Hur Tastry “lärde en dator att smaka”

Hur Tastry använder ny kemisk och AI-teknik för att förutsäga konsumentpreferenser.

Från början var frågan vi ville besvara: “Kan vi avkoda de unika smakmatriserna för sensoriska produkter och de unika biologiska preferenserna hos konsumenter för att korrekt förutsäga omtycke?” Svaret är ja.

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

Först behövde vi skapa en analytisk kemisk metod som skulle ge så mycket transparens som möjligt för kemien (inklusive flyktiga och icke-flyktiga ämnen, upplösta ämnen, spektraldata etc.). Vi behövde också avkoda smakmatrisen på ett sätt som kunde översättas för att approximera hur människor upplever kemien på sin gom.

Sedan behövde vi skapa en metod för att konstant och korrekt erhålla, komplettera och spåra de biologiska sensoriska preferenserna hos en stor, divers och växande grupp av riktiga konsumenter för att fungera som vår grundverklighet.

Varför befintliga metoder misslyckas med att förutsäga konsumentpreferenser för sensoriska produkter

När vi började vår forskning 2015 hade vi hypotesen att allt man behöver veta om smaken av vin, det vill säga smaken, doften, texturen och färgen, finns i kemien. Men vad som saknades var en mer omfattande metod för analys.

För att förklara denna begränsning är det viktigt att förstå att kemien för sensoriska produkter i stor utsträckning fokuserar på kvalitetskontroll, det vill säga hur mycket av detta ämne finns i den här blandningen? Fokus ligger inte vanligtvis på att utvärdera alla ämnena, 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 sker mellan hundratals ämnen på en mänsklig gom. En mänsklig gom upplever en “kemisk soppa” av smakämnen samtidigt, inte ett ämne i taget som en maskin gör. Interaktionerna mellan dessa flera ämnen i kombination med den unika biologin hos varje konsument ger kritisk kontext för vilka egenskaper hos kemien som uttrycks för den personen.

Till den del som sensoriska aspekter tas med i beräkningen ser den typiska metoden ut så här:

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

De grundläggande problemen med denna metod är:

1. Smak kan inte förutsägas genom kvantifiering av ämnen ensamma. En given koncentration av diacetyl kan uppfattas som smör i ett vin eller en vintyp, men inte i en annan. Detta beror på att det finns hundratals andra ämnen i vinet, och beroende på deras koncentrationer och förhållanden kan diacetyl antingen maskeras eller uttryckas. Till skillnad från en maskin upplever människor alla ämnena samtidigt, deras sinnen analyserar inte varje ämne individuellt, därför är ingen given kvantifiering nödvändigtvis förutsägbar.

2. Människor uppfattar och kommunicerar smaker olika. Även bland en panel av experter kan hälften av experterna beskriva något som smakar som äpple, och den andra hälften kan beskriva det som päron. Och den genomsnittliga konsumenten är ännu mindre förutsägbar. Från vår forskning tror vi inte att mänsklig smak är tillräckligt greppbar för att kunna kommuniceras korrekt genom språk från en person till en annan. Våra beskrivningar är för vagt formulerade, och våra definitioner varierar beroende på individuell biologi och kulturella upplevelser. Till exempel beskriver de flesta konsumenter i USA uppfattningen av benzaldehyd som “körsbär”, men de flesta konsumenter i Europa beskriver det som “mandel” … även i samma vin.

3. De smaker konsumenter uppfattar har ingen korrelation med om de faktiskt gillar det eller inte. I vår forskning har vi observerat att konsumenter inte bestämmer sig för att köpa ett vin för att det smakar som körsbär. De fattar bara beslutet att de gillade vinet, och de är troligen 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 med ett nyligt projekt att skapa en ny lavendelchoklad. Detta företag spenderade miljontals dollar på att sitta och köra fokusgrupper med konsumenter som specifikt älskade choklad, älskade lavendel och älskade lavendelchoklad. Till slut var resultaten att respondenterna 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 skulle fokusera vår forskning på att förutsäga vilka kemiska matriser konsumenter gillade, och i vilken utsträckning, snarare än vilka smaker de uppfattade.

