Cómo Tastry Enseñó a una Computadora a Saborear.

Cómo Tastry Enseñó a una Computadora a Degustar con Sabor.

Cómo Tastry utiliza la química novedosa y la inteligencia artificial para predecir las preferencias del consumidor.

Desde el principio, la pregunta que queríamos responder fue: “¿Podemos decodificar las matrices de sabor únicas de los productos basados en la percepción sensorial, y las preferencias biológicas únicas de los consumidores para predecir con precisión la aceptación?” La respuesta corta es sí.

Sin embargo, al principio de nuestra investigación encontramos que los métodos existentes de análisis químico y los datos existentes de preferencia del consumidor proporcionaban correlaciones o predicciones estadísticamente insignificantes. Sabíamos que tendríamos que crear nuestros propios datos para poder avanzar.

En primer lugar, necesitábamos crear un método de química analítica que proporcionara tanta transparencia a la química como fuera posible (incluyendo volátiles, no volátiles, disueltos, datos espectrales, y así sucesivamente). También necesitábamos decodificar la matriz de sabor de una manera que pudiera ser traducida para ayudar a aproximar cómo los humanos experimentan esa química en su paladar.

En segundo lugar, necesitábamos crear un método para obtener, aumentar y rastrear constantemente las preferencias sensoriales biológicas de un grupo grande, diverso y en constante crecimiento de consumidores reales, para que sirvieran como nuestra verdad absoluta.

• Guy Yehiav, Presidente de SmartSense de Digi – Serie de Entrevistas
• Anthony Goonetilleke, Presidente del Grupo, Tecnología y Jefe de Estrategia en Amdocs – Serie de Entrevistas
• Cómo crear una personalidad de ChatGPT para la estrategia empresarial

Por qué los métodos actuales no logran predecir las preferencias del consumidor en productos basados en la percepción sensorial

Cuando comenzamos nuestra investigación en 2015, teníamos la hipótesis de que todo lo que necesitas saber sobre el sabor del vino, es decir, el gusto, aroma, textura y color, existe en la química. Sin embargo, lo que faltaba era un método de análisis más completo.

Para explicar esta limitación, es importante entender que la química de los productos basados en la percepción sensorial se enfoca principalmente en el control de calidad, es decir, ¿cuánto de este analito hay en esa mezcla? El enfoque no suele ser evaluar todos los analitos, sus proporciones relativas o cómo se combinan en el paladar humano para crear sabor. Este es el punto ciego que necesitábamos iluminar, porque existen interacciones dinámicas entre cientos de compuestos en un paladar humano. Un paladar humano experimenta una “sopa química” de compuestos de sabor al mismo tiempo, no un compuesto a la vez como lo hace una máquina. Las interacciones entre estos múltiples compuestos en combinación con la biología única de cada consumidor, proporcionan un contexto crítico sobre qué características de la química se expresan a esa persona.

En la medida en que se tenga en cuenta la percepción sensorial, simplemente dicho, el enfoque típico es el siguiente:

• Los datos de encuestas muestran que a la gente le gusta la mantequilla.
• La diacetil es un compuesto típicamente asociado con el sabor de la mantequilla.
• Si hacemos un chardonnay con más diacetil, a más personas les gustará.

Problemas principales con este enfoque.

1. El sabor no puede ser predicho solo con la cuantificación de compuestos. Una determinada concentración de diacetil puede ser percibida como mantequilla en un vino o añada, pero no en otro. Esto se debe a que hay cientos de otros compuestos en el vino, y dependiendo de sus concentraciones y proporciones, el diacetil podría estar enmascarado o expresado. A diferencia de una máquina, los humanos experimentan todos los compuestos a la vez, sus sentidos no analizan cada compuesto individualmente, por lo tanto, cualquier cuantificación individual no necesariamente es predictiva.

1. Los humanos perciben y comunican los sabores de manera diferente. Incluso entre un panel de expertos, la mitad podría describir algo como sabiendo a manzana, y la otra mitad podría describirlo como pera. Y el consumidor promedio es aún menos predecible. Por nuestra investigación, no creemos que el gusto humano sea lo suficientemente tangible como para ser comunicado con precisión simplemente a través del lenguaje de una persona a otra. Nuestros descriptores son demasiado vagos, y nuestras definiciones varían según la biología individual y las experiencias culturales. Por ejemplo, en los Estados Unidos, la mayoría de los consumidores describen la percepción de benzaldehído como “cereza”, pero la mayoría de los consumidores en Europa la describen como “mazapán”, incluso en el mismo vino.

1. Los sabores que los consumidores perciben no tienen correlación con si les gusta o no. En nuestra investigación se observa que los consumidores no deciden comprar un vino porque sabe a cereza. Simplemente hacen el juicio de que les gustó el vino y es probable que les guste de nuevo.

