В последние несколько лет использование искусственного интеллекта (ИИ) резко возросло. Когда я пишу это в конце весны 2018 года, ИИ уже каким-то образом вплетен практически во все аспекты современной жизни, и приложения (и их потенциал) становятся все больше с каждым кварталом.

Итак, что именно мы можем получить от использования ИИ?

Компании часто обращаются к ИИ для следующих действий:

  • Глубокое понимание сложных наборов данных, выявление новых тенденций или смысла в данных; позволяют доработать или оптимизировать процессы способами, которые сложно или невозможно без помощи машинного обучения.
  • Замените некоторую долю ручного вмешательства человека в бизнес-деятельности эквивалентной помощью алгоритмов искусственного интеллекта. Часто цель этого состоит в том, чтобы снизить долгосрочные эксплуатационные расходы за счет устранения неквалифицированных должностей или повысить эффективность и производительность человеческого труда за счет усовершенствования процессов на основе искусственного интеллекта.
  • Повышение эффективности продаж и маркетинга за счет использования рекомендаций на основе искусственного интеллекта для продуктов, услуг и контента.

Конечные пользователи преследуют схожие цели:

  • Снизьте потребность в ручном труде при выполнении повседневных задач, которые скучны или утомительны.
  • Покажите им больше того, что им нравится на основе того, что им уже понравилось, чтобы им было легче находить то, что им нравится (например, фильмы, книги, игры, рестораны, потребительские товары).
  • Сделайте их жизнь проще и сделайте их время более продуктивным.

В общем, мы обращаемся к ИИ, чтобы сделать себя лучше, чем мы есть, в каком-то смысле. Это может означать, что мы становимся умнее (обрабатываем большие наборы данных, делаем выводы из разнообразных данных), увеличиваем нашу рабочую / долговременную память (избавляемся от механического запоминания, позволяя нам сосредоточиться о применении элементов в памяти), предоставляя неизвестную в противном случае информацию, которая позволяет нам настроить фокус и стать более эффективными в наших основных навыках (работа, хобби) и т. д.

Конечно, это еще не все, но я думаю, что это достойная отправная точка для разговора на высоком уровне.

С моей точки зрения, работая в электронной коммерции, я заметил огромное увеличение количества моделей для рекомендаций на основе ИИ: для потребительских товаров, для привлечения потенциальных клиентов и для маркетингового контента. Здесь я сосредоточусь в первую очередь на рекомендациях в отношении потребительских товаров, в частности продуктов питания (потому что я думаю, что потенциал в этой области особенно интересен, а также потому, что еда и вопросы вкуса, как известно, носят субъективный характер, что делает «взлом кода» еще более заманчивым).

Для начала давайте заложим небольшой фундамент для технологии, которую мы обсуждаем (извинения перед специалистами по обработке данных, чью работу я сильно упрощаю). Под капотом рекомендации ИИ часто основываются на следующей прогрессии:

  1. Определите релевантные поддающиеся количественной оценке атрибуты объекта
  • Они могут быть внутренними для объекта (например, рекомендованная производителем розничная цена продукта) или отражать внешнее взаимодействие с ним (например, количество единиц, проданных за последние 24 часа).
  • Атрибуты могут присутствовать в системе, генерирующей рекомендации, или в системе, интегрированной с ней (например, платформы цифровой торговли, системы управления заказами); или они могут быть переданы в систему из внешних источников, чтобы укрепить уже существующую или минимально существующую модель данных.

2. Определите один или несколько из тех атрибутов, которые могут использоваться в качестве прямого или косвенного показателя человеческого предпочтения или предвзятости выбора (или, более абстрактно, просто положительного согласования - как в дополнительных парах ингредиентов, замеченных в рецептах)

  • Например, предпочтение продуктов с более высокой рекомендованной розничной ценой часто напрямую коррелирует с доходом и участием в пространстве предметов роскоши - таким образом, во многих товарных категориях (например, одежда, обувь) более дорогой продукт с большей вероятностью будет предметом роскоши.

3. Определите другие объекты, которые имеют аналогичный набор атрибутов (или чьи атрибуты могут быть сопоставлены с исходным объектом некоторым полезным способом), и представьте их покупателю на рассмотрение.

