Як Tastry використовує нову хімію та штучний інтелект для прогнозування споживчих уподобань

Як Tastry використовує нову хімію та штучний інтелект для прогнозування споживчих уподобань.

Від самого початку ми хотіли відповісти на питання: “Чи можемо ми розшифрувати унікальні матриці смаку продуктів, заснованих на відчуттях, та унікальні біологічні уподобання споживачів, щоб точно прогнозувати їхню сприйняття?” Коротка відповідь – так.

Однак на початку нашого дослідження ми виявили, що існуючі методи хімічного аналізу та дані про уподобання споживачів надавали статистично незначимі кореляції або прогнози. Ми знали, що нам потрібно створити власні дані, щоб зробити прогрес.

По-перше, нам потрібно було створити метод аналітичної хімії, який би надав максимальну прозорість хімії (включно з летючими та нелетючими сполуками, розчиненими речовинами, спектральними даними тощо). Ми також потрібно було розшифрувати матрицю смаку таким чином, щоб її можна було перекласти на людську мову, щоб приблизно оцінити, як люди сприймають цю хімію на своєму смаку.

По-друге, нам потрібно було створити метод постійного та точного збору, обробки та відстеження біологічних смакових уподобань великої, різноманітної та постійно зростаючої групи реальних споживачів, щоб вони могли служити нашим еталоном.

Чому існуючі методи не можуть прогнозувати споживчі уподобання продуктів, заснованих на відчуттях

Коли ми почали наше дослідження у 2015 році, ми мали гіпотезу, що все, що потрібно знати про смак вина, тобто смак, аромат, текстуру та колір – існує в хімії. Однак що було відсутнє, так це більш комплексний метод аналізу.

Щоб пояснити цю обмеженість, важливо зрозуміти, що хімія продуктів, заснованих на відчуттях, в основному зосереджена на контролі якості, тобто скільки цього аналіту міститься у цій суміші? Фокус не зазвичай спрямований на оцінку всіх аналітів, їхніх відносних співвідношень або того, як вони поєднуються на людському смаку, щоб створити смак. Це сліпа пляма, яку нам потрібно було освітити, оскільки між сотнями сполук на людському смаку відбуваються динамічні взаємодії. Людський смак сприймає “хімічну кашу” смакових сполук одночасно, а не одну сполуку за раз, як це робить машина. Взаємодії між цими сполуками в поєднанні з унікальною біологією кожного споживача надають критичний контекст щодо того, які особливості хімії виражаються цій людині.

Якщо відчуття розглядаються, підхід зазвичай виглядає так:

• Дані опитування показують, що люди люблять масло.
• Діацетил – це сполука, зазвичай асоційована зі смаком масла.
• Якщо ми створимо шардоне з більшим вмістом діацетилу, більше людей будуть його любити.

Основні проблеми з цим підходом.

1. Смак не можна прогнозувати лише кількісним вмістом сполук. Дана концентрація діацетилу може бути сприйнята як смак масла в одному вині або виробі, але не в іншому. Це відбувається через те, що в вині є сотні інших сполук, і залежно від їхньої концентрації та співвідношення діацетил може бути або прихований, або виражений. На відміну від машини, люди сприймають всі сполуки одночасно, їхні відчуття не аналізують кожну сполуку окремо, тому жодна окрема кількісна величина не є передбачувальною.

2. Люди сприймають і комунікують смаки по-різному. Навіть серед панелі експертів половина експертів можуть описати щось як смак яблука, а друга половина – як смак груші. А середній споживач ще менш передбачуваний. З нашого дослідження ми не вважаємо, що людський смак достатньо осяжний, щоб бути точно переданим через мову від однієї людини до іншої. Наші описи надто розпливчасті, а наші визначення різняться залежно від індивідуальної біології та культурного досвіду. Наприклад, у США більшість споживачів описують сприйняття бензальдегіду як “вишневий”, але більшість споживачів у Європі описують його як “мандель”.

3. Смаки, які сприймають споживачі, не мають кореляції з тим, чи вони їм подобаються. У нашому дослідженні спостерігається, що споживачі не вирішують купувати вино, тому що воно має смак вишні. Вони просто приймають рішення, що їм це вино подобається, і вони, ймовірно, будуть його любити знову.

Приклад: Ця відсутність розуміння не є унікальною для сегмента вина. Ми зустрічалися з виконавчими директорами та дослідниками деяких найбільших компаній з виробництва смаків і ароматів у світі. Один виконавчий директор описав своє розчарування останнім проектом з створення нового лавандового шоколаду. Ця компанія витратила мільйони доларів на проведення фокус-груп з споживачами, які конкретно любили шоколад, любили лаванду та любили лавандовий шоколад. В результаті дослідження показало, що респонденти погодилися, що це лавандовий шоколад, але вони також погодилися, що їм не подобається цей конкретний лавандовий шоколад.

