Tastry “Bilgisayara Nasıl Tad Verilir” Öğretti

Tastry’nin Tüketici Tercihlerini Nová Kimya ve AI ile Nasıl Öngördüğü

Başlangıçta cevaplamak istediğimiz soru şuydu: “Sensörye dayalı ürünlerin benzersiz aroma matrislerini ve tüketicilerin benzersiz biyolojik tercihlerini dekodlayıp beğenilirliği doğru bir şekilde öngörebilir miyiz?” Kısa cevap evet.

Ancak araştırmamızın başlangıcında, mevcut kimyasal analiz yöntemleri ve mevcut tüketici tercih verilerinin istatistiksel olarak anlamsız korelasyonlar veya öngörüler sağladığını keşfettik. Kendi verimizi oluşturmak zorunda kalacağımızı biliyoruz.

İlk olarak, kimyanın mümkün olduğunca şeffaf olmasını sağlayacak bir analitik kimya yöntemi oluşturmamız gerekiyordu (volatil, non-volatil, çözünmüş, spektral veri vb.). Ayrıca, insanların dillerinde nasıl deneyimlediklerine yardımcı olmak için aroma matrisini bir şekilde dekodlamak zorundaydık.

İkincisi, büyük, çeşitli ve sürekli büyüyen bir tüketici grubunun biyolojik duyusal tercihlerini sürekli ve doğru bir şekilde elde etmek, artırmak ve izlemek için bir yöntem oluşturmamız gerekiyordu.

Mevcut Yöntemler Neden Tüketici Tercihini Öngöremiyor

Araştırmamıza 2015 yılında başladığımızda, şarabın tadı, aroması, dokusu ve rengi hakkında her şeyi bilmenin kimyada mevcut olduğunu varsayıyorduk. Ancak eksik olan daha kapsamlı bir analiz yöntemiydi.

Bu sınırlamayı açıklamak için, sensörye dayalı ürünlerin kimyasının büyük ölçüde kalite kontrolü üzerine odaklandığını anlamak önemlidir, yani bu karışımın içinde bu analitin ne kadar olduğu? Odak, genellikle tüm analitleri,相对 oranlarını veya insanların dillerinde nasıl birleşerek aroma oluşturduklarını değerlendirmek değildir. Bu, aydınlatmamız gereken kör noktadır, çünkü insanların dillerinde yüzlerce bileşik arasındaki dinamik etkileşimler gerçekleşmektedir. İnsan dili, bir makine gibi tek tek bileşikleri değil, aynı anda “kimyasal çorba”nı deneyimlemektedir. Bu bileşiklerin kombinasyonları ve her tüketicinin benzersiz biyolojisi, hangi kimyasal özelliklerinin o kişiye ifade edildiğine ilişkin kritik bir bağlam sağlar.

Sensörye dayalı ürünlerin kimyası genellikle kalite kontrolü üzerine odaklandığından, tipik yaklaşım şöyle görünmektedir:

• Anket verileri insanların tereyağını sevdiğini gösteriyor.
• Diacetyl, tereyağı tadı ile ilişkili bir bileşiktir.
• Eğer daha fazla diacetyl ile bir Chardonnay yaparsak, daha fazla insan onu sevecektir.

Bu yaklaşımın temel sorunları.

1. Lezzet, yalnızca bileşiklerin miktarının ölçülmesiyle öngörülemez. Bir şarapta diacetyl konsantrasyonu bir şarapta tereyağı gibi algılanabilir, ancak başka bir şarapta değil. Bu, şarapta yüzlerce başka bileşik olduğu ve bunların konsantrasyonlarına ve oranlarına bağlı olarak diacetyl masked veya ifade edilebilir olduğu için xảyabilir. Bir makine gibi, insanlar tüm bileşikleri aynı anda deneyimlemektedir, duyuları her bileşiği ayrı ayrı analiz etmemektedir, bu nedenle her bir verilen konsantrasyon nécessaire olarak öngörülemez.