  • Часто это делается в форме прямых рекомендаций («Выбор только для вас») или выбора продукта в цифровой рекламе. Количество атрибутов, включенных в модель рекомендации, варьируется в зависимости от сложности сценария рекомендации.

4. Оцените взаимодействие клиента с рекомендованными объектами и используйте эти данные о взаимодействии для дальнейшего уточнения модели.

  • Положительное взаимодействие (например, клики, добавление в корзину, покупка) укрепляет или «ужесточает» отношения, в то время как отрицательное или отсутствующее взаимодействие (например, отказ от просмотра или оформления заказа, отсутствие кликов) указывает на необходимость оценки альтернатив, чтобы лучше определить более точную рекомендацию.

По мере развития моделей рекомендаций ИИ их сложность, специфичность и изощренность возрастали. Я думаю, что здесь есть три отдельные группы, которые легко обнаружить в современном ИИ:

  1. Глобальный: рекомендуйте объекты, которые лучше всего представлены в сумме всех положительных взаимодействий (например, наибольшее количество покупок, наибольшее количество просмотров, наибольший доход) среди всех людей.
  • Сопоставления выполняются на уровне совокупных данных о товарах и отдельных лицах.

2. Когорта: рекомендуйте объекты, которые лучше всего воспринимаются людьми, имеющими одну или несколько общих черт (например, географическое положение, тип устройства, демографическая группа).

  • Сопоставления по-прежнему выполняются на основе совокупных данных, но пулы меньше и точнее.

3. Отдельное лицо: рекомендуйте организации, которые соответствуют предпочтениям отдельного человека, исходя из его поведения в прошлом или предоставленной информации.

  • Соответствия основаны на однозначной корреляции.

Все чаще мы также наблюдаем рост в четвертой фазе:

4. Совместное: опираясь на индивидуальность, на этом этапе человек осведомлен (в разной степени) о присутствии ИИ (возможно, даже в определенной степени о его механизмах). Они могут взаимодействовать с ИИ и напрямую влиять на свою прогнозную модель.

Это не означает, что это строго линейная эволюция и что весь ИИ стремится к все более изощренному таргетингу (хотя, безусловно, в этом направлении есть сильный толчок). Современные алгоритмы искусственного интеллекта часто сочетают эти методы, создавая бесшовную модель рекомендаций, которая способна заострить внимание при построении набора данных. Часто глобальные рекомендации создают основу, превращаясь в когортные рекомендации по мере того, как аудитория становится более определенной, при этом модель постепенно приближается к индивидуальной рекомендации по мере того, как целевой пользователь попадает в фокус.

Кроме того, обратите внимание, что приведенная выше схема в первую очередь относится к рекомендациям, адресованным непосредственно конечным пользователям. Результаты рекомендаций AI могут быть (и часто используются) совместно с другими алгоритмами AI, чтобы обеспечить еще более глубокое машинное обучение, прежде чем в конечном итоге предоставить результат пользователю для использования или действия. Это взаимодействие машины, обучения и машины может потенциально проходить на многих уровнях, и потенциальные результаты будут расти экспоненциально по мере расширения области применения реляционной модели данных.

В конечном счете, я думаю, что самое захватывающее в рекомендациях ИИ - это то, что они не зависят от предмета. Неважно, продаете ли вы хозяйственное мыло, бытовую электронику или колбасы - искусственный интеллект может дать более глубокое понимание вашего мира и стратегий, которые вы используете.

Итак, что ИИ может узнать о еде?

Во-первых, я думаю, что нам нужно дать определение «еде» - потому что я думаю, что это намного больше, чем просто еда, которую мы потребляем, или продукты, которые мы покупаем (хотя это, безусловно, большая часть). «Еда» - это то, чем мы занимаемся. Это часть того, что делает нас людьми; он служит отличительным признаком человеческого опыта. Он обеспечивает культурный контекст и говорит о социальной стратификации. Итак, если мы сможем научить ИИ «добывать» еду, я думаю, мы сделаем большой шаг к тому, чтобы сделать ИИ более полезным для нас как общества (возможно, сделав ИИ более «человечным» в процессе »).

