ผู้นำทางความคิด
Tastry “สอนคอมพิวเตอร์ให้รู้รส”

ประเด็นสำคัญTastry ทำนายความชอบของผู้บริโภคจากเคมีของไวน์ แทนที่จะอาศัยบันทึกการชิมตามการรับรู้
ดูเพิ่มเติม
- Tastry ทำนายความชอบของผู้บริโภคจากเคมีของไวน์ แทนที่จะอาศัยบันทึกการชิมตามการรับรู้
- ต่อมรับรสของมนุษย์รับรู้สารประกอบต่างๆ เมื่ออยู่รวมกัน ดังนั้นการวัดทางเคมีแบบแยกเดี่ยวจึงไม่สามารถทำนายความชอบได้
- แบบทดสอบความชอบด้านอาหารช่วยให้ TastryAI สามารถอนุมานต่อมรับรสตามชีววิทยาของผู้บริโภคได้โดยไม่ต้องใช้ข้อมูลเฉพาะของไวน์
วิธีที่ Tastry ใช้เคมีและ AI เพื่อคาดการณ์ความชอบของผู้บริโภค
จากจุดเริ่มต้น คำถามที่เราต้องการตอบคือ “เราสามารถถอดรหัสเมทริกซ์รสที่เป็นเอกลักษณ์ของผลิตภัณฑ์ที่อาศัยความรู้สึกและความชอบทางชีววิทยาของผู้บริโภคเพื่อคาดการณ์ความชอบได้หรือไม่” คำตอบสั้นคือใช่
อย่างไรก็ตาม ในช่วงแรกของการวิจัยเราพบว่าวิธีการวิเคราะห์ทางเคมีที่มีอยู่และข้อมูลความชอบของผู้บริโภคที่มีอยู่ให้ผลความสัมพันธ์หรือการคาดการณ์ที่ไม่มีนัยสำคัญทางสถิติ เรารู้ว่าเราจะต้องสร้างข้อมูลของเราเองเพื่อทำความก้าวหน้า
ขั้นแรก เราต้องสร้างวิธีการวิเคราะห์ทางเคมีที่จะให้ความโปร่งใสต่อเคมีมากที่สุด (รวมถึงสารระเหย สารไม่ระเหย สารที่ละลายอยู่ ข้อมูลสเปกตรัม และอื่นๆ) เรายังต้องถอดรหัสเมทริกซ์รสในลักษณะที่สามารถแปลเป็นภาษาเพื่อช่วยให้เข้าใจว่ามนุษย์ประสบกับเคมีนั้นในช่องปากได้อย่างไร
ที่สอง เราต้องสร้างวิธีเก็บ เพิ่มเติม และติดตามความชอบทางประสาทสัมผัสที่มีพื้นฐานทางชีววิทยาอย่างต่อเนื่องและแม่นยำ จากผู้บริโภคจริงกลุ่มใหญ่ที่หลากหลายและเพิ่มจำนวนขึ้นเรื่อยๆ เพื่อใช้เป็นข้อมูลอ้างอิงจริง
ทำไมวิธีการปัจจุบันจึงล้มเหลวในการคาดการณ์ความชอบของผู้บริโภคสำหรับผลิตภัณฑ์ที่อาศัยความรู้สึก
เมื่อเริ่มการวิจัยในปี 2015 เรามีสมมติฐานว่าทุกสิ่งที่คุณต้องการทราบเกี่ยวกับรสของไวน์ คือ รสชาติ กลิ่น เนื้อสัมผัส และสี – มีอยู่ในเคมี อย่างไรก็ตาม สิ่งที่ขาดคือวิธีการวิเคราะห์ที่ครอบคลุมมากขึ้น

