Cách Tastry “Dạy máy tính cách nếm thử”

Cách Tastry sử dụng hóa học mới và AI để dự đoán sở thích của người tiêu dùng.

Ngay từ đầu, câu hỏi mà chúng tôi muốn trả lời là: “Liệu chúng ta có thể giải mã ma trận hương vị độc đáo của các sản phẩm dựa trên cảm quan và sở thích sinh học độc đáo của người tiêu dùng để dự đoán chính xác mức độ ưa thích không?” Câu trả lời ngắn gọn là có.

Tuy nhiên, ngay từ đầu trong nghiên cứu, chúng tôi đã phát hiện ra rằng các phương pháp phân tích hóa học hiện tại và dữ liệu sở thích của người tiêu dùng hiện tại đã cung cấp những mối tương quan hoặc dự đoán không có ý nghĩa thống kê. Chúng tôi biết rằng chúng tôi sẽ phải tạo dữ liệu của riêng mình để đạt được tiến bộ.

Trước tiên, chúng tôi cần tạo ra một phương pháp hóa học phân tích có thể mang lại sự minh bạch nhất có thể cho hóa học (bao gồm dữ liệu bay hơi, không bay hơi, hòa tan, quang phổ, v.v.). Chúng tôi cũng cần giải mã ma trận hương vị theo một cách điều đó có thể được dịch để giúp ước tính cách con người trải nghiệm chất hóa học đó trong vòm miệng của họ.

Thứ hai, chúng tôi cần tạo ra một phương pháp để thu thập, tăng cường và theo dõi liên tục và chính xác sở thích cảm giác sinh học của một nhóm người tiêu dùng thực tế lớn, đa dạng và ngày càng phát triển để phục vụ như sự thật cơ bản của chúng tôi.

Tại sao các phương pháp hiện tại không dự đoán được sở thích của người tiêu dùng đối với các sản phẩm dựa trên cảm giác

Khi bắt đầu nghiên cứu vào năm 2015, chúng tôi đã đặt ra giả thuyết rằng mọi thứ bạn cần biết về hương vị của rượu vang, tức là hương vị, mùi thơm, kết cấu và màu sắc – đều tồn tại trong hóa học. Tuy nhiên, điều còn thiếu là một phương pháp phân tích toàn diện hơn.

Để giải thích hạn chế này, điều quan trọng là phải hiểu rằng tính chất hóa học của các sản phẩm dựa trên cảm quan chủ yếu tập trung vào việc kiểm soát chất lượng, tức là có bao nhiêu chất phân tích trong hỗn hợp đó? Trọng tâm thường không phải là đánh giá tất cả các chất phân tích, tỷ lệ tương đối của chúng hoặc cách chúng kết hợp trên vòm miệng của con người để tạo ra hương vị. Đây là điểm mù mà chúng tôi cần làm sáng tỏ vì có những tương tác năng động diễn ra giữa hàng trăm hợp chất trong vòm miệng của con người. Vòm miệng của con người trải nghiệm một “súp hóa học” gồm các hợp chất hương vị cùng một lúc chứ không phải từng hợp chất một như máy móc. Sự tương tác giữa nhiều hợp chất này kết hợp với đặc điểm sinh học riêng biệt của mỗi người tiêu dùng, cung cấp bối cảnh quan trọng về những đặc điểm hóa học nào được thể hiện đối với người đó.

Trong phạm vi tính đến cảm giác, nói một cách đơn giản, cách tiếp cận điển hình sẽ như thế này:

• Dữ liệu khảo sát cho thấy mọi người thích bơ.
• Diacetyl là một hợp chất thường gắn liền với hương vị của bơ.
• Nếu chúng ta làm rượu chardonnay có nhiều diacetyl hơn thì sẽ có nhiều người thích nó hơn.

Các vấn đề cốt lõi với cách tiếp cận này.

