「タストリーがコンピューターに味覚を教える方法」

「コンピューターに味覚を教える方法：タストリーの取り組み」

Tastryが革新的な化学とAIを使用して消費者の好みを予測する方法。

私たちが解答したいと思った最初の問いは次のとおりでした。「感覚に基づく製品のユニークな味の行列や消費者のユニークな生物学的な好みを解読し、好みを正確に予測することができるのか？」 短い回答は「はい」です。

ただし、研究の初期段階では、既存の化学分析手法や既存の消費者の好みデータは、統計的に有意な相関や予測を提供していないことがわかりました。私たちは進歩を遂げるために独自のデータを作成する必要があると知っていました。

まず第一に、透明性を可能な限り提供する分析化学手法を作成する必要がありました（揮発性、非揮発性、溶解している物質、スペクトルデータなどを含む）。また、化学を口腔で人が体験するための近似方法へと変換できるように、味の行列を解読する必要もありました。

次に、大規模で多様な消費者の生物学的な感覚的好みを常に正確に取得し、拡充し、追跡する方法を作成する必要がありました。

• 省エネAI：ニューロモーフィックコンピュータとの新しい夜明け
• 適切なウェブサイト最適化でコンピューターサイエンスプログラムのランキングを付ける方法
• 言葉の解明：AIによる詩と文学の進化’ (Kotoba no kaimei AI ni yoru shi to bungaku no shinka)

なぜ現在の方法は感覚に基づく製品の消費者の好みを予測できないのか

2015年に研究を始めたとき、私たちはワインの味、つまり味、香り、テクスチャ、色について知りたいすべてが化学に存在するという仮説を持っていました。ただし、より包括的な分析方法が不足していました。

この制約を説明するためには、感覚に基づく製品の化学は主に品質管理に焦点が当てられていることが重要です。つまり、「この分析物はその混合物にどれだけ含まれているか？」ということです。通常のアプローチでは、すべての分析物、その相対比、および人間の口腔で味を作り出すためにどのように結合するかを評価することはありません。これは私たちが照らし出さなければならない盲点です。人間の口腔では数百の化合物の間で動的な相互作用が起きています。機械とは異なり、人間は一度にすべての化合物を経験しています。彼らの感覚は各化合物を個別に分析していませんので、任意の個別の定量値が必ずしも予測的ではありません。

　

1. 味は化合物の定量化だけでは予測できません。ある濃度のジアセチルは一つのワインやヴィンテージではバターとして知覚されるかもしれませんが、別のワインやヴィンテージではそうではありません。というのも、ワインには数百もの他の化合物が含まれており、それらの濃度と比率によって、ジアセチルはマスクされるか、または表現されるかが異なるからです。機械とは異なり、人間は一度にすべての化合物を経験していますので、個々の化合物を分析しながら味わっているわけではありません。したがって、個々の定量化値は必ずしも予測できるわけではありません。

　

1. 人間は味を異なる方法で知覚し、伝えます。専門家パネルでさえ、専門家の半数は何かをリンゴのように味わうと説明し、残りの半数は洋なしのように説明するかもしれません。そして、一般消費者はさらに予測できません。私たちの研究によれば、人間の味覚は他の人に単純に言葉だけで正確に伝えるには十分に具体的ではありません。私たちの記述はあいまいすぎ、定義は個人の生物学と文化的な経験に基づいて異なります。たとえば、アメリカのほとんどの消費者はベンズアルデヒドの知覚を「チェリー」と表現しますが、ヨーロッパのほとんどの消費者はそれを「マジパン」と表現します…同じワインでも。

　

1. 消費者が知覚する味は、好みかどうかとは関係ありません。私たちの研究では、消費者はワインがチェリーの味がするからといって購入するわけではありません。単純に、彼らはそのワインが好きだと判断し、それを再び好む可能性が高いと判断します。

例：この理解の欠如はワインセグメントに限ったものではありません。私たちは世界で最大のフレーバーやフレグランス会社の幹部や研究者と会ってきました。ある幹部は最近の新しいラベンダーチョコレートの開発プロジェクトについての彼の欲求不満を語っていました。この会社は何百万ドルもかけて、特にチョコレートが好きで、ラベンダーが好きで、ラベンダーチョコレートが好きな消費者を対象に、座って集まり、フォーカスグループを実施しました。結果的には、回答者はそれがラベンダーチョコレートだと認めましたが、その特定のラベンダーチョコレートは気に入らなかったと同意しました。