Ejemplo: Esta falta de comprensión no es única del segmento del vino. Nos hemos reunido con ejecutivos e investigadores de algunas de las mayores empresas de sabores y fragancias del mundo. Un ejecutivo describió su frustración con un proyecto reciente para crear un nuevo chocolate de lavanda. Esta empresa gastó millones de dólares reuniendo y llevando a cabo grupos de enfoque con consumidores que específicamente amaban el chocolate, amaban la lavanda y amaban el chocolate de lavanda. En última instancia, los resultados fueron que los encuestados estuvieron de acuerdo en que era chocolate de lavanda, pero también estuvieron de acuerdo en que no les gustó ese chocolate de lavanda en particular.

Como resultado de estas ideas, llegamos a la conclusión de que deberíamos enfocar nuestra investigación en predecir qué matrices de química les gustaban a los consumidores y en qué medida, en lugar de los sabores que percibían.

Cómo es diferente nuestro enfoque

Basura entra, basura sale. Cuando se trata de la calidad de los datos, nos dimos cuenta de que no se podía generar un conjunto de entrenamiento válido a partir de datos comerciales o de crowdsourcing existentes. Tendríamos que crear los nuestros, internamente.

Lo primero que necesitábamos era un método químico que proporcionara visibilidad sobre el delicado equilibrio de los volátiles, no volátiles, sólidos disueltos, datos espectrales, etc., de un vino en una sola instantánea, para que fuera más comprensible para el paladar humano.

Años de experimentación dieron como resultado una metodología que genera más de 1 millón de puntos de datos por muestra. Esta cantidad granular y abrumadora de datos es luego procesada por algoritmos de aprendizaje automático diseñados por nuestro equipo de ciencia de datos para descifrar las interdependencias que informan la percepción humana basada en las proporciones de los analitos y grupos de analitos.

Una vez que demostramos la eficacia de este método, comenzamos a analizar y descifrar la matriz de sabores de miles de vinos en todo el mundo y desde entonces hemos desarrollado una completa base de datos de matrices de sabores en el mundo del vino.

Relacionar las preferencias del consumidor con la química

A continuación, tuvimos que entender qué matrices de sabores preferían varios consumidores haciéndolos probar y calificar los vinos que habíamos analizado. A lo largo de los años, hemos realizado paneles de cata a ciegas regulares con miles de consumidores, cada uno probando docenas o cientos de vinos a lo largo del tiempo. Los encuestados incluyen tanto nuevos en el mundo del vino como bebedores habituales, expertos, enólogos y sumilleres.

Los sistemas de crowdsourcing suelen pasar por alto o ignorar datos críticos. Por ejemplo, en la escala Parker, la mayoría de las personas ni siquiera calificarán un vino por debajo del rango de 80pt. Pero hemos aprendido que a los consumidores no les gusta lo que no les gusta más que lo que les gusta. Por lo tanto, es fundamental tener una imagen completa de las preferencias, especialmente las preferencias negativas.

Utilizamos nuestro novedoso aprendizaje automático para comprender las preferencias únicas de los consumidores en cuanto a diversos tipos de matrices de sabores en el vino. Con el tiempo, esto nos permitió predecir con precisión sus preferencias para vinos que aún no habían probado. Durante este proceso, también aprendimos que los vinos individuales, al igual que las preferencias individuales, son casi únicos como huellas dactilares en su singularidad. Llegamos a la conclusión de que, en contra de las prácticas habituales de la industria, los consumidores y los vinos no pueden agruparse con precisión ni filtrarse de manera colaborativa en generalizaciones.

Ejemplo: Dos mujeres pueden compartir la misma geografía, cultura, etnia, educación, ingresos, automóvil, teléfono y ambas pueden amar el Sauvignon Blanc de Kim Crawford; pero una puede amar el chardonnay Morning Fog y la otra puede odiarlo. La única visibilidad predictiva confiable radica en su paladar biológico.

Cómo escalar esta innovación

Lo que habíamos creado era genial, pero los paneles de cata son costosos y requieren mucho tiempo. Sería imposible realizar un panel de cata anual de los 248 millones de estadounidenses mayores de 21 años para entender qué vinos les gustarán.

Queríamos diseñar una herramienta escalable que tuviera la misma eficacia para predecir las preferencias de un consumidor sin requerir su participación en paneles de cata o expresando sus preferencias por un gran conjunto de vinos previamente probados.

Nuestra solución fue que la IA seleccionara alimentos simples que compartieran aspectos de su química con los vinos en un surtido. Los encuestados en nuestros paneles de cata respondieron varias cientos de preguntas sobre sus preferencias de alimentos y sabores que no están directamente relacionados con el vino, como por ejemplo: “¿Qué piensas de los pimientos verdes?” o “¿Qué piensas de los champiñones?”

Estas preguntas fueron utilizadas por TastryAI como análogos a los tipos y proporciones de compuestos que se encuentran comúnmente en la química subyacente del vino. Como humanos, no podemos descifrar ni entender estas correlaciones y patrones complejos, pero resulta que resolver estas complicadas relaciones es un excelente problema para que lo resuelva el aprendizaje automático.