1. Hương vị không thể được dự đoán chỉ bằng cách định lượng các hợp chất. Một nồng độ diacetyl nhất định có thể được coi là bơ trong một loại rượu hoặc rượu cổ điển, nhưng không phải trong một loại rượu khác. Điều này là do có hàng trăm hợp chất khác trong rượu và tùy thuộc vào nồng độ và tỷ lệ của chúng, diacetyl có thể được che giấu hoặc thể hiện. Không giống như máy móc, con người đang trải nghiệm tất cả các hợp chất cùng một lúc, các giác quan của họ không phân tích từng hợp chất riêng lẻ, do đó, bất kỳ định lượng nào được đưa ra cho từng cá nhân đều không nhất thiết mang tính dự đoán.

 

2. Con người cảm nhận và truyền đạt hương vị một cách khác nhau. Ngay cả trong số một nhóm chuyên gia, một nửa số chuyên gia có thể mô tả thứ gì đó có vị như táo và nửa còn lại có thể mô tả nó có vị như quả lê. Và người tiêu dùng bình thường thậm chí còn khó dự đoán hơn. Từ nghiên cứu của chúng tôi, chúng tôi không tin rằng vị giác của con người đủ hữu hình để có thể truyền đạt chính xác một cách đơn giản thông qua ngôn ngữ từ người này sang người khác. Mô tả của chúng tôi quá mơ hồ và định nghĩa của chúng tôi khác nhau dựa trên kinh nghiệm sinh học và văn hóa của từng cá nhân. Ví dụ, ở Mỹ hầu hết người tiêu dùng mô tả nhận thức về benzaldehyde là “quả anh đào”, nhưng hầu hết người tiêu dùng ở Châu Âu lại mô tả nó là “bánh hạnh nhân”…ngay cả trong cùng một loại rượu.

 

3. Hương vị mà người tiêu dùng cảm nhận không có mối tương quan với việc họ có thực sự thích nó hay không. Trong nghiên cứu của chúng tôi, người ta thấy rằng người tiêu dùng không quyết định mua một loại rượu vì nó có vị như quả anh đào. Họ chỉ đơn giản đưa ra đánh giá rằng họ thích loại rượu đó và rất có thể họ sẽ thích nó lần nữa.

Ví dụ: Sự thiếu hiểu biết này không chỉ xảy ra ở phân khúc rượu vang. Chúng tôi đã gặp gỡ các giám đốc điều hành và nhà nghiên cứu tại một số công ty hương liệu và hương liệu lớn nhất thế giới. Một giám đốc điều hành đã mô tả sự thất vọng của mình với dự án gần đây nhằm tạo ra một loại sôcôla màu oải hương mới. Công ty này đã chi hàng triệu đô la để tổ chức và điều hành các nhóm tập trung với những người tiêu dùng đặc biệt yêu thích sô cô la, yêu hoa oải hương và sô cô la hoa oải hương. Cuối cùng, kết quả là những người được hỏi đồng ý rằng đó là sô cô la hoa oải hương, nhưng họ cũng đồng ý rằng họ không thích loại sô cô la hoa oải hương đặc biệt đó.

Nhờ những hiểu biết sâu sắc này, chúng tôi kết luận rằng chúng tôi nên tập trung nghiên cứu vào việc dự đoán ma trận hóa học mà người tiêu dùng thích và ở mức độ nào, trái ngược với hương vị mà họ cảm nhận được.

Cách tiếp cận của chúng tôi khác nhau như thế nào

Rác vào, rác ra. Khi nói đến chất lượng dữ liệu, chúng tôi nhận thấy không thể tạo tập huấn luyện hợp lệ từ dữ liệu thương mại hoặc dữ liệu có nguồn gốc từ cộng đồng hiện có. Chúng tôi sẽ phải tự tạo ra nó trong nhà.

Điều đầu tiên chúng tôi cần là một phương pháp hóa học có thể cung cấp khả năng hiển thị về sự cân bằng tinh tế của các chất rắn dễ bay hơi, không bay hơi, hòa tan, dữ liệu quang phổ, v.v., của rượu trong một lần chụp nhanh, để phù hợp hơn với khẩu vị của con người.