เพื่ออธิบายข้อจำกัดนี้ มันสำคัญที่จะเข้าใจว่าเคมีของผลิตภัณฑ์ที่อาศัยความรู้สึกมุ่งเน้นไปที่การควบคุมคุณภาพเป็นหลัก กล่าวคือ สารที่วิเคราะห์ชนิดหนึ่งมีปริมาณเท่าใดในส่วนผสมนั้น จุดสนใจไม่ได้มุ่งเน้นไปที่การประเมินสารวิเคราะห์ทั้งหมด อัตราส่วน หรือวิธีที่สารเหล่านั้นรวมกันในช่องปากเพื่อให้เกิดรสชาติ นี่คือจุดที่เราต้องทำความเข้าใจ เพราะสารประกอบหลายร้อยชนิดมีปฏิสัมพันธ์กันในช่องปาก มนุษย์รับรู้สารปรุงแต่งรสเป็นเหมือน «ซุปเคมี» พร้อมกัน ไม่ได้วิเคราะห์ทีละสารเหมือนเครื่องมือ ปฏิสัมพันธ์ของสารเหล่านี้กับชีววิทยาเฉพาะของแต่ละคนเป็นบริบทสำคัญที่กำหนดว่าบุคคลนั้นจะรับรู้ลักษณะทางเคมีใด
เมื่อความรู้สึกถูกนำมาใช้ วิธีการทั่วไปจะดูเหมือนนี้
- ข้อมูลการสำรวจแสดงว่าคนชอบเนย
- ไดอะซิติลเป็นสารที่มักเกี่ยวข้องกับรสของเนย
- หากเราทำไวน์ชาร์โดเนย์ที่มีไดอะซิติลมากขึ้น คนจะชอบมันมากขึ้น
ปัญหาหลักของวิธีการนี้
- รสชาติไม่สามารถคาดการณ์ได้โดยการวัดสารประกอบเพียงอย่างเดียว ความเข้มข้นของไดอะซิติลอาจถูกมองว่าเป็นเนยในไวน์หรือวินเทจหนึ่ง แต่ไม่ใช่ในอีกวินเทจหนึ่ง เนื่องจากมีสารประกอบอื่นๆ ในไวน์ และขึ้นอยู่กับปริมาณและอัตราส่วนของพวกมัน ไดอะซิติลอาจถูกกลบหรือรับรู้ได้เด่นชัด มนุษย์ต่างจากเครื่องมือ เพราะรับรู้สารทั้งหมดพร้อมกัน ไม่ได้แยกวิเคราะห์แต่ละชนิด ดังนั้นปริมาณของสารเพียงชนิดเดียวจึงไม่จำเป็นต้องทำนายรสชาติได้
- มนุษย์รับรสชาติและสื่อสารรสชาติต่าง ๆ ในรูปแบบที่แตกต่างกัน แม้แต่ในหมู่ผู้เชี่ยวชาญ ก็มีคนครึ่งหนึ่งที่อาจอธิบายรสชาติเป็นแอปเปิ้ล และอีกครึ่งหนึ่งที่อาจอธิบายเป็นลูกแพร์ และผู้บริโภคทั่วไปยิ่งคาดการณ์ได้ยากกว่า จากการวิจัยของเรา เราไม่เชื่อว่ารสชาติของมนุษย์มีความเป็นรูปธรรมเพียงพอที่จะสื่อสารได้อย่างแม่นยำผ่านภาษาจากคนหนึ่งไปยังอีกคนหนึ่ง คำบรรยายคลุมเครือและความหมายของแต่ละคำแตกต่างกันตามชีววิทยาและประสบการณ์ทางวัฒนธรรม เช่น ผู้บริโภคส่วนใหญ่ในสหรัฐฯ บรรยายเบนซาลดีไฮด์ว่าเหมือน «เชอร์รี» แต่ผู้บริโภคส่วนใหญ่ในยุโรปเรียกว่า «มาร์ซิแพน» แม้จะเป็นไวน์ชนิดเดียวกัน
- รสชาติที่ผู้บริโภครับรู้ไม่มีความสัมพันธ์กับการที่พวกเขาชอบไวน์นั้นจริงหรือไม่ ในการวิจัยของเรา พบว่าผู้บริโภคไม่ได้ตัดสินใจซื้อไวน์เพียงเพราะมีรสเชอร์รี แต่ตัดสินว่าตนชอบไวน์นั้นและน่าจะชอบอีกครั้ง