Con estos datos, TastryAI aprendió a predecir la preferencia de un consumidor por el vino en función de sus respuestas a la Encuesta de Preferencia Alimentaria. Lo que resultó fue nuestra capacidad para eliminar la necesidad de cualquier dato específico de vinos de un consumidor para predecir su preferencia por el vino.

¿Cuántos datos necesitamos para entender la preferencia del consumidor?

Aunque comenzamos con cientos de preguntas sobre preferencias alimentarias, cuanto más se respondan, más precisos serán los resultados, pero hay rendimientos decrecientes después de 9-12 preguntas. Con el principio de Pareto en acción, las mejores preguntas sobre preferencias alimentarias proporcionaron aproximadamente un 80% de comprensión del paladar del consumidor.

A partir de hoy, normalmente hay una encuesta de 10-12 preguntas para vinos tintos, y otra encuesta de 10-12 preguntas para vinos blancos, rosados ​​y espumosos.

Esto permitió una solución escalable. Desde que lanzamos varios pilotos hace años, ahora hay muchos cuestionarios similares con apariencia caprichosa en sitios de comercio electrónico. Un consumidor realiza un cuestionario de 30 segundos sobre si le gustan las moras o el café, y se le recompensa con recomendaciones de vinos. La diferencia es que esos cuestionarios son en su mayoría filtros de notas de cata, es decir, si te gustan las moras te gustará un vino descrito por alguien como que sabe a frutas oscuras, o si te gusta el café te gustará un vino descrito por alguien como astringente. Pero hemos aprendido que si esas descripciones son precisas para el paladar de esa persona, no tiene poder predictivo sobre si les gustará el vino; pero es atractivo, a los consumidores les gustan los cuestionarios.

Las recomendaciones de Tastry están vinculadas a la matriz de sabores del vino. TastryAI no es un filtro de notas de cata, no está preguntando si te gusta el aroma o sabor de los champiñones en tu vino, está tratando de entender las proporciones de compuestos que te gustan o no te gustan basado en tus preferencias biológicas de paladar. Cada pregunta proporciona muchas capas de conocimiento porque cada pregunta se superpone y se alimenta de otras preguntas. Entonces, después de preguntar sobre los champiñones, tal vez la siguiente pregunta sea “¿Qué opinas del sabor del pimiento verde?” El AI puede saber que hay, por ejemplo, 33 compuestos en una proporción dada que generalmente son responsables de la percepción de los champiñones, y 22 compuestos generalmente responsables del sabor del pimiento verde, – pero importantemente algunos de esos compuestos existen en ambos. Si dices que amas los champiñones pero odias el pimiento verde, entonces el AI tiene más confianza en que te gustan algunos compuestos, más confianza en que no te gustan otros compuestos, y aquellos que se superponen probablemente sean contextuales.

Entonces, puedes imaginar una especie de diagrama de Venn multidimensional, donde el AI está descubriendo qué compuestos te gustan o no te gustan en combinación con otros compuestos.

Y con esta encuesta de preferencias de sabor, y la retroalimentación del consumidor, recopilamos datos de paladar anonimizados de todo el mundo. Un sitio de comercio electrónico o un minorista grande puede lanzar el Quiz de Tastry en la aplicación y recibir miles de respuestas en cuestión de horas de consumidores de todo Estados Unidos. Los únicos otros datos que adquirimos son los códigos postales. Utilizamos el código postal para aplicar una derivación de una ridge de Bayes, que toma la distribución geográfica de los paladares de los consumidores conocidos que recopilamos y monitoreamos, y otros datos, y predice el resto de los más de 200 millones de paladares viables en Estados Unidos. Utilizamos este conjunto de datos mejorado como fuente de verdad y para proporcionar predicciones sobre cómo funcionarán los vinos en un mercado a nivel de tienda, local o regional.

Tastry Virtual Focus Group

Al analizar un vino, decodificar su matriz de sabores y evaluar su palatabilidad en combinación con paladares reales y virtuales, la IA tiene actualmente una precisión del 92.8% al predecir la calificación agregada del consumidor estadounidense para el vino. En otras palabras, la IA puede predecir la calificación promedio de 5 estrellas para un vino con una precisión de +/- 1/10 de estrella.

Es más fácil pensar en la IA como un “Grupo de Enfoque Virtual” de preferencias del consumidor.

Las bodegas utilizan TastryAI para realizar simulaciones sobre cómo los consumidores percibirán su vino, incluso antes de invertir años y millones de dólares en su producción. Los mayoristas utilizan TastryAI para determinar las regiones en las que varios vinos funcionarán mejor. Los minoristas utilizan TastryAI para optimizar su surtido en las estanterías y en línea. Y los consumidores utilizan TastryAI para evitar el riesgo de comprar un vino que no les gustará.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!