Nhiều năm thử nghiệm đã tạo ra một phương pháp tạo ra hơn 1 triệu điểm dữ liệu cho mỗi mẫu. Sau đó, lượng dữ liệu chi tiết và áp đảo này được xử lý bằng thuật toán học máy do nhóm khoa học dữ liệu của chúng tôi thiết kế để giải mã sự phụ thuộc lẫn nhau giúp thông báo nhận thức của con người dựa trên tỷ lệ của chất phân tích và nhóm chất phân tích.

Sau khi chứng minh tính hiệu quả của phương pháp này, chúng tôi bắt đầu phân tích và giải mã ma trận hương vị của hàng nghìn loại rượu vang trên toàn thế giới và từ đó đã phát triển cơ sở dữ liệu ma trận hương vị toàn diện về thế giới rượu vang.

Liên hệ sở thích của người tiêu dùng với hóa học

Tiếp theo, chúng tôi phải hiểu những nền tảng hương vị nào được nhiều người tiêu dùng ưa thích bằng cách cho họ nếm thử và đánh giá loại rượu mà chúng tôi đã phân tích. Trong những năm qua, chúng tôi đã tổ chức các hội đồng thử rượu mù đôi thường xuyên với hàng nghìn người tiêu dùng, mỗi người nếm thử hàng chục hoặc hàng trăm loại rượu theo thời gian. Những người được hỏi bao gồm những người mới làm quen với rượu vang, những người uống rượu thông thường, các chuyên gia, nhà sản xuất rượu và những người sommeliers.

Các hệ thống có nguồn gốc từ đám đông thường bỏ sót hoặc bỏ qua dữ liệu quan trọng. Ví dụ: trên thang điểm Parker, hầu hết mọi người thậm chí sẽ không cho điểm rượu vang dưới mức giữa 80 điểm. phạm vi. Nhưng chúng tôi đã học được rằng người tiêu dùng không thích những gì họ không thích, hơn là thích những gì họ thích. Vì vậy, điều quan trọng là phải có một bức tranh đầy đủ về sở thích – đặc biệt là những sở thích tiêu cực.

Chúng tôi đã sử dụng công nghệ học máy mới của mình để hiểu sở thích riêng của người tiêu dùng đối với các loại nền hương vị khác nhau trong rượu vang. Theo thời gian, điều này cho phép chúng tôi dự đoán chính xác sở thích của họ đối với loại rượu mà họ chưa nếm thử. Trong quá trình này, chúng tôi cũng biết được rằng các loại rượu riêng lẻ cũng như sở thích của từng cá nhân gần như giống như dấu vân tay về tính độc đáo của chúng. Chúng tôi kết luận rằng, trái với thông lệ của ngành, người tiêu dùng và rượu vang không thể được nhóm lại hoặc lọc một cách hợp tác một cách chính xác để khái quát hóa.

Ví dụ: Hai người phụ nữ có thể có cùng địa lý, văn hóa, dân tộc, trình độ học vấn, thu nhập, xe hơi, điện thoại và cả hai đều yêu thích Kim Crawford Sauvignon Blanc; nhưng một người có thể yêu thích rượu chardonnay Morning Fog và người kia có thể ghét nó. Khả năng dự đoán đáng tin cậy duy nhất nằm ở vòm miệng sinh học của họ.

Làm thế nào để mở rộng quy mô đổi mới này? 

Những gì chúng tôi đã tạo ra thật tuyệt vời, nhưng bảng nếm thử rất tốn kém và mất thời gian. Sẽ không thể điều hành một hội đồng thử rượu hàng năm với tất cả 248 triệu người Mỹ trên 21 tuổi để biết họ sẽ thích loại rượu nào.

