Як Tastry «навчив комп’ютер відчувати смак».

Як Tastry використовує нову хімію та штучний інтелект для прогнозування вподобань споживачів.

З самого початку питання, на яке ми хотіли відповісти, було таким: «Чи можемо ми розшифрувати унікальні смакові матриці сенсорних продуктів і унікальні біологічні переваги споживачів, щоб точно передбачити смак?» Коротка відповідь: так.

Однак на початку нашого дослідження ми виявили, що існуючі методи хімічного аналізу та наявні дані про переваги споживачів надають статистично незначущі кореляції чи прогнози. Ми знали, що нам доведеться створювати власні дані, щоб досягти прогресу.

По-перше, нам потрібно було створити аналітичний хімічний метод, який забезпечував би якомога більшу прозорість хімії (включно з леткими, нелеткими, розчиненими, спектральними даними тощо). Нам також потрібно було декодувати смакову матрицю таким чином. це можна було б перекласти, щоб допомогти приблизно зрозуміти, як люди відчувають цю хімію на своєму смаку.

По-друге, нам потрібно було створити метод постійного й точного отримання, доповнення та відстеження біологічних сенсорних уподобань великої, різноманітної та постійно зростаючої групи реальних споживачів, щоб служити нашою основною правдою.

Чому сучасні методи не можуть передбачити перевагу споживачів щодо сенсорних продуктів

Коли ми розпочинали дослідження у 2015 році, у нас була гіпотеза, що все, що вам потрібно знати про смак вина, тобто смак, аромат, текстуру та колір, існує в хімії. Однак бракувало більш комплексного методу аналізу.

Щоб пояснити це обмеження, важливо розуміти, що хімія сенсорних продуктів здебільшого зосереджена на контролі якості, тобто скільки цього аналіту міститься в цій суміші? Зазвичай у центрі уваги не оцінка всіх аналітів, їхніх відносних співвідношень або того, як вони поєднуються на людському піднебінні, щоб створити смак. Це сліпа пляма, яку нам потрібно було висвітлити, оскільки між сотнями сполук на піднебінні людини відбуваються динамічні взаємодії. Людське піднебіння відчуває «хімічний суп» із смакових сполук одночасно, а не одну сполуку за раз, як це робить машина. Взаємодія між цими кількома сполуками в поєднанні з унікальною біологією кожного споживача забезпечує критичний контекст щодо того, які особливості хімії виражаються цій людині.

Простіше кажучи, враховуючи сенсорику, типовий підхід виглядає так:

• Дані опитування показують, що люди люблять масло.
• Діацетил - це сполука, яка зазвичай асоціюється зі смаком вершкового масла.
• Якщо ми зробимо шардоне з більшою кількістю діацетилу, воно сподобається більшій кількості людей.

Основні проблеми цього підходу.

1. Смак не можна передбачити лише кількісним визначенням сполук. Дана концентрація діацетилу може сприйматися як вершкове масло в одному вині чи урожаї, але не в іншому. Це пояснюється тим, що у вині є сотні інших сполук, і залежно від їх концентрації та співвідношення діацетил може бути або замаскований, або виражений. На відміну від машини, люди відчувають усі сполуки одночасно, їхні органи чуття не аналізують кожну сполуку окремо, тому кількісне визначення будь-якої окремої людини не обов’язково є прогнозним.

 

2. Люди по-різному сприймають і передають смаки. Навіть серед групи експертів половина експертів може описати щось на смак як яблуко, а інша половина може описати це як грушу. А пересічний споживач ще менш передбачуваний. Згідно з нашими дослідженнями, ми не віримо, що людський смак є достатньо відчутним, щоб його точно передати просто мовою від однієї людини до іншої. Наші дескриптори надто розпливчасті, а наші визначення відрізняються 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 «марципан»... навіть у тому самому вині.

 

3. Смаки, які сприймають споживачі, не пов’язані з тим, подобається їм це насправді чи ні. У нашому дослідженні помічено, що споживачі не вирішують купувати вино через те, що воно має вишневий смак. Вони просто роблять висновок, що їм сподобалося вино, і, швидше за все, воно їм знову сподобається.

Приклад: це нерозуміння характерне не тільки для винного сегменту. Ми зустрічалися з керівниками та дослідниками деяких найбільших у світі компаній із виробництва смаків і ароматів. Один керівник описав своє розчарування нещодавнім проектом зі створення нового лавандового шоколаду. Ця компанія витратила мільйони доларів на розміщення та проведення фокус-груп із споживачами, які особливо любили шоколад, любили лаванду та любили лавандовий шоколад. Зрештою, респонденти погодилися, що це лавандовий шоколад, але вони також погодилися, що їм не подобається саме цей лавандовий шоколад.