2. İnsanlar lezzetleri farklı şekilde algılar ve iletişime geçirir. Uzman bir panelde bile, uzmanların yarısı bir şeyi elma gibi tanımlayabilir, diğer yarısı ise armut gibi tanımlayabilir. Ve ortalama tüketici daha da öngörülemez. Araştırmamızdan, insanların tadının dil yoluyla bir kişiden diğerine doğru bir şekilde iletişime geçirilebilecek kadar somut olmadığını düşünüyoruz. Tanımlarımız çok belirsizdir ve tanımlarımız bireysel biyoloji ve kültürel deneyimlere bağlı olarak değişir. Örneğin, ABD’de çoğu tüketici benzaldehiti “vişne” olarak tanımlar, ancak çoğu Avrupa tüketici aynı şarapta “badem ezmesi” olarak tanımlar.

3. Tüketicilerin algıladıkları lezzetler, onların gerçekten sevdiği lezzetlerle ilgili değildir. Araştırmamızda, tüketicilerin bir şarabı satın almaya karar vermesinin nedeni, onun vişne tadı gibi olması değildir. Sadece şarabı beğendiklerine karar verirler ve onu tekrar seveceklerini düşünürler.

Örneğin: Bu eksik anlayış, şarap segmenti ile sınırlı değildir. Dünya çapındaki en büyük aroma ve koku şirketlerinin yöneticileri ve araştırmacıları ile görüştük. Bir yönetici, recent bir projede bir lavanta çikolatası yaratma konusundaki frustrasyonunu anlattı. Bu şirket, milyonlarca dolar harcayarak, çikolata, lavanta ve lavanta çikolatası seven tüketicilerle odak grupları ve anketler düzenledi. Sonuçlar, respondentsın lavanta çikolatası olduğunu ancak bu particular lavanta çikolatasını beğenmediklerini gösterdi.

Bu bilgiler ışığında, araştırmamızı tüketicilerin hangi kimyasal matrisleri sevdiği ve ne kadar sevdiği üzerine odaklamaya karar verdik, değil de hangi lezzetleri algıladıkları üzerine.

Yaklaşımımız Nasıl Farklı

Çöp içine, çöp dışarı. Veri kalitesi söz konusu olduğunda, geçerli bir eğitim setinin mevcut ticari veya kalabalık kaynaklı verilerden oluşturulamayacağını anladık. Kendi verimizi oluşturmamız gerekiyordu.

İlk olarak, şarabın volatil, non-volatil, çözünmüş katılar, spektral veri vb. gibi nazik dengesini bir anda gösterebilecek bir kimya yöntemine ihtiyacımız vardı.

Yıllarca süren deneyler, her örnekten 1 milyondan fazla veri noktası üreten bir metodolojiye yol açtı. Bu granüler ve ezici miktarda veri, insan algısına dayalı bağımlılıkları bilen makine öğrenimi algoritmaları tarafından işlenmektedir.

Bu yöntemin etkinliğini kanıtladıktan sonra, dünya çapındaki binlerce şarabın aroma matrisini analiz etmeye ve dekodlamaya başladık ve şarap dünyası hakkında kapsamlı bir aroma matrisi veritabanı geliştirdik.

Tüketici Tercihlerini Kimyaya Bağlamak

Sonra, analiz ettiğimiz ve aroma matrisini dekodladığımız şarapları tüketiciye sunup puanlamalarını istedik. Yıllar boyunca, binlerce tüketicinin katıldığı düzenli çift kör tadım panelleri düzenledik. Katılımcılar arasında şarap yeni başlayanları, düzenli şarap içicileri, uzmanlar, şarap üreticileri ve somelyeler yer aldı.