Chúng tôi muốn thiết kế một công cụ có thể mở rộng có hiệu quả tương tự trong việc dự đoán sở thích của người tiêu dùng mà không cần phải tham gia vào các hội thảo nếm thử hoặc bày tỏ sở thích của họ đối với một lượng lớn các loại rượu đã được nếm thử trước đó.

Giải pháp của chúng tôi là để AI chọn các mặt hàng thực phẩm đơn giản có chung các khía cạnh hóa học của chúng với rượu vang trong một loại. Những người trả lời trong nhóm thử rượu của chúng tôi đã trả lời hàng trăm câu hỏi như vậy về sở thích của họ đối với các loại thực phẩm và hương vị không liên quan trực tiếp đến rượu vang; chẳng hạn như “Bạn cảm thấy thế nào về ớt chuông xanh?” hoặc “Bạn cảm thấy thế nào về nấm?”

Những câu hỏi này đã được TastryAI sử dụng tương tự như các loại và tỷ lệ của các hợp chất thường thấy trong thành phần hóa học cơ bản của rượu vang. Là con người, chúng ta không thể giải mã hoặc hiểu những mối tương quan và mô hình phức tạp này, nhưng khi nó xảy ra, việc tìm ra những mối quan hệ phức tạp này là một vấn đề tuyệt vời để học máy giải quyết.

Với dữ liệu này, TastryAI đã học được cách dự đoán sở thích của người tiêu dùng đối với rượu vang, dựa trên câu trả lời của họ trong Khảo sát sở thích thực phẩm. Kết quả là chúng tôi có khả năng loại bỏ nhu cầu về bất kỳ dữ liệu cụ thể nào về rượu từ người tiêu dùng để dự đoán sở thích của họ đối với rượu.

Chúng ta cần bao nhiêu dữ liệu để hiểu sở thích của người tiêu dùng?

Mặc dù chúng tôi bắt đầu với hàng trăm câu hỏi về sở thích thực phẩm, nhưng càng trả lời nhiều thì kết quả càng chính xác, lợi nhuận giảm dần sau ngày 9-12. Với nguyên tắc Pareto trong công việc, các câu hỏi về sở thích thực phẩm có hiệu quả nhất sẽ được đưa ra một cách xấp xỉ. Hiểu biết 80% về khẩu vị của người tiêu dùng.

Tính đến hôm nay, thường có một cuộc khảo sát gồm 10-12 câu hỏi dành cho rượu vang đỏ và một cuộc khảo sát gồm 10-12 câu hỏi khác dành cho rượu vang trắng, rượu vang hồng và rượu vang sủi.

Điều này cho phép một giải pháp có thể mở rộng. Kể từ khi chúng tôi triển khai nhiều chương trình thử nghiệm cách đây nhiều năm, hiện nay có nhiều câu đố có hình thức kỳ lạ tương tự trên các trang web thương mại điện tử. Người tiêu dùng thực hiện một bài kiểm tra dài 30 giây về việc họ thích quả mâm xôi hay cà phê và họ sẽ được thưởng những gợi ý về rượu vang. Sự khác biệt là ở chỗ hầu hết các câu đố đó đều là các bộ lọc ghi chú nếm thử, tức là, nếu bạn thích quả mâm xôi, bạn sẽ thích loại rượu được ai đó mô tả là có vị như trái cây sẫm màu hoặc nếu bạn thích cà phê thì bạn sẽ thích loại rượu được ai đó mô tả là có tính chất làm se. Nhưng chúng tôi đã học được rằng nếu những mô tả đó chính xác với khẩu vị của người đó thì nó có không có khả năng dự đoánr về việc họ có thích rượu vang hay không; nhưng nó hấp dẫn, người tiêu dùng thích các câu đố.