Для целей этого исследования я собираюсь определить «пищу» как набор групп, включающих (но, конечно, не ограничиваясь) следующие:

  • Основные ингредиенты: как правило, однокомпонентные или минимально обработанные (условно говоря) пищевые продукты. Фрукты, овощи, зерно, зелень, специи, мясо, молочные продукты, яйца и т. Д. Кроме того, синтезированные или изолированные компоненты, такие как красители, ароматические экстракты, стабилизаторы, консерванты, эмульгаторы и т. Д., Могут быть легко доступны потребителю сами по себе или могут использоваться только в качестве компонентов готовых пищевых продуктов.
  • Составные ингредиенты. Это продукты питания, состоящие из двух или более основных ингредиентов. Они могут рассматриваться как «рецепты» или потребительские товары сами по себе, но также часто служат ингредиентами в более сложных рецептах (будь то домашние продукты или промышленные потребительские товары. Примеры включают смеси трав и специй, а также приправленные и упакованные овощи / крахмалы / мясо.
  • Потребительские пищевые продукты. Они создаются с использованием комбинации основных и сложных ингредиентов и включают приправы, соусы, готовые продукты и гарниры, хлеб и другую выпечку и т. д.
  • Рецепты. В отличие от сложных ингредиентов и потребительских пищевых продуктов (которые также являются в самом строгом смысле «рецептами»), это части инструктивного содержания, указывающие потребителю способы производства готового блюда с использованием набора Основные ингредиенты, составные ингредиенты и потребительские продукты питания. С другой стороны, они являются законченным результатом указанного содержания.
  • Предложения ресторанов: это рецепты, но они различаются по своему присутствию в меню коммерческих ресторанов (поэтому между этой группой и большей группой рецептов есть много общего).
  • Региональные кухни и тенденции: более широкие группы, которые передают происхождение и контекст пищевых продуктов в целом. Их можно идентифицировать по географическому региону, демографической группе, месту во времени и т. Д.

Итак, какую информацию мы можем получить из еды? В огромных количествах. Вот лишь несколько высокоуровневых атрибутов, которые мы можем назначить каждому из вышеперечисленных (конечно, их гораздо больше, включая производные атрибуты и выводы, основанные на кластерах атрибутов):

Атрибуты основных ингредиентов:

  • Классификация ингредиентов (категория)
  • Данные о питании
  • Примечания к дегустации
  • Статус аллергена
  • Регион (ы) происхождения
  • Средняя цена за фунт
  • Количество производителей ингредиента

Поведение, направленное на основные ингредиенты:

  • Объем поиска по ингредиенту
  • Единиц, приобретенных за период времени
  • Уровень включения в составные ингредиенты, потребительские товары, рецепты, предложения ресторанов

Атрибуты составных ингредиентов:

  • Классификация ингредиентов (категория)
  • Данные о питании
  • Дегустационные примечания (как полученные из ингредиентов, так и из-за приготовления)
  • Статус аллергена
  • Основные ингредиенты и составные ингредиенты, содержащиеся в списке ингредиентов
  • Регион (ы) происхождения
  • Средняя цена за фунт
  • Количество производителей ингредиента

Поведение, направленное на составные ингредиенты:

  • Общий объем поиска по ингредиенту
  • Единиц, приобретенных за период времени
  • Уровень включения в потребительские товары, рецепты, предложения ресторанов

Атрибуты потребительских пищевых продуктов:

  • Классификация продукции (категория)
  • Данные о питании
  • Дегустационные примечания (как полученные из ингредиентов, так и из-за приготовления)
  • Статус аллергена
  • Основные ингредиенты и составные ингредиенты, содержащиеся в списке ингредиентов
  • Регион (ы) происхождения
  • Средняя цена за фунт
  • Количество производителей пищевых продуктов или аналогичных

Поведение, направленное на потребительские продукты питания:

  • Объем поиска по продукту
  • Единиц, приобретенных за период времени
  • Уровень включения в другие потребительские товары, рецепты, предложения ресторанов

Атрибуты рецептов:

  • Тип кухни (регион, культура, классификация)
  • Повод (тип еды, мероприятие)
  • Относительная сложность (количество ингредиентов, время приготовления, необходимое оборудование)
  • Основные ингредиенты, составные ингредиенты, потребительские пищевые продукты, содержащиеся в списке ингредиентов
  • Дегустационные примечания (как полученные из ингредиентов, так и из-за приготовления)
  • Средняя цена за порцию
  • Количество публикаций (веб-сайтов, книг и т. Д.), Предлагающих рецепт или аналогичный

