Tastry “Bilgisayara Tadını Nasıl Öğretti?”

Tastry’nin Yenilikçi Kimya ve AI ile Tüketici Tercihlerini Nasıl Öngördüğü.

Başlangıçta cevaplamak istediğimiz soru şuydu: “Sensör tabanlı ürünlerin benzersiz lezzet matrislerini ve tüketicilerin benzersiz biyolojik tercihlerini çözerek beğenilirliği doğru bir şekilde öngörebilir miyiz?” Kısa cevap evet.

Ancak araştırmamızın başlangıcında, mevcut kimyasal analiz yöntemleri ve mevcut tüketici tercih verilerinin istatistiksel olarak anlamlı korelasyonlar veya öngörüler sağlamadığını keşfettik. Kendi verimizi oluşturmamız gerektiğini biliyorduk.

İlk olarak, kimyanın şeffaflığını mümkün olduğunca sağlayacak bir analitik kimya yöntemi oluşturmamız gerekiyordu (volatil, non-volatil, çözünmüş, spektral veri vb.). Ayrıca, lezzet matrisini, insanların dillerinde bu kimyayı nasıl deneyimlediklerine yardımcı olmak için tercüme edilebilecek bir şekilde çözmemiz gerekiyordu.

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

Mevcut Yöntemlerin Tüketici Tercihini Öngörmekte Neden Başarısız Olduğu

2015 yılında araştırmamıza başladığımızda, şarabın lezzeti hakkında her şeyi bilmenin, yani tadı, aromayı, dokuyu ve rengi – kimyada olduğunu varsayıyorduk. Ancak daha kapsamlı bir analiz yöntemi eksikti.

Bu sınırlamayı açıklamak için, duyusal tabanlı ürünlerin kimyasının büyük ölçüde kalite kontrolüne odaklandığını anlamak önemlidir, yani bu karışımın içinde bu analitin ne kadarı vardır? Odak, genellikle tüm analitleri, их göreli oranlarını veya insanların dillerinde nasıl birleşerek lezzet oluşturduklarını değerlendirmek değildir. Bu, aydınlatmamız gereken kör noktadır, çünkü insan dili üzerinde yüzlerce bileşik arasında dinamik etkileşimler gerçekleşmektedir. İnsan dili, aynı anda “kimyasal çorba” tadı bileşiklerini deneyimlemektedir, makinelerin yaptığı gibi bir bileşikte değil. Bu bileşiklerin birbirleriyle ve her tüketicinin benzersiz biyolojisiyle olan etkileşimleri, kimyanın hangi özelliklerinin o kişiye ifade edildiğine ilişkin kritik bir bağlam sağlar.

Duyusal aspects dikkate alındığında, tipik yaklaşım kısaca şöyledir:

• Anket verileri insanların tereyağını sevdiğini gösteriyor.
• Diacetyl, genellikle tereyağının lezzetiyle ilişkili bir bileşiktir.
• Eğer bir Chardonnay’ı daha fazla diacetyl ile yaparsak, daha fazla insan onu sevecektir.

Temel sorunlar bu yaklaşımda.

1. Lezzet, yalnızca bileşiklerin nicelendirilmesiyle öngörülemez. Belirli bir diacetyl konsantrasyonu, bir şarapta tereyağı gibi algılanabilir, ancak başka bir şarapta veya vintage’da değil. Bunun nedeni, şarabın içindeki diğer yüzlerce bileşiktir ve konsantrasyonlarına ve oranlarına bağlı olarak diacetyl maske edilebilir veya ifade edilebilir. Makinelerin aksine, insanlar tüm bileşikleri aynı anda deneyimlemektedir, duyuları her bileşiği bireysel olarak analiz etmemektedir, bu nedenle herhangi bir bireysel verilen nicelendirme gerekli olarak öngörücü değildir.

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

3. Tüketicilerin algıladığı lezzetler, gerçekten beğendikleri ile hiçbir şekilde ilişkili değildir. Araştırmamızda, tüketicilerin bir şarabı beğendikleri için onu satın almaya karar vermedikleri gözlemlenmiştir. Sadece şarabı beğendiklerine karar verirler ve onu tekrar beğeneceklerini düşünürler.

Örneğin: Bu anlayış eksikliği, şarap segmenti ile sınırlı değildir. Dünyadaki en büyük aroma ve koku şirketlerinin yöneticileri ve araştırmacıları ile görüştük. Bir yönetici, recent bir projede lavanta çikolatası oluşturmak için harcama yaptığı ve tüketicilerin çikolata, lavanta ve lavanta çikolatasını sevdiği, ancak sonuçta respondents’in lavanta çikolatasının tadını sevmedikleri konusunda hayal kırıklığına uğradığını açıkladı.