Các khuyến nghị của Tastry gắn liền với nền tảng hương vị của rượu. TastryAI không phải là bộ lọc ghi chú nếm thử, nó không hỏi bạn có thích mùi thơm hay vị của nấm không trong rượu của bạn, nó đang cố gắng hiểu tỷ lệ các hợp chất bạn thích hoặc không thích dựa trên sở thích sinh học của bạn. Mỗi câu hỏi cung cấp nhiều lớp hiểu biết sâu sắc vì mỗi câu hỏi chồng chéo và cung cấp thông tin cho các câu hỏi khác. Vì vậy, sau khi hỏi về nấm, có lẽ câu hỏi tiếp theo là “Bạn cảm thấy thế nào về hương vị của ớt chuông xanh?” AI có thể biết rằng, chẳng hạn, có 33 hợp chất theo một tỷ lệ nhất định thường chịu trách nhiệm tạo ra cảm nhận về nấm và 22 hợp chất thường tạo ra mùi vị của ớt chuông xanh – nhưng quan trọng là một số hợp chất đó tồn tại trong cả hai. Nếu bạn nói bạn thích nấm nhưng ghét ớt chuông xanh thì AI sẽ tự tin hơn bạn Lượt thích một số hợp chất, bạn tự tin hơn không thích các hợp chất khác và những hợp chất trùng lặp có thể là theo ngữ cảnh.

Vì vậy, bạn có thể tưởng tượng một sơ đồ Venn đa chiều, trong đó AI sẽ tìm ra hợp chất nào bạn thích hoặc không thích khi kết hợp với các hợp chất khác.

Và với cuộc khảo sát về sở thích hương vị này cũng như phản hồi của người tiêu dùng, chúng tôi thu thập dữ liệu ẩn danh về khẩu vị từ khắp nơi trên Thế giới. Một trang web thương mại điện tử hoặc nhà bán lẻ lớn có thể khởi chạy Tastry Quiz trên ứng dụng và nhận được hàng nghìn phản hồi trong vòng vài giờ từ người tiêu dùng trên khắp Hoa Kỳ. Dữ liệu duy nhất khác mà chúng tôi thu được là mã zip. Chúng tôi sử dụng mã zip để áp dụng dẫn xuất của dãy Bayesian, lấy sự phân bố theo địa lý của khẩu vị người tiêu dùng đã biết mà chúng tôi thu thập và giám sát cũng như các dữ liệu khác, đồng thời dự đoán phần còn lại của hơn 200 triệu khẩu vị người tiêu dùng khả thi ở Hoa Kỳ. Chúng tôi sử dụng tính năng nâng cao này tập dữ liệu làm nguồn thông tin chính xác và đưa ra dự đoán về hiệu quả hoạt động của rượu vang trên thị trường ở cấp cửa hàng, địa phương hoặc khu vực.

Nhóm tập trung ảo Tastry

Khi phân tích một loại rượu, giải mã ma trận hương vị của nó và đánh giá độ ngon của nó dựa trên sự kết hợp giữa khẩu vị thực tế và ảo, AI hiện có độ chính xác 92.8% trong việc dự đoán đánh giá tổng hợp của người tiêu dùng Hoa Kỳ đối với rượu vang. Nói cách khác, AI có thể dự đoán xếp hạng 5 sao trung bình cho một loại rượu trong khoảng +/- 1/10^th của một ngôi sao.

Dễ dàng nhất coi AI như một “Nhóm tập trung ảo” về sở thích của người tiêu dùng.

Các nhà máy rượu vang sử dụng TastryAI để chạy mô phỏng về cách người tiêu dùng cảm nhận về rượu vang của họ, ngay cả trước khi họ đầu tư nhiều năm và hàng triệu đô la vào việc sản xuất nó. Các nhà bán buôn sử dụng TastryAI để xác định khu vực mà các loại rượu khác nhau sẽ hoạt động tốt nhất. Các nhà bán lẻ sử dụng TastryAI để tối ưu hóa việc phân loại hàng hóa trên kệ và trực tuyến. Và người tiêu dùng sử dụng TastryAI để tránh rủi ro mua phải loại rượu mà họ không thích.