Hur vår metod skiljer sig

Skit in, skit ut. När det gäller datakvalitet insåg vi att en giltig träningsuppsättning inte kunde genereras från befintliga kommersiella eller crowdsourcade data. Vi skulle behöva skapa vår egen, internt.

Det första vi behövde var en kemisk metod som skulle ge synlighet på den ömtåliga balansen mellan de flyktiga, icke-flyktiga, upplösta fastämnena, spektraldata etc. i ett vin i ett ögonblick, för att vara mer relaterad till den mänskliga gommen.

År av experiment resulterade i en metodik som genererar över 1 miljon datapunkter per prov. Denna detaljerade och överväldigande mängd data bearbetas sedan av maskinlärningsalgoritmer som utvecklats av vårt datavetenskapliga team för att avkoda de beroenden som informerar mänsklig uppfattning baserat på förhållandena mellan analyterna och grupper av analyter.

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

Att relatera konsumentpreferenser till kemi

Sedan behövde vi förstå vilka smakmatriser olika konsumenter föredrog genom att låta dem smaka och betygsätta vinerna vi hade analyserat. Under åren har vi genomfört regelbundna dubbelblinda smakpaneler med tusentals konsumenter, var och en smakande många dussin eller hundratals viner över tid. Respondenterna inkluderar nybörjare inom vin, typiska vindrickare, experter, vinproducenter och sommelier.

Crowdsourcade system missar eller ignorerar ofta kritisk data. Till exempel på Parkerskalan kommer de flesta människor inte att betygsätta ett vin under mitt-80-poängsintervallet. Men vi har lärt oss att konsumenter ogillar vad de ogillar mer än de gillar vad de gillar. Därför är det viktigt att ha en fullständig bild av preferens – särskilt negativa preferenser.

Vi använde vår nya maskinlärning för att förstå konsumenternas unika preferenser för olika typer av smakmatriser i vinet. Över tid möjliggjorde detta för oss att korrekt förutsäga deras preferenser för viner de ännu inte hade smakat. Under denna process lärde vi oss också att enskilda viner, liksom enskilda preferenser, är nästan fingeravtrycksliknande i sin unikhet. Vi drog slutsatsen att, till skillnad från sedvanliga branschpraxis, konsumenter och viner inte kan grupperas eller filtreras korrekt i allmänna termer.

Exempel: Två kvinnor kan dela samma geografi, kultur, etnicitet, utbildning, inkomst, bil, telefon och båda älska Kim Crawford Sauvignon Blanc, men den ena kan älska Morning Fog Chardonnay och den andra kan hata det. Den enda tillförlitliga förutsägbara synligheten ligger hos deras biologiska gom.

Hur man skalär upp denna innovation?

Vad vi hade skapat var bra, men smakpaneler är dyra och tidskrävande. Det skulle vara omöjligt att genomföra en årlig smakpanel av alla 248 miljoner amerikaner över 21 år för att förstå vilka viner de kommer att gilla.

Vi ville designa ett skalbart verktyg som hade samma effektivitet i att förutsäga en konsumentens preferenser, utan att kräva deltagande i smakpaneler eller uttrycka sina preferenser för en stor uppsättning tidigare smakade viner.

Vår lösning var att låta AI välja enkla livsmedelsartiklar som delade aspekter av deras kemi med viner i en sortering. Respondenterna i våra smakpaneler svarade på flera hundra sådana frågor om sina preferenser för livsmedel och smaker som inte är direkt relaterade till vin; till exempel “Hur känner du för gröna paprikor?” eller “Hur känner du för svamp?”

Dessa frågor användes av TastryAI som analoger till typerna och förhållandena mellan ämnena som vanligtvis finns i den underliggande kemien i vin. Som människor kan vi inte tolka eller förstå dessa komplexa korrelationer och mönster, men det visar sig att det är ett utmärkt problem för maskinlärning att lösa.

Med denna data lärde sig TastryAI att förutsäga en konsumentens preferens för vin baserat på deras svar på livsmedelspreferensundersökningen. Vad som resulterade var vår förmåga att eliminera behovet av någon vinspecifik data från en konsument för att förutsäga deras preferens för vin.

Hur mycket data behöver vi för att förstå konsumentpreferenser?