これらの洞察の結果、私たちは消費者が好む化学マトリックス、およびその程度を予測するために研究を重点的に行うべきであると結論付けました。それに対して、どの味覚を彼らが感じるかではなく。

私たちのアプローチの違い

ゴミを入れて、ゴミを出す。データの品質に関しては、既存の商業データやクラウドソーシングデータから有効なトレーニングセットを生成することはできないことに気づきました。私たちは自分たちで独自のセットを作成する必要がありました。

まず必要なものは、ワインの揮発性、不揮発性、溶解固形物、分光データなど、ワインの繊細なバランスを1つのスナップショットで可視化する化学的な手法でした。これにより、人間の味覚に関連付けやすくなります。

何年もの実験の結果、1つのサンプルあたり100万以上のデータポイントを生成する方法論が生まれました。この詳細で圧倒的な量のデータは、解析物質と解析物質群の比率に基づいて人間の知覚に関する情報を解読するために、私たちのデータサイエンスチームによって設計された機械学習アルゴリズムによって処理されます。

この方法の有効性を証明した後、私たちは世界中の何千ものワインの味覚マトリックスを分析し解読し、ワインの包括的な味覚マトリックスデータベースを開発しました。

消費者の好みと化学を関連付ける

次に、私たちは分析したワインを試飲し、評価することで、さまざまな消費者が好む味覚マトリックスを理解する必要がありました。長年にわたり、私たちは数千人の消費者を対象に定期的なブラインド試飲パネルを実施してきました。参加者には、ワイン初心者、一般的なワイン飲料者、専門家、ワイン製造者、ソムリエが含まれます。

クラウドソーシングシステムでは通常、重要なデータを見逃したり無視したりします。たとえば、パーカースケールでは、ほとんどの人は80pt未満のワインにスコアをつけません。しかし、私たちは消費者が好きなものよりも嫌いなものを嫌います。したがって、好み、特に否定的な好みの全容を把握することが重要です。

私たちは独自の機械学習を使用して、消費者がワインのさまざまな味覚マトリックスに対して持つユニークな好みを理解しました。これにより、彼らがまだ試飲していないワインに対する好みを正確に予測することができるようになりました。このプロセスで、個々のワインだけでなく、個々の好みも、その個性を指紋のように持っていることがわかりました。業界の通常の企業が行っているように、消費者やワインを正確にグループ化したり、共同フィルタリングしたりすることはできないとの結論に達しました。

例：2人の女性は同じ地理、文化、民族性、教育、収入、車、電話を共有し、両方がキム・クロフォード・ソーヴィニヨン・ブランを好きですが、一人はMorning Fog シャルドネが好きで、もう一人は嫌いです。確実な予測可能性は彼らの生物学的な味覚にあります。

このイノベーションをどのように拡大するか？

私たちが作成したものは素晴らしかったですが、試飲パネルはコストがかかり時間がかかります。21歳以上の2億4800万人のアメリカ人全員に対して、彼らが好むワインを理解するために年間試飲パネルを実施することは不可能です。

私たちは、大規模な試飲パネルに参加することや以前に試飲したワインの好みを表明することなく、消費者の好みを予測するという同じ効果を持つスケーラブルなツールを設計したかったのです。

私たちの解決策は、AIがワインと共通の化学的な側面を持つ簡単な食品を選ぶことでした。私たちの試飲パネルの回答者は、ワインとは直接関係のない食品と風味に関して数百の質問に答えました。例えば、「グリーンベルペッパーについてどう思いますか？」または「キノコについてどう思いますか？」などです。

これらの質問は、ワインの基礎となる化学物質の種類と比率に対応するものとしてTastryAIによって使用されました。私たち人間にはこれらの複雑な相関関係やパターンを解読または理解することはできませんが、機械学習が解決するのに適した問題です。

このデータを使用して、TastryAIはFood Preference Surveyへの回答に基づいて、消費者のワインに対する好みを予測する方法を学びました。その結果、消費者からワインに関連するデータを一切必要とせずに、彼らのワインへの好みを予測する能力が生まれました。