В результаті цих висновків ми дійшли висновку, що нам потрібно зосередитися на прогнозуванні хімічних матриць, які споживачі люблять, і в якій мірі, а не на тому, які смаки вони сприймають.

Як наш підхід відрізняється

Нечистота у вході, нечистота на виході. Що стосується якості даних, ми зрозуміли, що валідний навчальний набір не можна було згенерувати з існуючих комерційних або краудсорсингових даних. Нам потрібно було створити свої власні дані всередині компанії.

По-перше, нам потрібно було створити метод хімії, який би надав видимість деликатного балансу летючих, нелетючих, розчинених твердих речовин, спектральних даних тощо вина в одному знімку, щоб зробити його більш спорідненим до людського смаку.

Роки експериментів призвели до розробки методології, яка генерує понад 1 мільйон даних за зразок. Ця детальна й переповнена кількість даних потім обробляється алгоритмами машинного навчання, розробленими нашою командою даних, щоб розшифрувати взаємозалежності, які інформують людське сприйняття на основі співвідношень аналітів та груп аналітів.

Після того, як ми довели ефективність цього методу, ми почали аналізувати та розшифровувати матрицю смаку багатьох тисяч вин у світі та створили комплексну базу даних матриці смаку світу вина.

Зв’язування споживчих уподобань з хімією

Далі нам потрібно було зрозуміти, які матриці смаку різні споживачі люблять, проводячи дегустації та оцінки вина, яке ми проаналізували. За роки ми провели регулярні подвійні сліпі дегустації з тисячами споживачів, кожен з яких дегустував десятки або сотні вин за час. Респонденти включають новачків у світі вина, типових споживачів вина, експертів, виноробів та сомельє.

Системи краудсорсингу зазвичай пропускають або ігнорують критичні дані. Наприклад, за шкалою Паркера більшість людей навіть не оцінять вино нижче середнього рівня 80 балів. Але ми дізналися, що споживачі більше не люблять те, що їм не подобається, ніж люблять те, що їм подобається. Тому критично важливо мати повну картину уподобань – особливо негативних уподобань.

Ми використали свій новий машинний інтелект, щоб зрозуміти унікальні уподобання споживачів щодо різних типів матриць смаку у вині. З часом це дозволило нам точно прогнозувати їхні уподобання щодо вин, які вони ще не дегустували. Під час цього процесу ми також дізналися, що окремі вина, а також окремі уподобання, майже унікальні, як відбитки пальців. Ми дійшли висновку, що, на відміну від звичайної практики галузі, споживачів та вина не можна точно згрупувати або фільтрувати за допомогою спільних фільтрів.

Приклад: Дві жінки можуть поділитися однією і тією ж географією, культурою, етнічністю, освітою, доходом, машиною, телефоном, і обидві люблять Kim Crawford Sauvignon Blanc; але одна може любити Morning Fog Chardonnay, а інша – ненавидіти його. Єдиний надійний прогнозний огляд залишається з їхнім біологічним смаком.

Як масштабувати цю інновацію?

Що ми створили, було великим, але дегустаційні панелі були дорогими та трудомісткими. Було б неможливо проводити щорічні дегустаційні панелі всіх 248 мільйонів американців старше 21 року, щоб зрозуміти, які вина їм сподобаються.

Ми хотіли розробити масштабований інструмент, який мав би ту ж саму ефективність у прогнозуванні уподобань споживача, без потреби участі в дегустаційних панелях або вираження своїх уподобань щодо великої кількості попередньо дегустованих вин.

Наше рішення полягало в тому, щоб штучний інтелект вибрав прості продукти харчування, які мали спільні аспекти хімії з вином у асортименті. Респонденти в наших дегустаційних панелях відповіли на кілька сотень таких питань про свої уподобання щодо продуктів харчування та смаків, які не мали прямого стосунку до вина; наприклад, “Як ви ставитеся до зеленого перцю?” або “Як ви ставитеся до грибів?”

Ці питання використовувалися TastryAI як аналоги типів та співвідношень сполук, зазвичай знайдених у хімії вина. Як люди, ми не можемо розшифрувати ці складні кореляції та закономірності, але, як виявилося, витягування цих складних взаємозв’язків – це чудова задача для машинного навчання.