Även om vi började med hundratals livsmedelspreferensfrågor, ju fler som besvaras, desto mer exakta resultaten, men det finns avtagande avkastning efter 9-12. Med Paretoprincipen i arbete gav de bäst presterande livsmedelspreferensfrågorna ungefär 80 % förståelse för en konsuments gom.

Som det är idag finns det vanligtvis en 10-12 frågor om undersökning för rödvin och en annan 10-12 frågor om undersökning för vitt, rosé och mousserande vin.

Detta möjliggjorde en skalbar lösning. Sedan vi lanserade i olika piloter för flera år sedan, finns det nu många liknande whimsiska quiz på e-handelsplatser. En konsument tar en 30-sekunders quiz om huruvida de gillar svarta vinbär eller kaffe, och de belönas med vinrekommendationer. Skillnaden är att dessa quiz är som mest smaknotfilter, det vill säga om du gillar svarta vinbär kommer du att gilla ett vin som beskrivs av någon som smakande mörka frukter, eller om du gillar kaffe kommer du att gilla ett vin som beskrivs av någon som strävt. Men vi har lärt oss att om dessa beskrivningar är korrekta för den personens gom, har det ingen förutsägbar kraft för att avgöra om de kommer att gilla vinet; men det är engagerande, konsumenter gillar quiz.

Tastry-rekommendationer är knutna till smakmatrisen för vinet. TastryAI är inte ett smaknotfilter, det frågar inte om du gillar doften eller smaken av svamp i ditt vin, det försöker förstå förhållandena mellan ämnena du gillar eller inte gillar baserat på din biologiska gompreferens. Varje fråga ger många lager av insikt eftersom varje fråga överlappar och matar in i andra frågor. Så, efter att ha frågat om svamp, kanske nästa fråga är “Hur känner du för smaken av grön paprika?” AI kan veta att det finns till exempel 33 ämnen i ett visst förhållande som vanligtvis är ansvariga för uppfattningen av svamp, och 22 ämnen som vanligtvis är ansvariga för smaken av grön paprika – men viktigt är att några av dessa ämnen finns i båda. Om du säger att du älskar svamp men hatar grön paprika, då är AI mer säker på att du gillar vissa ämnen, mer säker på att du ogillar andra ämnen, och de som överlappar är troligen kontextuella.

Så, du kan föreställa dig en multidimensionell Venn-diagram, där AI är i färd med att tolka vilka ämnen du gillar eller ogillar i kombination med andra ämnen.

Och med denna smakpreferensundersökning och konsumentfeedback, samlar vi in anonymiserad gomdata från hela världen. En e-handelsplats eller stor detaljhandlare kan lansera Tastry-quizet på appen och ha tusentals svar inom några timmar från konsumenter över hela USA. Den enda annan data vi samlar in är en postkod. Vi använder postkoden för att tillämpa en variant av Bayesisk ridge, som tar den geografiska fördelningen av de kända konsumentgommarna vi samlar in och övervakar, och annan data, och förutsäger resten av de 200 miljoner + livskraftiga konsumentgommarna i USA. Vi använder denna förbättrade dataset som källan till sanningen och för att ge förutsägelser om hur viner kommer att prestera på en marknad på en butik, lokal eller regional nivå.

Tastry Virtuell Fokusgrupp

När vi analyserar ett vin, avkodar dess smakmatris och utvärderar dess smaklighet mot kombinationen av faktiska och virtuella gommar, är AI för närvarande 92,8 % korrekt i att förutsäga den genomsnittliga amerikanska konsumentbetyg för vinet. Med andra ord kan AI förutsäga det genomsnittliga 5-stjärniga betyget för ett vin inom +/- 1/10:e del av en stjärna.

Det är lättast att tänka på AI som en “Virtuell Fokusgrupp” av konsumentpreferenser.

Vingårdar använder TastryAI för att köra simuleringar på hur konsumenter kommer att uppfatta deras vin, även innan de investerar år och miljontals dollar i att göra det. Grossister använder TastryAI för att bestämma de regioner där olika viner kommer att prestera bäst. Detaljhandlare använder TastryAI för att optimera sin sortering på hyllor och online. Och konsumenter använder TastryAI för att undvika risken att köpa ett vin som de inte kommer att gilla.