У результаті цих висновків ми дійшли висновку, що нам слід зосередити наше дослідження на прогнозуванні того, які хімічні матриці подобаються споживачам і якою мірою, на відміну від того, які смаки вони сприймають.

Чим відрізняється наш підхід

Сміття в, ​​сміття назовні. Що стосується якості даних, ми зрозуміли, що дійсний навчальний набір неможливо створити з наявних комерційних чи краудсорсингових даних. Нам довелося б створити свій власний, внутрішній.

Перше, що нам знадобилося, це хімічний метод, який би забезпечив видимість тонкого балансу летких, нелетких, розчинених твердих речовин, спектральних даних тощо вина на одному знімку, щоб бути більш зручним для людського піднебіння.

Роки експериментів привели до методології, яка генерує понад 1 мільйон точок даних на зразок. Цей детальний і величезний обсяг даних потім обробляється алгоритмами машинного навчання, розробленими нашою командою з вивчення даних, щоб декодувати взаємозалежності, які формують людське сприйняття на основі співвідношення аналітів і груп аналітів.

Коли ми підтвердили ефективність цього методу, ми почали аналізувати та розшифровувати смакову матрицю багатьох тисяч вин у всьому світі й відтоді розробили повну базу даних матриць смаків у світі вина.

Зв’язок споживчих уподобань з хімією

Далі ми повинні були зрозуміти, яким смаковим матрицям надають перевагу різні споживачі, пропонуючи їм спробувати та оцінити вино, яке ми аналізували. Протягом багатьох років ми проводили регулярні подвійні сліпі дегустаційні панелі з тисячами споживачів, кожен з яких дегустував багато десятків або сотень вин протягом певного часу. Серед респондентів – новачки, типові любителі вина, експерти, винороби та сомельє.

Краудсорсингові системи зазвичай пропускають або ігнорують важливі дані. Наприклад, за шкалою Паркера більшість людей навіть не оцінить вино нижче середини 80 пунктів. діапазон. Але ми зрозуміли, що споживачам більше не подобається те, що їм не подобається, ніж те, що їм подобається. Тому дуже важливо мати повну картину переваг – особливо негативних.

Ми використали наше нове машинне навчання, щоб зрозуміти унікальні переваги споживачів щодо різних типів смакових матриць у вині. Згодом це дозволило нам точно передбачити їхні переваги щодо вин, які вони ще не скуштували. Під час цього процесу ми також дізналися, що окремі вина, а також індивідуальні вподобання майже схожі на відбитки пальців у своїй унікальності. Ми дійшли висновку, що, всупереч звичайним галузевим практикам, споживачі та вина не можуть бути точно згруповані або спільно відфільтровані в узагальнення.

Приклад: дві жінки можуть мати однакову географію, культуру, етнічну приналежність, освіту, дохід, автомобіль, телефон, і обидві люблять Kim Crawford Sauvignon Blanc; але один може любити ранковий туман шардоне, а інший – ненавидіти його. Єдина надійна передбачувана видимість залежить від їхнього біологічного неба.

Як масштабувати це нововведення? 

Те, що ми створили, було чудовим, але дегустаційні панелі дорогі та забирають багато часу. Було б неможливо провести щорічну дегустаційну комісію з усіх 248 мільйонів американців старше 21 року, щоб зрозуміти, які вина їм сподобаються.

Ми хотіли розробити масштабований інструмент, який мав би таку саму ефективність у прогнозуванні вподобань споживача, не вимагаючи участі в дегустаційних групах або висловлювання своїх уподобань щодо великого набору раніше продегустованих вин.

Наше рішення полягало в тому, щоб штучний інтелект вибирав прості харчові продукти, які мають спільні аспекти хімії з винами в асортименті. Респонденти в наших дегустаційних групах відповіли на кілька сотень таких запитань про їхні переваги щодо їжі та смаків, які не мають прямого відношення до вина; наприклад: «Як ти ставишся до зеленого болгарського перцю?» або «Як ти ставишся до грибів?»

Ці запитання були використані TastryAI як аналоги до типів і співвідношень сполук, які зазвичай зустрічаються в основній хімії вина. Як люди, ми не можемо розшифрувати або зрозуміти ці складні кореляції та закономірності, але, як це сталося, виявлення цих складних відносин є чудовою проблемою для вирішення машинним навчанням.

