med Paretoprincipen i bruk gav de bäst presterande frågorna om matpreferenser ungefär 80 % förståelse för en konsuments gom.

Från och med idag finns det vanligtvis en undersökning med 10-12 frågor för rött vin, och en annan undersökning med 10-12 frågor för vitt, rosé och mousserande vin.

Detta möjliggjorde en skalbar lösning. Sedan vi lanserade i olika pilotprojekt för år sedan, finns det nu många liknande nyckfulla frågesporter på e-handelssajter. En konsument gör en 30-sekunders frågesport om huruvida de gillar björnbär eller kaffe eller inte, och de belönas med vinrekommendationer. Skillnaden är att dessa frågesporter som mest är provningsnotfilter, dvs om du gillar björnbär kommer du att gilla ett vin som beskrivs av någon som smakar som mörk frukt, eller om du gillar kaffe kommer du att gilla ett vin som beskrivs av någon som att vara sammandragande. Men vi har lärt oss att om dessa beskrivningar är korrekta för den personens gom, så har det gjort det ingen prediktiv kraftr om de kommer att gilla vinet eller inte; men det är engagerande, konsumenter gillar frågesporter.

Tastrys rekommendationer är knutna till vinets smakmatris. TastryAI är inte ett smaknotsfilter, det frågar inte om du gillar doften eller smaken av svamp i ditt vin, den försöker förstå förhållandet mellan föreningar du gillar eller inte gillar baserat på dina biologiska smakpreferenser. Varje fråga ger många lager av insikt eftersom varje fråga överlappar och matas in i andra frågor. Så, efter att ha frågat om svamp, kanske nästa fråga är "Hur känner du om smaken av grön paprika?" AI vet kanske att det till exempel finns 33 föreningar i ett givet förhållande som vanligtvis är ansvariga för uppfattningen av svamp, och 22 föreningar som vanligtvis är ansvariga för smaken av grön paprika - men det är viktigt att några av dessa föreningar finns i båda. Om du säger att du älskar svamp, men hatar grön paprika, då är AI mer säker på dig tycka om vissa föreningar, mer självsäker dig ogillar andra föreningar och de som överlappar är sannolikt kontextuella.

Så du kan typ föreställa dig ett flerdimensionellt Venn-diagram, där AI:n tar reda på vilka föreningar du gillar eller ogillar i kombination med andra föreningar.

Och med denna smakpreferensundersökning, och konsumentfeedback, samlar vi in ​​anonymiserad gomdata från hela världen. En e-handelswebbplats, eller big box-återförsäljare, kan lansera Tastry Quiz på appen och få tusentals svar inom några timmar från konsumenter över hela USA. Den enda andra informationen vi skaffar är ett postnummer. Vi använder postnumret för att tillämpa en härledning av en Bayesiansk ås, som tar den geografiska fördelningen av de kända konsumentsmakarna vi samlar in och övervakar, och andra data, och förutsäger resten av de över 200 miljoner livskraftiga konsumentsmaken i USA. Vi använder denna förbättrade datauppsättning som källan till sanning, och för att ge förutsägelser om hur viner kommer att prestera på en marknad på butiks-, lokal eller regional nivå.

Smakfull virtuell fokusgrupp

När man analyserar ett vin, avkodar dess smakmatris och utvärderar dess smaklighet mot kombinationen av faktiska och virtuella smaker, AI är för närvarande 92.8 % korrekt för att förutsäga det sammanlagda amerikanska konsumentbetyget för vinet. Med andra ord kan AI förutsäga det genomsnittliga 5-stjärniga betyget för ett vin inom +/- 1/10^th av en stjärna.

Det är lättast att tänka på AI som en "virtuell fokusgrupp" av konsumentpreferenser.

Vingårdar använder TastryAI för att köra simuleringar av hur konsumenterna kommer att uppfatta sitt vin, även innan de investerar år och miljoner dollar för att göra det. Grossister använder TastryAI för att avgöra i vilka regioner olika viner kommer att prestera bäst. Återförsäljare använder TastryAI för att optimera sitt sortiment på hyllorna och online. Och konsumenter använder TastryAI för att undvika risken att köpa ett vin som de inte kommer att gilla.