Атрибуты ресторанных предложений:

  • Тип кухни (регион, культура, классификация)
  • Повод (тип еды, мероприятие)
  • Относительная сложность (количество ингредиентов, время приготовления, необходимое оборудование)
  • Основные ингредиенты, составные ингредиенты, потребительские пищевые продукты, содержащиеся в списке ингредиентов
  • Дегустационные примечания (как полученные из ингредиентов, так и из-за приготовления)
  • Средняя цена за порцию
  • Географическое распределение ресторанов, предлагающих блюдо или подобное

Между вышеупомянутыми группировками есть немаловажное совпадение. Например, взбитая кукуруза - это сложный ингредиент, потребительский продукт или рецепт? Имеет ли значение, куплен ли он в банке или приготовлен на плите по инструкции? Очевидно, что некоторые продукты питания могут соответствовать нескольким классификациям - и очевидно, что элементы рекурсии присутствуют на каждом уровне (например, сколько составных ингредиентов состоит из других составных ингредиентов? Сколько рецептов используется в качестве ингредиентов в других, более сложных рецептах?) .

Итак, что мог сделать ИИ со всей этой информацией?

Честно говоря, что нельзя с этим поделать? Рассмотрим следующие потенциальные приложения (некоторые из которых уже используются в той или иной степени в отрасли):

Определите сезонность для ингредиентов, продуктов и рецептов, проанализировав исторические данные об объеме поиска / тенденциях (как из поисковых систем, таких как Google, так и из данных поиска на сайте, специфичных для компании, внедряющей ИИ). Со стороны коммерции это можно было бы использовать как весовой коэффициент для механизма рекомендаций. Говоря более абстрактно, его можно использовать для планирования меню или для принятия решений о закупках / инвентаризации для ресторанов.

Прогнозируйте возникающие, убывающие и стабильные тенденции в сочетаниях продуктов и ингредиентов на основе совпадения при поиске, совместного присутствия в списках ингредиентов в других продуктах и ​​совместного присутствия в рецептах. Это может быть использовано для информирования рекомендаций по продуктам («вас также может заинтересовать») или, более подробно, в качестве инструмента для формирования идей для групп разработки продуктов и рецептов (даже с учетом скользящего фактора «риска» на основе текущих данных о тенденциях и более крупных прогнозов. для окончательной формы тренда).

Создайте базовую группу «основ» рецептов, проанализировав данные об ингредиентах, которые обычно встречаются вместе в списках ингредиентов; собрать «кластеры» из этих групп ингредиентов и использовать их для прогнозирования основных концепций / конфигураций приготовления (заправка, суспензия, винегрет и т. д.)

Предлагайте возможности для новых продуктов или рецептов, определяя пары, которые необычны или не видны в извлеченных данных. Дегустационные заметки могут добавить дополнительный уровень ценности, позволяя пользователю фильтровать рекомендации на основе рассчитанного баланса вкусов, потенциально сложных комбинаций и т. Д.

Подавайте рекомендации по продуктам с учетом их относительной экзотики / местности. При рекурсивном применении к составным продуктам и ингредиентам рецептов это может быть использовано для определения гиперлокальных кухонь, разнообразных предложений слияния и т. Д.

Определите тенденции исключения ингредиентов в поведении клиентов, которые могут указывать на пищевую аллергию, непереносимость или другие диетические ограничения. Подобные возникающие модели могут служить показателями предпочтений в отношении продуктов с «чистой» этикеткой, предпочтений в отношении искусственных красителей или ароматизаторов и т.д. , в отношении лояльного покупателя сетевой кофейни), данные могут быть использованы для того, чтобы предоставить персоналу упреждающее представление о том, какие продукты они должны / не должны рекомендовать.

Используйте данные о питании, чтобы спрогнозировать предпочтения клиентов в отношении относительных уровней (или чувствительности к их присутствию) соли, сахара, жира и т. д. Предложите альтернативные ингредиенты или замену продуктов (молча или открыто), которые лучше подходят предвзятость потребителя в отношении питания.