Завдяки цим даним TastryAI навчився передбачити перевагу споживачів щодо вина на основі їхніх відповідей в опитуванні про харчові переваги. Результатом цього стала наша здатність усунути потребу в будь-яких конкретних даних про вино від споживача, щоб передбачити його перевагу вину.

Скільки даних нам потрібно, щоб зрозуміти переваги споживачів?

Незважаючи на те, що ми почали із сотень запитань про харчові переваги, чим більше відповідей на них, тим точнішими будуть результати, після 9–12 годин результати зменшуються. Завдяки застосуванню принципу Парето найефективніші питання про харчові переваги надавали приблизно. 80% розуміння смаку споживача.

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

Це дозволило масштабоване рішення. Оскільки багато років тому ми запустили різні пілотні програми, зараз на сайтах електронної комерції є багато подібних химерних на вигляд тестів. Споживач бере участь у 30-секундному тесті про те, чи любить він ожину чи каву, і в нагороду отримує рекомендації щодо вина. Різниця полягає в тому, що ці тести є щонайбільше фільтрами дегустаційних нотаток, тобто, якщо ви любите ожину, вам сподобається вино, описане кимось як темне на смак, або якщо ви любите каву, то вам сподобається вино, описане кимось як будучи терпким. Але ми дізналися, що якщо ці описи точні для піднебіння цієї людини, це так немає передбачуваної силиr щодо того, чи сподобається їм вино чи ні; але це захоплює, споживачі люблять вікторини.

Рекомендації Tastry прив'язані до смакової матриці вина. TastryAI не є фільтром дегустації, він не запитує, чи подобається вам аромат чи смак грибів у вашому вині, воно намагається зрозуміти співвідношення сполук, які вам подобаються чи не подобаються, виходячи з ваших біологічних смакових уподобань. Кожне запитання дає багато рівнів розуміння, оскільки кожне питання накладається на інші запитання та вливається в них. Отже, після запитань про гриби, можливо, наступне запитання: «Як ви ставитесь до смаку зеленого болгарського перцю?» ШІ може знати, що існує, наприклад, 33 сполуки в певному співвідношенні, які загалом відповідають за сприйняття грибів, і 22 сполуки, які загалом відповідають за смак зеленого болгарського перцю, але важливо, що деякі з цих сполук присутні в обох. Якщо ви скажете, що любите гриби, але ненавидите зелений болгарський перець, тоді ШІ більш впевнений у вас як деякі сполуки, більш впевнені ви не любити інші сполуки, а ті, що збігаються, ймовірно, є контекстними.

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

І завдяки цьому опитуванню смакових переваг і відгукам споживачів ми збираємо анонімні дані про смаки з усього світу. Сайт електронної комерції або великий роздрібний торговець може запустити вікторину Tastry Quiz у додатку та отримати тисячі відповідей протягом кількох годин від споживачів у США Єдиними іншими даними, які ми отримуємо, є поштовий індекс. Ми використовуємо поштовий індекс, щоб застосувати виведення байєсівського хребта, який бере географічний розподіл відомих смаків споживачів, які ми збираємо та відстежуємо, та інші дані, і прогнозує решту понад 200 мільйонів життєздатних смаків споживачів у США. Ми використовуємо це розширене набір даних як джерело істини, а також для надання прогнозів щодо ефективності вин на ринку на рівні магазину, місцевому чи регіональному.

Віртуальна фокус-група Tastry

Проаналізувавши вино, розшифрувавши його смакову матрицю та оцінивши його смакові якості порівняно з реальним і віртуальним смаками, ШІ наразі точний на 92.8%. у прогнозуванні сукупного споживчого рейтингу вина в США. Іншими словами, ШІ може передбачити середню 5-зіркову оцінку вина в межах +/- 1/10^th зірки.

Найлегше розглядати AI як «віртуальну фокус-групу» споживчих уподобань.

Виноробні використовують TastryAI для моделювання того, як споживачі сприймуть їхнє вино, ще до того, як вони інвестують роки та мільйони доларів у його виготовлення. Оптовики використовують TastryAI для визначення регіонів, у яких різні вина будуть найкращими. Роздрібні торговці використовують TastryAI для оптимізації свого асортименту на полицях і в Інтернеті. А споживачі використовують TastryAI, щоб уникнути ризику придбати вино, яке їм не сподобається.