Katerina Axelsson

Tastry “教会” 计算机如何品味

如何使用新型化学和人工智能预测消费者偏好从一开始，我们就想回答一个问题：“我们能否解码感官产品的独特风味矩阵和消费者的独特生物偏好，以准确预测可接受性？” 简短的答案是肯定的。 然而，在研究的早期，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的统计相关性或预测是微不足道的。我们知道我们需要创建自己的数据来取得进展。 首先，我们需要创建一种分析化学方法，以提供尽可能多的化学透明度（包括挥发性、非挥发性、溶解性、光谱数据等）。我们还需要以一种可以转换为帮助近似人类在口中体验该化学的方式来解码风味矩阵。 其次，我们需要创建一种方法来不断和准确地获取、增强和跟踪大量、多样化和不断增长的消费者群体的生物感官偏好，以作为我们的基准事实。为什么当前方法无法预测感官产品的消费者偏好当我们在 2015 年开始我们的研究时，我们假设所有关于葡萄酒风味的信息，例如味道、香气、质地和颜色，都存在于化学中。然而，缺乏的是一种更全面的分析方法。 为了解释这一限制，了解感官产品的化学主要集中在质量控制上是很重要的，例如，在这种混合物中有多少这种分析物？焦点通常不在于评估所有分析物、它们的相对比例或它们如何在人类口中结合以创造风味。这是我们需要阐明的盲点，因为人类口中同时发生着数百种化合物之间的动态相互作用。人类口中同时体验到一种“化学汤”的风味化合物，而不是像机器一样一次一个化合物。 通常，感官方法看起来像这样： 调查数据显示人们喜欢黄油。 二乙酰是典型地与黄油风味相关的化合物。 如果我们制作一款具有更多二乙酰的霞多丽葡萄酒，更多的人会喜欢它。 这种方法的核心问题。 仅凭化合物的量化无法预测风味。 一定浓度的二乙酰可能在一种葡萄酒或年份中被感知为黄油，但在另一种葡萄酒或年份中则不然。这是因为葡萄酒中有数百种其他化合物，根据它们的浓度和比例，二乙酰可能被掩盖或表达。与机器不同，人类同时体验所有化合物，它们的感官并不是单独分析每种化合物，因此任何单独的量化都不是必然的预测。   人类以不同的方式感知和传达风味。 即使在专家小组中，一半专家可能将某种风味描述为苹果味，另一半可能将其描述为梨味。普通消费者甚至更不可预测。根据我们的研究，我们不认为人类的味觉足够具体，可以通过语言从一个人传达给另一个人。我们的描述太模糊，我们的定义根据个人的生物学和文化经验而有所不同。例如，在美国，大多数消费者将苯甲醛的感知描述为“樱桃味”，但在欧洲，大多数消费者将其描述为“杏仁味”… 即使在同一款葡萄酒中也是如此。   消费者感知的风味与他们是否真正喜欢它无关。 在我们的研究中，我们观察到消费者不会因为葡萄酒尝起来像樱桃而决定购买它。他们只是判断他们喜欢这款葡萄酒，并且他们可能会再次喜欢它。 示例：这种缺乏理解并非仅限于葡萄酒行业。我们曾与世界上一些最大的风味和香气公司的高管和研究人员会面。其中一位高管描述了他最近在创造一款新的薰衣草巧克力项目中的沮丧。该公司花费了数百万美元召开和运行专注于消费者对巧克力、薰衣草和薰衣草巧克力有特定喜好的焦点小组。最终，结果是受访者同意这款巧克力是薰衣草味，但他们也同意他们不喜欢这种特定的薰衣草巧克力。 因此，我们得出结论，我们的研究应该集中在预测哪些化学矩阵消费者喜欢，以及喜欢的程度，而不是他们感知到的风味。我们的方法有何不同垃圾输入，垃圾输出。当谈到数据质量时，我们意识到一个有效的训练集不能从现有的商业或众包数据中生成。我们需要自己创建。 首先，我们需要一种化学方法，可以提供对葡萄酒中挥发性、非挥发性、溶解固体、光谱数据等精细平衡的可见性，以使其更容易被人类口腔理解。 经过多年的实验，我们开发了一种方法，可以为每个样本生成超过...