Предложите возможные замены ингредиентов и альтернативные рецептуры для рецептов / продуктов, указав ингредиенты-кандидаты на замену, выбрав ингредиенты с правильными вкусовыми профилями в соответствии с тем, что они заменяют, и отфильтровав другие критерии в зависимости от желаемый результат. Например, можно заменить базилик в рецепте песто на другой более местный ингредиент с более высокой оценкой новизны и аналогичной ценой. Или определение обмена ключевыми ингредиентами, которые могут превратить обычный продукт в продукт с роскошью, за счет включения дорогостоящего ингредиента, который в настоящее время имеет высокий тренд.

Выявление потенциальных пробелов в формулировках продуктов или рецептов на основе совокупных / средних данных, полученных для других аналогичных продуктов или рецептов. Проще говоря, это может включать определение того, что большинство чатни, представленных на рынке, содержат Х видов фруктов, а ваш - Х-1; есть ли возможность сделать рецепт более эффективным за счет добавления дополнительных фруктов? В конце концов, данные о питании всех компонентов рецепта могут быть скомпилированы и использованы для определения того, что ваш конкретный состав содержит меньше сахара и соли, чем большинство конкурентов. Если бы это не было преднамеренной разницей, можно ли было бы улучшить продукт, добавив дополнительный источник сахара и соли?

Предоставлять рекомендации по повышению эффективности и экономии затрат в рецептурах продуктов или рецептов, определяя более дешевые эквиваленты текущих ингредиентов; определение составных ингредиентов, которые могут заменить несколько основных ингредиентов для снижения затрат на рабочую силу и / или материалы. Например, замена нескольких специй смесью специй приемлемого качества.

Нарисуйте тенденции между временем дня / дня недели / сезона, когда клиент ищет рецепты и продукты, рецептами и продуктами, которые он в конечном итоге использует или покупает, и временем приема пищи / события / сезона для этих рецептов. или продукты, которые наиболее прочно связаны с. Внесите эти тенденции обратно в механизм рекомендаций, возможно, совместив их с географическим положением клиента, и используйте результат для предоставления им более убедительных рекомендаций, когда они вернутся. Например: если клиент просматривает продукты, которые часто используются для приготовления сложных рецептов ужина (которые обычно подаются в субботу или воскресенье в их месте) во вторник, дайте ему рекомендации по идеям для воскресного ужина, когда они вернутся в следующий вторник. .

Определите курсы повышения квалификации, общие для клиентов, которые были успешно подготовлены к увеличению частоты покупок, средней стоимости заказа, привязанности к предложениям премиальных продуктов и т. д. Используйте их как основу для долгосрочных стратегий рекомендаций, направленных на улучшение темпы роста и удержания клиентов, настраивая выбор продуктов в соответствии с предпочтениями конкретного клиента.

Возможности ограничиваются только глубиной (и согласованностью) модели данных, количеством надежных источников, из которых можно извлечь данные, а также возможностями для уточнения и подкрепления на основе живого человеческого взаимодействия с рекомендациями, выработанными моделью. И, конечно же, благодаря вашей способности точно определить, что эта модель должна делать. По этой причине успешный инструмент, вероятно, предоставит возможность для высокой степени начального машинного обучения, обнаружения и обучения алгоритма, прежде чем его можно будет развернуть.

Кому будет полезна такая модель?

Команды разработки продуктов:

  • Выявление сильных сезонных тенденций, появляющихся ингредиентов и сочетаний, прогнозируемого роста интереса к трендовым ингредиентам, оптимального времени для представления продукта.
  • Предлагайте возможности повышения прибыльности или эффективности продуктов за счет обмена ингредиентами, перехода к другим поставщикам с более низкими ценами и т. Д.
  • Выделите возможности для улучшения или стандартизации рецептурных рецептов путем введения ингредиентов с целью устранения отклонений от среднего аналогичного продукта.

