思想领袖
How Tastry“教会计算机如何品尝”。
Tastry 如何使用新颖的化学和人工智能来预测消费者的偏好。
从一开始，我们想要回答的问题是：“我们能否解码基于感官的产品的独特风味矩阵以及消费者独特的生物偏好，以准确预测喜爱程度？” 简短的回答是肯定的。
然而，在我们的研究早期，我们发现现有的化学分析方法和现有的消费者偏好数据提供了统计上不显着的相关性或预测。 我们知道我们必须创建自己的数据才能取得进展。
首先，我们需要创建一种分析化学方法，为化学提供尽可能多的透明度（包括挥发物、非挥发物、溶解物、光谱数据等）。我们还需要以某种方式解码风味矩阵这可以转化为帮助近似人类如何体验味觉上的化学反应。
其次，我们需要创建一种方法来不断准确地获取、增强和跟踪大量、多样化且不断增长的实际消费者群体的生物感官偏好，作为我们的基本事实。
为什么当前的方法无法预测消费者对感官产品的偏好
当我们于 2015 年开始研究时，我们假设您需要了解的有关葡萄酒风味的一切，即味道、香气、质地和颜色，都存在于化学成分中。 然而，缺少的是更全面的分析方法。
为了解释这一限制，重要的是要了解基于感官的产品的化学主要集中在质量控制上，即混合物中含有多少这种分析物？ 重点通常不是评估所有分析物、它们的相对比例，或者它们如何在人类味觉上结合以产生风味。 这是我们需要阐明的盲点，因为人类味觉中的数百种化合物之间正在发生动态相互作用。 人类的味觉同时体验到风味化合物的“化学汤”，而不是像机器那样一次只体验一种化合物。 这些多种化合物之间的相互作用与每个消费者独特的生物学相结合，为该人表达了哪些化学特征提供了关键背景。
简而言之，就感官而言，典型的方法如下所示：
- 调查数据显示，人们喜欢黄油。
- 二乙酰是一种通常与黄油风味相关的化合物。
- 如果我们酿造霞多丽时添加更多的二乙酰，就会有更多的人喜欢它。
这种方法的核心问题。
- 味道不能仅通过化合物的定量来预测。 给定浓度的二乙酰可能在一种葡萄酒或年份中被视为黄油，但在另一种葡萄酒或年份中则不然。 这是因为葡萄酒中还有数百种其他化合物，根据它们的浓度和比例，二乙酰可以被掩盖或表达。 与机器不同，人类会同时体验所有化合物，他们的感官不会单独分析每种化合物，因此任何单独的定量不一定具有预测性。
- 人类感知和传达味道的方式不同。 即使在专家小组中，一半专家可能会描述某种东西的味道像苹果，另一半可能会描述它像梨。 而普通消费者则更难以预测。 根据我们的研究，我们认为人类的品味不足以通过语言在一个人与另一个人之间准确地传达。 我们的描述过于模糊，而且我们的定义因个人生物学和文化经验而异。 例如，在美国，大多数消费者将苯甲醛的感知描述为“樱桃”，但大多数欧洲消费者将其描述为“杏仁糖”……即使在同一种葡萄酒中也是如此。
- 消费者感知到的口味与他们是否真正喜欢它没有任何关系。 我们的研究发现，消费者不会因为某种葡萄酒的味道像樱桃而决定购买它。 他们只是简单地判断自己喜欢这款酒，并且很可能会再次喜欢它。
示例：这种缺乏了解并不是葡萄酒行业所独有的。 我们会见了世界上一些最大的香精香料公司的高管和研究人员。 一位高管描述了他对最近一个创造新薰衣草巧克力的项目的失望。 该公司花费了数百万美元，与特别喜欢巧克力、喜欢薰衣草和喜欢薰衣草巧克力的消费者建立和运行焦点小组。 最终的结果是，受访者同意这是薰衣草巧克力，但他们也同意他们不喜欢那种特殊的薰衣草巧克力。
根据这些见解，我们得出的结论是，我们应该将研究重点放在预测消费者喜欢什么化学基质以及喜欢什么程度，而不是他们感知到的口味上。
我们的方法有何不同
垃圾进垃圾出。 在数据质量方面，我们意识到无法从现有的商业或众包数据生成有效的训练集。 我们必须在内部创建自己的。
我们需要的第一件事是一种化学方法，可以在一个快照中提供葡萄酒的挥发性、非挥发性、溶解固体、光谱数据等的微妙平衡，从而更贴近人类的味觉。
经过多年的实验，我们形成了一种方法，每个样本可生成超过 1 万个数据点。然后，我们的数据科学团队设计的机器学习算法会处理这些细粒度和大量的数据，以解码相互依赖性，从而根据分析物和分析物组的比率告知人类感知。
一旦我们证明了这种方法的有效性，我们就开始分析和解码全球数千种葡萄酒的风味矩阵，并从此开发了葡萄酒世界的综合风味矩阵数据库。
将消费者偏好与化学联系起来
接下来，我们必须通过让消费者品尝并评价我们分析的葡萄酒来了解不同消费者喜欢的风味矩阵。 多年来，我们定期与数千名消费者进行双盲品酒小组，随着时间的推移，每个人都会品尝数十或数百种葡萄酒。 受访者包括葡萄酒新手、典型葡萄酒饮用者、专家、酿酒师和侍酒师。
众包系统通常会错过或忽略关键数据。 例如，在帕克评分中，大多数人甚至不会给葡萄酒打分低于 80 分。 范围。 但我们了解到，消费者不喜欢他们不喜欢的东西，而不是喜欢他们喜欢的东西。 因此，全面了解偏好（尤其是负面偏好）至关重要。