З цими даними TastryAI навчився прогнозувати уподобання споживача щодо вина на основі його відповідей на опитування про смаки харчових продуктів. Що вийшло в результаті, так це наша можливість ліквідувати потребу у будь-яких даних про вино від споживача, щоб прогнозувати його уподобання щодо вина.

Як багато даних нам потрібно, щоб зрозуміти споживчі уподобання?

Хоча ми почали з сотень питань про смаки харчових продуктів, чим більше питань відповідається, тим точніше результати, але є зменшення повернення після 9-12 питань. Згідно з принципом Парето, найкраще виконані питання про смаки харчових продуктів надали приблизно 80% розуміння смаку споживача.

На сьогодні існує типово опитування з 10-12 питань для червоного вина, і ще одне опитування з 10-12 питань для білого, рожевого та ігристого вина.

Це дозволило створити масштабований рішення. З тих пір, як ми запустили різні пілотні проекти кілька років тому, зараз існує багато подібних опитувань на електронних комерційних сайтах. Споживач відповідає на 30-секундне опитування про те, чи йому подобаються чорниці чи кава, і він отримує рекомендації щодо вина. Різниця полягає в тому, що ці опитування є не більше ніж фільтрами смакових нот, тобто якщо вам подобаються чорниці, вам сподобається вино, описане кимось як темний фрукт, або якщо вам подобається кава, вам сподобається вино, описане кимось як астрингове. Але ми дізналися, що якщо ці описи точні для смаку цієї людини, це не має передбачувальної сили щодо того, чи їм сподобається вино; але це цікаво, споживачі люблять опитування.

Рекомендації Tastry пов’язані з матрицею смаку вина. TastryAI не є фільтром смакових нот, він не питає, чи вам подобається аромат чи смак грибів у вашому вині, він намагається зрозуміти співвідношення сполук, які вам подобаються або не подобаються, на основі ваших біологічних уподобань смаку. Кожне питання надає багато шарів розуміння, оскільки кожне питання перекривається та живиться іншими питаннями. Отже, після питання про гриби, можливо, наступне питання буде “Як ви ставитеся до смаку зеленого перцю?” Штучний інтелект може знати, що існує, наприклад, 33 сполуки у певному співвідношенні, які зазвичай відповідають за сприйняття грибів, і 22 сполуки, які зазвичай відповідають за смак зеленого перцю – але важливо, що деякі з цих сполук існують у обох. Якщо ви кажете, що вам подобаються гриби, але ви ненавидите зелений перець, то штучний інтелект стає більш впевненим, що вам подобаються деякі сполуки, більш впевненим, що вам не подобаються інші сполуки, і ті, які перекриваються, ймовірно, контекстні.

Отже, ви можете уявити собі багатовимірний діаграму Венна, де штучний інтелект витягує, які сполуки вам подобаються або не подобаються в поєднанні з іншими сполуками.

І з цим опитуванням про смаки харчових продуктів та відгуками споживачів ми збираємо анонімізовані дані про смак з усього світу. Електронний комерційний сайт або великий рітейлер може запустити опитування Tastry на своєму застосунку та отримати тисячі відповідей за кілька годин від споживачів по всій території США. Єдині інші дані, які ми збираємо, – це поштовий індекс. Ми використовуємо поштовий індекс для застосування похідної баєсовської гребені, яка передбачає географічний розподіл відомих смаків споживачів, які ми збираємо та відстежуємо, та інші дані, і передбачає решту 200 мільйонів+ життєво важливих смаків споживачів у США. Ми використовуємо цей покращений набір даних як джерело правди та для прогнозування того, як вина будуть виконуватися на ринку, в магазині, на місцевому або регіональному рівні.

Віртуальна фокус-група Tastry

Після аналізу вина, розшифрування його матриці смаку та оцінки його сприйняття проти комбінації реальних та віртуальних смаків, штучний інтелект зараз на 92,8% точний у прогнозуванні середньої оцінки споживача вина у США. Інакше кажучи, штучний інтелект може прогнозувати середню оцінку вина у 5 зірок з точністю до +/- 1/10 зірки.

Найлегше уявити собі штучний інтелект як “Віртуальну фокус-групу” споживчих уподобань.

Винороби використовують TastryAI для проведення симуляцій того, як споживачі сприйматимуть їхнє вино, навіть до того, як вони інвестують роки та мільйони доларів у його виробництво. Оптовики використовують TastryAI для визначення регіонів, де різні вина будуть виконуватися найкраще. Рітейлери використовують TastryAI для оптимізації свого асортименту на полицях та онлайн. А споживачі використовують TastryAI, щоб уникнути ризику купівлі вина, яке їм не сподобається.