Çoklu kaynaklı sistemler genellikle kritik verileri kaçırır veya görmezden gelir. Örneğin, Parker ölçeğinde, çoğu insan şarabı 80 puanın altında puanlamaz. Ancak tüketicilerin sevmediklerini sevdiklerinden daha fazla sevmediklerini öğrendik. Bu nedenle, tercihlere tam bir resim elde etmek önemlidir – özellikle de olumsuz tercihler.

Yeni makine öğrenimi yöntemimizi kullanarak, tüketicilerin çeşitli aroma matrisleri için benzersiz tercihlerini anlamaya çalıştık. Bu, tüketicilerin henüz tadmadığı şarapları doğru bir şekilde öngörmemizi sağladı. Bu süreçte, bireysel şarapların ve tercihlerin neredeyse parmak izi gibi benzersiz olduğunu öğrendik. Tüketicilerin ve şarapların endüstri uygulamalarına göre gruplandırılamayacağına veya birlikte süzülerek filtrelenemeyeceğine karar verdik.

Örneğin: İki kadın aynı coğrafyayı, kültürü, etnik kökeni, eğitimi, geliri, arabayı, telefonu paylaşıyor ve her ikisi de Kim Crawford Sauvignon Blanc’ı seviyor olabilir, ancak biri Morning Fog Chardonnay’ı sevebilir, diğeri ise nefret edebilir. Güvenilir öngörülebilirlik yalnızca biyolojik dillerinde yatmaktadır.

Bu İnovasyonu Nasıl Ölçeklenebilir Hale Getirebiliriz?

Oluşturduğumuz şey harikaydı, ancak tadım panelleri pahalı ve zaman alıcıydı. 21 yaş üstü 248 milyon Amerikan için yıllık bir tadım paneli düzenlemek imkansızdı.

Öngörü gücüne sahip, ancak tüketicilerin büyük bir set şarabı önceden tadıp tercihlerini ifade etmesini gerektirmeyen ölçeklenebilir bir araç tasarlamak istedik.

Çözümümüz, şarap seçkisi içindeki basit gıda maddelerini seçmek ve bunların kimyasının bazı yönlerini paylaşmalarını sağlamaktı. Tadım panellerindeki respondents, birkaç hundred gıda ve şarapla ilgili olmayan lezzetler hakkında soru sordu; Örneğin, “Yeşil biber nasıl hissetti?” veya “Mantarlar nasıl hissetti?”

Bu sorular, TastryAI tarafından şarabın temel kimyasındaki bileşiklerin ve oranlarının analogları olarak kullanıldı. İnsanlar olarak, bu karmaşık korelasyonları ve kalıpları çözemeyiz veya anlamayız, ancak bu, makine öğreniminin çözmesini mükemmel bir sorunudur.

Bu verilerle, TastryAI şarap tercihlerini Food Preference Survey’den cevaplarına dayanarak öngörmeyi öğrendi. Sonuç, tüketiciden şarapla ilgili özel veri gerektirmeden şarap tercihlerini öngörmeyi başardık.

Tüketici Tercihini Anlamak İçin Ne Kadar Veriye İhtiyacımız Var?

Her ne kadar yüzlerce gıda tercihi sorusu ile başlasak da, daha fazla soru cevaplandıkça sonuçlar daha doğru hale gelir, ancak 9-12 soru sonrasında azalan getiriler vardır. Pareto ilkesi ile, en iyi performans gösteren gıda tercihi soruları, bir tüketicinin damağının yaklaşık %80’ini sağlar.

Bugün itibariyle, genellikle kırmızı şarap için 10-12 soru ve beyaz, rosé ve köpüklü şarap için başka 10-12 soru vardır.