Bu bilgiler ışığında, araştırmamızı tüketicilerin hangi kimya matrislerini sevdiği ve ne kadar sevdiği üzerine odaklamamız gerektiğini sonucuna vardık, algıladıkları lezzetler yerine.

Nasıl Farklı Bir Yaklaşım

Çöp-insan, çöp-çıkar. Veri kalitesi söz konusu olduğunda, geçerli bir eğitim kümesini mevcut ticari veya kalabalık kaynaklı verilerden oluşturamayacağımızı fark ettik. Kendi verimizi oluşturmamız gerekiyordu.

İlk olarak, insan dili ile daha ilgili olacak bir kimya yöntemi oluşturmamız gerekiyordu. Yıllarca süren deneysel çalışmalar, bir şarabın volatil, non-volatil, çözünmüş katılar, spektral veri vb. gibi nazik dengesini bir anda gösterebilecek bir metodoloji ile sonuçlandı. Bu granüler ve ezici miktarda veri, insan algısını bildiren analitlerin ve analit gruplarının bağımlılıklarını çözmek için tasarlanmış makine öğrenimi algoritmaları tarafından işlenmektedir.

Bu yöntemin etkinliğini kanıtladıktan sonra, dünya çapındaki binlerce şarabın lezzet matrisini analiz etmeye ve çözmeye başladık ve şimdi şarap dünyasının kapsamlı bir lezzet matrisi veritabanına sahibiz.

Tüketici Tercihlerini Kimyaya Bağlamak

Sonraki adım, analiz ettiğimiz şarabın lezzet matrisini çözerek ve tüketicilere tadım yaptırarak hangi lezzet matrislerini tercih ettiklerini anlamaktı. Yıllar boyunca, binlerce tüketiciyle düzenli çift kör tadım panelleri gerçekleştirdik. Katılımcılar arasında şarap yeni başlayanları, tipik şarap içicileri, uzmanlar, şarap üreticileri ve somelyeler yer aldı.

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

Yenilikçi makine öğrenimimizi kullanarak, tüketicilerin çeşitli lezzet matrisleri için benzersiz tercihlerini anlamak için kullandık. Zaman içinde, henüz tattıkları şaraplar için tercihlerini doğru bir şekilde öngörmemize olanak tanıdı. Bu süreçte, bireysel şarapların ve bireysel tercihlerin neredeyse parmak izi gibi benzersiz olduğunu öğrendik. Endüstri uygulamalarının aksine, tüketiciler ve şaraplar doğru bir şekilde gruplandırılamayacağı veya işbirliği filtrelenemeyeceği sonucuna vardık.

Örneğin: İki kadın aynı coğrafyayı, kültürü, etnik kökeni, eğitimi, geliri, arabanı ve telefonu paylaşabilir ve her ikisi de Kim Crawford Sauvignon Blanc’ı sevebilir; ancak biri Morning Fog Chardonnay’ı sevebilir, diğeri ise nefret edebilir. Güvenilir öngörülebilirlik, yalnızca biyolojik dillerine bağlıdır.

Bu İnovasyonu Nasıl Ölçeklenebilir Hale Getirebiliriz?

Oluşturduğumuz şey harikaydı, ancak tadım panelleri pahalı ve zaman alıcıydı. 21 yaşından büyük 248 milyonluk tüm Amerikalıların yıllık tadım panellerini yürütmek ve hangi şarapları seveceklerini anlamak imkansız olurdu.

Tüketici tercihlerini, tadım panellerine katılmalarına veya önceden tadılmış şaraplar için tercihlerini ifade etmelerine gerek kalmadan öngörebilen ölçeklenebilir bir araç tasarlamak istedik.

Çözümümüz, AI’ın şaraplardaki kimyanın bazı yönlerini paylaştığı basit gıda maddelerini seçmesiydi. Tadım panellerindeki respondents, şarap ile doğrudan ilgili olmayan gıda ve lezzet tercihleri hakkında birkaç hundred soru sordu; Örneğin, “Yeşil biber nasıl hissettiğiniz?” veya “Mantarları nasıl hissettiğiniz?”

Bu sorular, TastryAI tarafından şarabın temel kimyasındaki bileşiklerin ve bileşik gruplarının türleri ve oranları olarak kullanıldı. İnsanlar, bu karmaşık ilişkileri ve kalıpları çözemeyiz veya anlamayız, ancak bu, makine öğreniminin çözmesi için mükemmel bir sorun olur.

Bu verilerle, TastryAI bir tüketicinin şarap tercihlerini, Gıda Tercih Anketi’ndeki cevaplarına dayanarak öngörmeyi öğrendi. Sonuç, tüketiciden şarapla ilgili herhangi bir veriye gerek kalmadan şarap tercihini öngörebilmemiz oldu.