Интернет-магазины:

  • Нарисуйте тенденции, представляющие общие пути к идеальным этапам пути клиента; вплетать эти пути в основу всех рекомендаций, предоставляемых клиенту, исходя из их текущего положения в пути клиента.
  • Выявление совместных покупок, покупок взамен и продуктов, которые являются сильными предикторами отказа от покупки; используйте рекомендации, поиск и сортировку, чтобы соответственно подтолкнуть клиентов к этим продуктам или от них.
  • Определить покупательскую симпатию к различным ценовым категориям, вкусовым характеристикам, статистике питания и другим характеристикам пищевого продукта; адаптировать свой опыт работы на объекте к этим продуктам, регулярно внедряя продукты, которые не соответствуют модели, чтобы оценить успех или неудачу алгоритма прогнозирования.

Планировщики меню / повара:

  • Выявление новых и устоявшихся рецептов с высокой воспринимаемой ценностью; выявить возможности для обмена ингредиентами, чтобы создать оригинальное предложение, сохраняющее привлекательность «классического» продукта в текущем тренде.
  • Оптимизируйте составление меню, закупку ингредиентов и эффективность кухни с помощью ИИ, чтобы определить разнообразный выбор рецептов с высокой прогностической ценностью для успеха, в которых используется как можно больше ингредиентов - с целью минимизации отходов и повышения прибыльности.
  • Выделите убыточные или малоприбыльные блюда и дайте рекомендации по замене ингредиентов для увеличения прибыльности; выделить высокоприбыльные блюда с возможностью получения дополнительной прибыли при небольшом снижении цены для поддержания конкурентоспособности с другими ресторанами.

Работники общественного питания:

  • Выявление клиентов, у которых (на основании прошлого покупательского поведения) вероятна пищевая аллергия, специальная диета или другие уникальные особенности; Используйте эти данные для прогнозирования рекомендаций по продуктам, которые учитывают конкретные потребности клиентов.
  • Получить представление о предпочтениях потребителей в отношении пищевой ценности (например, жира, соли, сахара) на основе прошлых покупок; используйте это понимание, чтобы адаптировать рекомендуемые пункты меню к потребителю.
  • Используйте данные о смене ингредиентов в рецептах, чтобы рекомендовать корректировки блюд на основе запросов клиентов, предлагать альтернативы элементам меню, которые недоступны или не подходят клиенту.

Доступны ли данные в настоящее время?

В разной степени многое из вышеперечисленного доступно сегодня. Некоторые из них относительно легко найти (например, данные о тенденциях поиска, данные о продуктах, полученные из собственных внутренних систем производителя); некоторые существуют, но их «беспорядочно» собирать (например, данные рецептов, которые необходимо извлечь из нескольких источников с несовместимой или потенциально несуществующей схемой / метаданными, чтобы помочь в классификации); другие данные доступны в коммерческих отраслевых базах данных (например, в базе данных Genesis R&D); другие данные недоступны или в основном неполны, и их необходимо вводить вручную, чтобы создать исчерпывающий набор данных.

Итак, мы еще не совсем там. Но это обретает форму, и я думаю, что в ближайшие несколько лет (если не раньше) мы увидим намного больше из вышеперечисленного.

Заключительные мысли

Я хочу закончить это на творческой ноте - может быть, даже на причудливой - потому что именно это и нравится моему мозгу, когда я думаю об этом.

Каким он будет, когда появится первый по-настоящему великий искусственный интеллект для гурманов?

Будет ли это безликая, безликая облачная интеграция данных, которая сделает другое программное обеспечение более сообразительным в том, как оно обрабатывает случаи, связанные с едой?

Или это будет что-то более продуманное, значимое, может быть, даже харизматичное?

Думаю, будет последнее. В настоящее время нам нравится, когда наши технологии говорят на нашем языке (и не только устно). И если этот ИИ будет харизматичным, я думаю, у него должно быть название.

Я голосую за «Джулию» - потому что, конечно же, Джулия Чайлд. А также, как еще один слой, из-за двух последних букв в названии: IA. Страсть Джулии Чайлд была к французской кухне. Я думаю, что место для гурманов в целом во многом обязано французской кулинарной традиции. А по-французски, когда прилагательные и существительные меняются местами, «искусственный интеллект» становится «искусственным интеллектом».

Знаешь что? Дадим ей логотип:

Теперь нам просто нужно сделать ее. Кто знает - может, пока мы говорим, кто-то над этим работает.

Но в каком бы направлении мы ни пошли, слияние ИИ и еды будет огромным, и мне не терпится увидеть, что будет дальше.