消費者の好みを理解するためにはどのくらいのデータが必要ですか？

私たちは、数百の食好みに関する質問から始めましたが、回答されるほど結果は正確になります。ただし、9〜12問の回答後には減少の効果があります。パレートの法則が働いており、最も効果的な食好みの質問は、消費者の味覚の約80％の理解を提供しています。

現時点では、赤ワインには通常10〜12問の調査があり、白ワイン、ロゼ、スパークリングワインにも10〜12問の調査があります。

これにより、拡張性のあるソリューションが可能になりました。私たちは数年前にさまざまなパイロットでローンチしましたので、今では多くの似たような風変わりなクイズがECサイトにあります。消費者がブラックベリーやコーヒーが好きかどうかの30秒のクイズを受けると、ワインのおすすめがもらえます。違いは、それらのクイズが多くの場合、テイスティングノートのフィルターであることです。つまり、ブラックベリーが好きなら、ダークフルーツのように味わえると説明されたワインが好きになるかもしれませんし、コーヒーが好きなら、引き締まった感じのするワインが好きになるかもしれません。しかし、私たちはそれらの説明がその人の味覚にとって正確であっても、その人がワインを好きかどうかを予測する力は持っていないことを学びました。ただただ魅力的で、消費者はクイズが好きです。

Tastryのおすすめは、ワインの風味マトリックスに関連しています。TastryAIはテイスティングノートのフィルターではなく、「ワインの中でキノコの香りや味が好きかどうか」とは尋ねません。代わりに、あなたの生物学的な味覚の好みに基づいて、好きな化合物と好きではない化合物の割合を理解しようとしています。各質問は多くの洞察力を提供します。なぜなら、各質問は他の質問と重なり合い、相互に影響しあうからです。したがって、キノコについて尋ねた後、次の質問は「グリーンベルペッパーの味についてどう思いますか？」となるかもしれません。AIは、例えば特定の比率で一般的にキノコの知覚に寄与する化合物が33種類あり、グリーンベルペッパーの味に寄与する化合物が22種類あることを知っているかもしれません。重要なことは、それらの化合物のいくつかは両方に存在するということです。もしキノコが大好きだけどグリーンベルペッパーが嫌いなら、AIは、あなたがいくつかの化合物を好きだとより自信を持ち、他の化合物を嫌いだとより自信を持ちます。そして重なる部分は特定の文脈に依存していると考えられます。

したがって、多次元ベン図を考えるとわかりやすいでしょう。AIは、他の化合物との組み合わせであなたがどの化合物を好み、どの化合物を嫌いなのか解明しようとしています。

そして、この好みの調査と消費者のフィードバックにより、私たちは世界中から匿名の味覚データを収集しています。ECサイトや大手小売店は、アプリ上でタストリークイズをローンチし、米国全体の消費者から数時間以内に数千の回答を得ることができます。私たちが取得する他の唯一のデータは、郵便番号です。私たちは郵便番号を使用して、収集した既知の消費者の味覚の地理的分布とその他のデータから派生したベイズリッジを適用し、米国内の2億以上の有望な味覚を予測します。この高度に改善されたデータセットを真実の情報源として使用し、市場、店舗、地域レベルでワインのパフォーマンスに関する予測を提供します。

Tastry仮想フォーカスグループ

ワインの分析、フレーバーマトリックスの解読、実際の味覚と仮想味覚の組み合わせに対する口当たりの評価を行った結果、AIは現在92.8％の正確性でワインの米国全体の消費者評価を予測しています。つまり、AIはワインの平均的な5つ星評価を、星の1/10単位の誤差範囲内で予測できます。

AIは消費者の好みの「仮想フォーカスグループ」として考えると最も簡単です。

ワイナリーは、ワインを作る前に、消費者がそれをどのように認識するかについてのシミュレーションを実行するためにTastryAIを使用します。卸売業者は、さまざまなワインのパフォーマンスが最も良い地域を特定するためにTastryAIを使用します。小売業者は、棚やオンラインでの商品の選択を最適化するためにTastryAIを使用します。そして消費者は、自分が好きではないワインを買うリスクを避けるためにTastryAIを使用します。

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