ตัวอย่าง: การขาดความเข้าใจนี้ไม่เฉพาะเจาะจงกับตลาดไวน์เท่านั้น เราได้พบกับผู้บริหารและนักวิจัยจากบริษัทกลิ่นและน้ำหอมที่ใหญ่ที่สุดในโลก หนึ่งในผู้บริหารอธิบายถึงความผิดหวังของเขากับโครงการสร้างช็อกโกแลตลาเวนเดอร์ใหม่ บริษัทนี้ใช้เงินหลายล้านเหรียญในการจัดตั้งและดำเนินกลุ่มโฟกัสกับผู้บริโภคที่ชื่นชอบช็อกโกแลต ชื่นชอบลาเวนเดอร์ และชื่นชอบช็อกโกแลตลาเวนเดอร์ ในที่สุดผลลัพธ์ก็คือผู้ตอบแบบสอบถามเห็นด้วยว่ามันเป็นช็อกโกแลตลาเวนเดอร์ แต่พวกเขายังเห็นด้วยว่าพวกเขาไม่ชอบช็อกโกแลตลาเวนเดอร์ชิ้นนั้น ด้วยเหตุนี้ เราจึงมุ่งวิจัยว่าเมทริกซ์ทางเคมีแบบใดที่ผู้บริโภคชอบและชอบมากเพียงใด แทนที่จะมุ่งเพียงว่าพวกเขารับรู้รสชาติอะไร
วิธีการของเราต่างจากวิธีการอื่นอย่างไร
ขยะเข้าขยะออก เมื่อพูดถึงคุณภาพของข้อมูล เราได้ทำความเข้าใจว่าเซตการฝึกที่ถูกต้องไม่สามารถสร้างขึ้นจากข้อมูลเชิงพาณิชย์หรือข้อมูลจากฝูงชนได้ เราจะต้องสร้างข้อมูลของเราเองภายในบริษัท
สิ่งแรกที่เราต้องการคือวิธีการทางเคมีที่จะให้ความโปร่งใสต่อเคมีได้มากที่สุด (รวมถึงสารระเหย สารไม่ระเหย สารที่ละลายอยู่ ข้อมูลสเปกตรัม และอื่นๆ) เพื่อให้สามารถเข้าใจรสชาติของไวน์ได้ดีขึ้น
หลังจากทดลองเป็นเวลาหลายปี เราได้พัฒนาวิธีการที่สามารถสร้างข้อมูลมากกว่า 1 ล้านจุดต่อตัวอย่าง ข้อมูลที่ละเอียดและมากเกินไปนี้จะถูกประมวลผลโดยอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ออกแบบโดยทีมวิทยาศาสตร์ข้อมูลของเราเพื่อถอดรหัสความสัมพันธ์ที่ซับซ้อนซึ่งให้ข้อมูลเกี่ยวกับการรับรู้ของมนุษย์ตามอัตราส่วนของสารประกอบและกลุ่มของสารประกอบ
เมื่อเราพิสูจน์ประสิทธิภาพของวิธีการนี้แล้ว เราเริ่มวิเคราะห์และถอดรหัสเมทริกซ์รสของไวน์หลายพันชนิดทั่วโลก และได้พัฒนาฐานข้อมูลเมทริกซ์รสที่ครอบคลุมของโลกไวน์
การเชื่อมโยงความชอบของผู้บริโภคกับเคมี
ต่อไป เราต้องเข้าใจว่าเมทริกซ์รสที่ผู้บริโภคต่างๆ ชอบนั้นเป็นอย่างไร โดยให้พวกเขาได้ลิ้มรสและให้คะแนนไวน์ที่เราวิเคราะห์มาแล้ว ในช่วงหลายปี เราได้ดำเนินการทดสอบการชิมแบบปกปิดข้อมูลทั้งสองฝ่ายหลายครั้ง โดยมีผู้บริโภคหลายพันคน แต่ละคนได้ลิ้มรสไวน์หลายสิบหรือหลายร้อยชนิดตลอดระยะเวลาที่ศึกษา ผู้เข้าร่วมมีทั้งผู้เริ่มดื่มไวน์ ผู้บริโภคทั่วไป ผู้เชี่ยวชาญ ผู้ผลิตไวน์ และซอมเมอลิเยร์