我们利用新颖的机器学习来了解消费者对葡萄酒中各种风味基质的独特偏好。 随着时间的推移，这使我们能够准确预测他们对尚未品尝过的葡萄酒的偏好。 在这个过程中，我们还了解到，个别葡萄酒以及个人喜好的独特性几乎就像指纹一样。 我们的结论是，与行业惯例相反，消费者和葡萄酒不能被准确地分组或协同过滤以概括。
示例：两个女性可以拥有相同的地理、文化、种族、教育、收入、汽车、电话，并且都喜欢 Kim Crawford Sauvignon Blanc； 但有人可能喜欢晨雾霞多丽，而有人可能讨厌它。 唯一可靠的预测可见性取决于他们的生物味觉。
如何扩展这种创新？
我们创造的东西很棒，但品尝小组既昂贵又耗时。 每年组织一次由 248 亿 21 岁以上美国人参加的品酒小组来了解他们会喜欢什么葡萄酒是不可能的。
我们希望设计一种可扩展的工具，该工具在预测消费者的偏好方面具有相同的功效，而无需参与品酒小组或表达他们对大量之前品尝过的葡萄酒的偏好。
我们的解决方案是让人工智能选择简单的食品，这些食品与各种葡萄酒具有相同的化学成分。 我们的品酒小组中的受访者回答了数百个此类问题，涉及他们对与葡萄酒没有直接关系的食物和口味的偏好； 例如，“您对青椒感觉如何？”或“您对蘑菇感觉如何？”
TastryAI 使用这些问题来模拟葡萄酒基础化学中常见化合物的类型和比例。 作为人类，我们无法破译或理解这些复杂的相关性和模式，但梳理出这些复杂的关系是机器学习需要解决的一个极好的问题。
借助这些数据，TastryAI 学会了如何根据消费者对食物偏好调查的回答来预测他们对葡萄酒的偏好。 结果是我们能够消除消费者对任何葡萄酒特定数据的需求来预测他们对葡萄酒的偏好。
我们需要多少数据才能了解消费者的偏好？
虽然我们一开始就调查了数百个食物偏好问题，但回答的问题越多，结果就越准确，但在9-12个问题之后，收益就会递减。根据帕累托原则，表现最佳的食物偏好问题大约能提供80%的消费者味觉理解。
截至目前，针对红酒的调查通常有 10-12 个问题，针对白葡萄酒、桃红葡萄酒和起泡酒的调查也有 10-12 个问题。
这提供了可扩展的解决方案。 自从我们几年前推出各种试点以来，现在电子商务网站上出现了许多类似的、看起来异想天开的测验。 消费者接受一个 30 秒的测验，询问他们是否喜欢黑莓或咖啡，然后他们会得到推荐的葡萄酒作为奖励。 不同之处在于，这些测验最多只是品尝笔记过滤器，即，如果您喜欢黑莓，您会喜欢某人描述为尝起来像深色水果的葡萄酒，或者如果您喜欢咖啡，那么您会喜欢某人描述为的葡萄酒是涩的。 但我们了解到，如果这些描述对于那个人的口味来说是准确的，那么它已经 没有预测能力r 他们是否会喜欢这款酒; 但它很有吸引力，消费者喜欢测验。
Tastry 的推荐与葡萄酒的风味矩阵相关。 TastryAI 不是品尝笔记过滤器，它不会询问您是否喜欢蘑菇的香气或味道 在你的酒里，它正在尝试 根据您的生物味觉偏好了解您喜欢或不喜欢的化合物的比例。 每个问题都提供了多层见解，因为每个问题都重叠并融入其他问题。 所以，问完蘑菇后，也许下一个问题是“你觉得青椒的味道怎么样？” 例如，人工智能可能知道，给定比例的 33 种化合物通常负责蘑菇的感知，而 22 种化合物通常负责青椒的味道 - 但重要的是，其中一些化合物同时存在于两者中。 如果你说你喜欢蘑菇，但讨厌青椒，那么人工智能对你更有信心 喜欢 一些化合物，让你更有信心 不喜欢 其他化合物以及重叠的化合物可能是上下文相关的。
所以，你可以想象一个多维维恩图，其中人工智能正在梳理出你喜欢或不喜欢的化合物与其他化合物的组合。
通过这项风味偏好调查和消费者反馈，我们收集了来自世界各地的匿名口味数据。 电子商务网站或大型零售商可以在应用程序上启动“品尝测验”，并在数小时内收到来自美国各地消费者的数千条回复。我们获取的唯一其他数据是邮政编码。 我们使用邮政编码来应用贝叶斯岭的推导，它采用我们收集和监控的已知消费者口味的地理分布以及其他数据，并预测美国其余 200 亿多个可行的消费者口味。数据集作为事实来源，并提供有关葡萄酒在商店、当地或区域层面的市场表现的预测。
美味虚拟焦点小组
在分析葡萄酒、解码其风味矩阵并结合实际和虚拟口味评估其适口性后， AI 目前准确率达 92.8% 预测美国消费者对葡萄酒的总体评分。 换句话说，人工智能可以在 +/- 5/1 的范围内预测葡萄酒的平均 10 星级评级th 一颗星星的。
最容易将人工智能视为消费者偏好的“虚拟焦点小组”。
酒庄使用 TastryAI 来模拟消费者如何看待他们的葡萄酒，甚至在他们投资数年和数百万美元来生产葡萄酒之前。 批发商使用 TastryAI 来确定各种葡萄酒表现最佳的地区。 零售商使用 TastryAI 来优化货架和网上的品种。 消费者使用 TastryAI 来避免购买他们不喜欢的葡萄酒的风险。