Tüketici Tercihini Anlamak İçin Ne Kadar Veriye İhtiyacımız Var?

Öncelikle yüzlerce gıda tercihi sorusu ile başladık, ancak daha fazla soru cevaplandıkça, sonuçlar daha doğru olur, ancak 9-12 soru sonra azalan getiriler vardır. Pareto ilkesi ile, en iyi performans gösteren gıda tercihi soruları, bir tüketicinin dili hakkında yaklaşık %80’anlık bir anlayış sağladı.

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

Bu, ölçeklenebilir bir çözüm sağladı. Çeşitli pilot projelerde yıllarca önce başladığımızdan beri, şimdi birçok e-ticaret sitesinde benzer şekilde eğlenceli görünen anketler var. Bir tüketici, blackberry veya kahve sevdiğini sordu ve şarap önerileri ile ödüllendirildi. Fark, bu anketlerin en fazla tadım notu filtreleridir, yani blackberry’i seviyorsanız, biri tarafından karanfil meyvesi gibi tanımlanan bir şarabı seveceksiniz veya kahve seviyorsanız, biri tarafından astringent olarak tanımlanan bir şarabı seveceksiniz. Ancak öğrendiğimiz gibi, bu tanımlar o kişinin dili için doğruysa, şarabı seveceğine dair hiçbir öngörücü gücü yoktur; ancak tüketiciler anketleri sever.

Tastry’nin önerileri, şarabın lezzet matrisine bağlıdır. TastryAI, şarabınızda mantar veya aroma gibi bir şeyin tadını sormuyor; biyolojik dudak tercihlerinize dayalı olarak sevdiğiniz veya sevmediğiniz bileşiklerin oranlarını anlamaya çalışıyor. Her soru, diğer sorularla örtüşerek ve besleyerek birçok katmanlı fikir sağlıyor. Örneğin, mantar hakkında sorduktan sonra, perhaps sonraki soru “Yeşil biberin tadı nasıl?” olabilir. AI, belirli bir mantar algılaması için genellikle 33 bileşik ve belirli bir yeşil biber tadı için 22 bileşik olduğunu bilir, ancak bu bileşiklerin bir kısmı her ikisinde de bulunur. Mantarı seviyorsanız, ancak yeşil biberi sevmiyorsanız, AI, bazı bileşikleri sevdiğinize, bazılarını sevmediğinize ve örtüşenlerin muhtemelen bağlamsal olduğuna daha emin olur.

Bu nedenle, bir tür çok boyutlu Venn şeması hayal edebilirsiniz, burada AI, hangi bileşiklerin sevildiğini veya sevilmeyeceğini diğer bileşiklerle birleştiğinde çözmeye çalışıyor.

Ve bu lezzet tercih anketi ve tüketici geri bildirimi ile, dünya çapında anonim dudak verilerini topluyoruz. Bir e-ticaret sitesi veya büyük bir perakendeci, Tastry Anketi’ni uygulamaya başlatabilir ve birkaç saat içinde ABD genelinde tüketicilerden binlerce yanıt alabilir. Topladığımız diğer veri, bir posta kodudur. Bu, coğrafi dağılımı, bilinen tüketici dudaklarını ve diğer verileri kullanarak bir Bayesian ridge türeterek, 200 milyondan fazla geçerli tüketici dudaklarını öngörüyoruz. Bu geliştirilmiş veri kümesini, şarapların bir markette, mağazada, yerel veya bölgesel düzeyde nasıl performans göstereceğine ilişkin öngörüler sağlamak için kullanıyoruz.

Tastry Sanal Focus Group

Bir şarabı analiz ettikten, lezzet matrisini çözdükten ve gerçek ve sanal dudaklara karşı tadını değerlendirdikten sonra, AI şu anda %92,8 doğru bir şekilde şarabın ortalama ABD tüketici puanını öngörmektedir. Diğer bir deyişle, AI, şarabın ortalama 5 yıldızlı puanını +/- 1/10’un içinde öngörebilir.

AI’ı bir “Sanal Focus Group” olarak düşünmek en kolayıdır.

Şarap üreticileri, TastryAI’ı kullanarak tüketicilerin şaraplarını nasıl algılayacağını simüle edebiliyorlar, hatta yıllarca para ve zaman yatırımı yapmadan önce. Toptancılar, TastryAI’ı kullanarak çeşitli şarapların hangi bölgelerde en iyi performans göstereceğini belirleyebiliyorlar. Perakendeciler, TastryAI’ı kullanarak raf ve online seçimlerini optimize edebiliyorlar. Ve tüketiciler, TastryAI’ı kullanarak beğenmedikleri bir şarap satın alma riskini önleyebiliyorlar.