ระบบที่อาศัยฝูงชนมักจะพลาดหรือเพิกเฉยต่อข้อมูลที่สำคัญ ตัวอย่างเช่น ในระบบของ Parker ผู้คนส่วนใหญ่จะไม่ให้คะแนนไวน์ต่ำกว่าช่วงกลางของคะแนน 80 กว่าๆ แต่เราพบว่าความไม่ชอบของผู้บริโภคมีน้ำหนักมากกว่าความชอบ จึงจำเป็นต้องเห็นภาพความชอบทั้งหมด โดยเฉพาะสิ่งที่ไม่ชอบ
เราใช้การเรียนรู้ของเครื่องจักรที่เป็นนวัตกรรมใหม่เพื่อทำความเข้าใจความชอบที่เป็นเอกลักษณ์ของผู้บริโภคสำหรับเมทริกซ์รสที่แตกต่างกันในไวน์ เมื่อเวลาผ่านไป สิ่งนี้ทำให้เราสามารถคาดการณ์ความชอบของพวกเขาได้อย่างแม่นยำสำหรับไวน์ที่พวกเขายังไม่ได้ลิ้มรส ระหว่างนั้น เรายังพบว่าไวน์แต่ละชนิดและความชอบของแต่ละคนมีเอกลักษณ์แทบเหมือนลายนิ้วมือ จึงไม่สามารถจัดกลุ่มผู้บริโภคและไวน์เป็นข้อสรุปทั่วไป หรือใช้การกรองแบบร่วมมือได้อย่างแม่นยำตามวิธีที่ใช้กันทั่วไปในอุตสาหกรรม
ตัวอย่างเช่น ผู้หญิงสองคนอาจมีถิ่นที่อยู่ วัฒนธรรม เชื้อชาติ การศึกษา รายได้ รถยนต์ และโทรศัพท์เหมือนกัน และชอบ Kim Crawford Sauvignon Blanc เหมือนกัน แต่คนหนึ่งอาจชอบ Morning Fog chardonnay ขณะที่อีกคนเกลียด ข้อมูลทำนายที่เชื่อถือได้จึงอยู่ที่ความชอบทางรสสัมผัสซึ่งมีพื้นฐานทางชีววิทยาของแต่ละคน
วิธีการขยายนวัตกรรมนี้
สิ่งที่เราสร้างขึ้นนั้นยอดเยี่ยม แต่การทดสอบการลิ้มรสเป็นเรื่องที่มีค่าใช้จ่ายสูงและใช้เวลานาน มันจะเป็นไปไม่ได้ที่จะดำเนินการทดสอบการลิ้มรสประจำปีสำหรับคนอเมริกัน 248 ล้านคนที่มีอายุ 21 ปีขึ้นไปเพื่อทำความเข้าใจว่าพวกเขาชอบไวน์ชนิดไหน
เราต้องการออกแบบเครื่องมือที่สามารถขยายได้ซึ่งมีประสิทธิภาพในการคาดการณ์ความชอบของผู้บริโภคโดยไม่ต้องมีการเข้าร่วมการทดสอบการลิ้มรสหรือการแสดงความชอบสำหรับชุดไวน์ที่มีขนาดใหญ่
วิธีแก้ปัญหาคือให้ AI เลือกอาหารง่ายๆ ที่มีองค์ประกอบทางเคมีบางส่วนร่วมกับไวน์ในชุด ผู้ร่วมชิมตอบคำถามหลายร้อยข้อเกี่ยวกับอาหารและรสชาติที่ไม่ได้เกี่ยวข้องกับไวน์โดยตรง ตัวอย่างเช่น “คุณรู้สึกอย่างไรเกี่ยวกับพริกสีเขียว?” หรือ “คุณรู้สึกอย่างไรเกี่ยวกับเห็ด?”