Bu, ölçeklenebilir bir çözüm sağladı. Çeşitli pilotlarda yıllarca önce başlattığımızdan beri, e-ticaret sitelerinde birçok benzer eğlenceli anket vardır. Tüketici, siyahberry veya kahve gibi sevdiği şeyleri 30 saniyelik bir.quiz ile cevaplar ve şarap önerileri ile ödüllendirilir. Fark, bu anketlerin en fazla tadım notu filtreleri olmasıdır, yani siyahberry gibi things sevdiğinizde, biri tarafından karanfil meyveleri gibi tanımlanan bir şarabı seveceksiniz veya kahve gibi things sevdiğinizde, biri tarafından astringent olarak tanımlanan bir şarabı seveceksiniz. Ancak öğrendiğimiz gibi, bu tanımlar o kişinin damağına doğruysa, şarabı seveceğine dair hiçbir öngörüsü yoktur; ancak tüketiciler anketleri sever.

Tastry’nin önerileri şarabın aroma matrisine bağlıdır. TastryAI, bir şarabın tadı veya aroması gibi things sevdiğinizde, şarabın içindeki things sevdiğiniz veya sevmediğiniz bileşiklerin oranlarını anlamaya çalışmaktadır. Her soru, diğer sorularla örtüşerek ve beslenerek birçok katmanlı fikir sağlar. Örneğin, mantarları sorduktan sonra, perhaps sonraki soru “Yeşil biberin tadı nasıl?” olur. AI, belirli bir oranda mantar algılamasına genellikle 33 bileşik ve yeşilbiber tadına genellikle 22 bileşik sorumlu olduğunu bilir, ancak bazı bileşikler her ikisinde de bulunur. Mantarı seviyorsanız, ancak yeşilbiberi sevmiyorsanız, AI bazı bileşikleri seveceğinize, bazılarını sevmeyeceğinize ve bazılarının bağlamsal olduğuna daha emin olur.

Bir tür çok boyutlu Venn şeması hayal edebilirsiniz, burada AI, hangi bileşiklerin sevildiğini veya sevilmeyeceğini diğer bileşiklerle kombinasyon halinde ayırt etmeye çalışmaktadır.

Bu lezzet tercih anketi ve tüketici geri bildirimi ile, dünyanın dört bir yanından anonim damağından veri topluyoruz. Bir e-ticaret sitesi veya büyük perakendeci, Tastry Quiz’i uygulamaya ekleyerek saatler içinde ABD genelindeki tüketicilerden binlerce cevap alabilir. Topladığımız diğer tek veri, bir posta kodudur. Bu posta kodunu, coğrafi dağılımı bilinen tüketici damağı verilerini ve diğer verileri kullanarak bir tür Bayesci eğim uygulamak için kullanıyoruz ve 200 milyondan fazla geçerli tüketici damağının geri kalanını öngörüyoruz. Bu geliştirilmiş veri kümesini, bir mağaza, yerel veya bölgesel düzeyde şarapların nasıl performans göstereceğine ilişkin öngörüler sağlamak için kullanıyoruz.

Tastry Sanal Odak Grubu

Bir şarabı analiz ettikten, aroma matrisini dekodladıktan ve tüketici tercihine karşı palatabilitesini değerlendirdikten sonra, AI şu anda ABD tüketici puanlaması için %92,8 doğru bir şekilde öngörmektedir. Diğer bir deyişle, AI bir şarabın ortalama 5 yıldızlı puanını +/- 1/10’un içinde öngörebilir.

AI’ı bir “Sanal Odak Grubu” olarak düşünmek en kolayı.

Şarap üreticileri, TastryAI’ı şaraplarını tüketicilerin nasıl algılayacağına ilişkin simülasyonlar yürütmek için kullanıyor, hatta yıllarca para ve milyonlarca dolar harcamadan önce. Toptancılar, TastryAI’ı çeşitli şarapların hangi bölgelerde en iyi performans göstereceğini belirlemek için kullanıyor. Perakendeciler, TastryAI’ı raflarındaki ve online seçimlerini optimize etmek için kullanıyor. Ve tüketiciler, TastryAI’ı beğenmeyeceği bir şarabı satın alma riskini避lemek için kullanıyor.