TastryAI ใช้คำถามเหล่านี้เป็นตัวแทนของชนิดและอัตราส่วนสารประกอบที่พบในไวน์ มนุษย์ไม่สามารถแยกความสัมพันธ์และรูปแบบที่ซับซ้อนเหล่านี้ได้ง่ายๆ แต่เป็นโจทย์ที่เหมาะกับการเรียนรู้ของเครื่อง ด้วยข้อมูลนี้ TastryAI เรียนรู้ที่จะทำนายความชอบไวน์จากคำตอบแบบสำรวจความชอบอาหาร โดยไม่จำเป็นต้องเก็บข้อมูลเกี่ยวกับไวน์ที่ผู้บริโภคเคยชิม
เราต้องการข้อมูลเท่าใดเพื่อทำความเข้าใจความชอบของผู้บริโภค
แม้ว่าเราจะเริ่มต้นด้วยคำถามความชอบอาหารหลายร้อยคำ แต่คำตอบที่ได้จะแม่นยำมากขึ้น และมีผลตอบแทนที่ลดลงหลังจาก 9–12 คำถาม ตามหลักพาเรโต คำถามที่ให้ผลดีที่สุดช่วยให้เข้าใจความชอบทางรสสัมผัสของผู้บริโภคได้ประมาณ 80%
ปัจจุบันมีการสำรวจความชอบอาหาร 10-12 คำถามสำหรับไวน์แดง และอีก 10-12 คำถามสำหรับไวน์ขาว ไวน์โรเซ และสปาร์กลิงไวน์
สิ่งนี้ทำให้ขยายการใช้งานได้ หลังจากเราเริ่มโครงการนำร่องเมื่อหลายปีก่อน ปัจจุบันมีแบบทดสอบหน้าตาคล้ายกันบนเว็บไซต์อีคอมเมิร์ซมากมาย ผู้บริโภคตอบคำถามประมาณ 30 วินาทีว่าชอบแบล็กเบอร์รีหรือกาแฟหรือไม่ แล้วได้รับคำแนะนำไวน์ แต่แบบทดสอบเหล่านั้นมักเป็นเพียงตัวกรองคำบรรยายรสชาติ เช่น ชอบแบล็กเบอร์รีจึงน่าจะชอบไวน์ที่มีผู้บรรยายว่าคล้ายผลไม้สีเข้ม หรือชอบกาแฟจึงน่าจะชอบไวน์ที่มีรสฝาด แม้คำบรรยายนั้นจะตรงกับการรับรู้ของบุคคล ก็ไม่ได้ทำนายว่าเขาจะชอบไวน์นั้นหรือไม่ อย่างไรก็ตาม แบบทดสอบมีความน่าสนใจและผู้บริโภคชอบทำ
คำแนะนำของ Tastry เชื่อมโยงกับเมทริกซ์รสของไวน์ TastryAI ไม่ใช่ตัวกรองคำบรรยายรส และไม่ได้ถามว่าคุณชอบกลิ่นหรือรสเห็ดในไวน์หรือไม่ แต่พยายามเข้าใจอัตราส่วนของสารประกอบที่คุณชอบหรือไม่ชอบจากความชอบทางชีววิทยาของคุณ แต่ละคำถามให้ข้อมูลหลายชั้นและเชื่อมกับคำถามอื่น หลังถามเรื่องเห็ด คำถามต่อไปอาจเป็นพริกหวานสีเขียว ตัวอย่างเช่น AI อาจทราบว่าสารประกอบ 33 ชนิดในอัตราส่วนหนึ่งมีส่วนทำให้รับรู้เห็ด และอีก 22 ชนิดทำให้รับรู้พริกหวานสีเขียว โดยมีบางสารร่วมกัน หากคุณชอบเห็ดแต่ไม่ชอบพริกหวานสีเขียว AI จะมั่นใจขึ้นว่าคุณชอบสารบางชนิด ไม่ชอบบางชนิด และการรับรู้สารที่ซ้อนทับกันน่าจะขึ้นกับบริบทและส่วนผสมอื่น
ลองนึกถึงแผนภาพเวนน์หลายมิติที่ AI แยกแยะว่าคุณชอบหรือไม่ชอบสารใดเมื่อรวมกับสารอื่น
เรารวบรวมข้อมูลความชอบทางรสสัมผัสแบบไม่ระบุตัวตนจากทั่วโลกผ่านแบบสำรวจและข้อเสนอแนะ เว็บไซต์อีคอมเมิร์ซหรือผู้ค้าปลีกรายใหญ่สามารถเปิด Tastry Quiz ในแอปและได้รับคำตอบหลายพันชุดจากทั่วสหรัฐฯ ภายในไม่กี่ชั่วโมง ข้อมูลอื่นที่เก็บมีเพียงรหัสไปรษณีย์ เราใช้รหัสนี้กับวิธีที่พัฒนาจาก Bayesian ridge โดยอาศัยการกระจายทางภูมิศาสตร์ของความชอบที่เก็บและติดตาม รวมกับข้อมูลอื่น เพื่อทำนายความชอบของผู้บริโภคที่อาจเป็นลูกค้าในสหรัฐฯ อีกกว่า 200 ล้านคน ชุดข้อมูลที่เพิ่มขึ้นนี้ใช้เป็นข้อมูลอ้างอิงและทำนายผลตอบรับของไวน์ในระดับร้านค้า ท้องถิ่น หรือภูมิภาค
Tastry Virtual Focus Group
หลังจากวิเคราะห์ไวน์ ถอดรหัสเมทริกซ์รส และประเมินความสามารถในการดื่มได้ของไวน์โดยเทียบกับความชอบทางรสสัมผัสจริงและที่จำลองขึ้น AI ของเรามีความแม่นยำ 92.8% ในการคาดการณ์คะแนนเฉลี่ย 5 ดาวของผู้บริโภคในประเทศสหรัฐอเมริกา
AI ของเราสามารถคาดการณ์คะแนนเฉลี่ย 5 ดาวของไวน์ได้ภายใน +/- 1/10 ของดาว
เป็นเรื่องที่ง่ายที่จะคิดว่า AI เป็น “กลุ่มโฟกัสเสมือน” ของความชอบของผู้บริโภค
โรงงานผลิตไวน์ใช้ TastryAI เพื่อทำการจำลองว่าผู้บริโภคจะรับไวน์ของตนอย่างไร ก่อนที่จะลงทุนหลายปีและหลายล้านเหรียญในการผลิตไวน์ ผู้ขายส่งใช้ TastryAI เพื่อกำหนดภูมิภาคที่ไวน์แต่ละชนิดจะทำได้ดีที่สุด ผู้ค้าปลีกใช้ TastryAI เพื่อปรับชุดสินค้าไวน์ที่วางขายบนชั้นและทางออนไลน์ และผู้บริโภคใช้ TastryAI เพื่อหลีกเลี่ยงความเสี่ยงในการซื้อไวน์ที่พวกเขาจะไม่ชอบ












