Les articles qui ne traitent pas de l'alimentaire et des boissons sont en train d'être déplacés vers Medium. Retrouvez mes billets traitant de la blockchain et l'IA sur medium.com/@dbchain
robot wine glass

Pourquoi les critiques de vin ont-ils peur de l’IA ?

AI has caught up with critics when it comes to writing reviews, tasting, and recommending wines. Yes, I did write "tasting".

1/3. Cet article est le premier d’une série en trois parties consacrée à l’IA et aux critiques de vin. Je passe en revue les techniques d’IA qui permettent aux consommateurs de devenir des connaisseurs. Dans le deuxième article, je réfléchis aux techniques de marketing des critiques de vin. Enfin, dans le dernier article, je suggère des façons d’utiliser l’IA en fonction des profils des vignerons.

MODIFIÉ LE 18 JUILLET 2022

J’ai eu le plaisir d’interviewer des acteurs majeurs de l’industrie du vin pour rédiger cet article. Merci aux interviewés. Nos discussions ont alimenté mes réflexions qui ont abouti à cet article ! Voici les personnalités avec lesquelles j’ai discuté :

Julian Perry, CEO de Wine-Searcher – Katerina Axelsson, CEO de Tastry – Charles Slocum, CBO de Tastry – Pam Dillon, CEO de Preferabli – Andrew Sussman, CTO de Preferabli – Tristan Rousselle, Fondateur et PDG adjoint d’Aryballe – Gérard Spatafora, Managing Director d’E-Studi’OZ.wine – Vijay Bhagwandas, CEO de Tasting Intelligence – Magalie Dubois, Professeure adjointe à la Burgundy School of Business. J’ai également contacté 7 critiques de vin mais aucun n’a répondu.

Pour être transparent : je suis chargé de cours dans le MBA Wine & Spirits que Gérard dirige à Bordeaux. Magalie et moi partageons le même directeur de thèse. Sa thèse porte sur « l’analyse de la recommandation sur la décision d’achat de vin ». L’idée de cet article a émergé alors que Magalie et moi discutions pour préparer une de ses conférences.

Lorsque j'exprime mon opinion, j'utilise un style d'écriture plus direct, moins "académique". J'ai également changé le design du paragraphe avec une écriture préformatée et ce fond gris. Il est plus facile de voir la différence, et pour vous de sauter le paragraphe si vous êtes moins intéressé par mon opinion.

L’intelligence artificielle (IA) dans l’industrie agroalimentaire évaluée à 3,07 milliards USD en 2020 a connu une croissance fulgurante. Elle devrait atteindre 29,94 milliards d’USD d’ici 2026 (Mordor Intelligence, 2021). Parmi les principaux acteurs figurent TOMRA Sorting Solutions, GREEFA, Sesotec, Key Technology, Raytec Vision, Rockwell Automation, ABB, Honeywell International, etc.

La beauté du vin est d’essayer quelque chose de nouveau.

Julian Perry, CEO de Wine-Searcher

L’IA dans l’industrie des boissons aide les marques en obtenant les données de leurs enregistrements passés et en élaborant des stratégies à l’aide d’algorithmes mis en œuvre par l’IA. Cela peut aider à prédire les ventes, à comprendre le comportement des consommateurs, à gérer la chaîne d’approvisionnement, et bien d’autres choses encore qui peuvent conduire à la croissance des entreprises. L’IA a aidé un grand nombre d’acteurs de l’industrie des boissons à exploiter les préférences de leurs consommateurs, à obtenir des informations exploitables et à personnaliser l’expérience de leurs consommateurs.

Ainsi, les étiquettes interactives, les algorithmes de recommandation, l’assurance qualité ou même les mélanges générés par l’IA sont devenus une réalité. Et ce n’est que le début. L’avenir de la technologie dans le commerce des boissons est une grande conversation à avoir.

L’IA sommelier n’est pas une IA mais une carte de vins interactive (recherche intelligente)

Lorsque je vivais encore à Hong-Kong, en tant que directeur d’un institut de recherche sur le vin, j’ai eu le plaisir de rencontrer David Garrett, alors fondateur Entaste. Il s’agissait d’une plateforme « connectant les différents maillons de la chaîne de valeur de l’industrie du vin (caves, restaurants, cavistes, consommateurs) ». La plateforme Entaste était la dernière tendance high-tech en matière de consultation des cartes des vins des restaurants. Il s’agissait d’une carte des vins numérique sur iPad destinée à « aider les amateurs de vin à faire des choix intelligents. » C’était en 2011. Aider les clients à choisir un vin, sous la forme de cartes des vins interactives grâce à la technologie du moment remonte à loin. Il s’agissait d’un sommelier virtuel, utilisant des algorithmes pour suggérer « le meilleur vin » selon le client. Cette application n’existe plus.

En 2018, Clara Wine a gagné en popularité en tant que premier service d’abonnement au vin par IA. Pour commencer, les abonnés répondent à un quiz sur le site Web de Clara Wine 2018, qui catégorise chaque utilisateur dans l’un des 12 groupes différents en fonction de ses préférences en matière d’arôme, de saveur et de corps. Cette application n’existe plus.

Nous n’avons pas trouvé de solution qui s’impose clairement.

Julian Perry, CEO de Wine-Searcher

La plupart des recommandations de vins générées par ordinateur sont traditionnellement sans valeur. Jeff Siegel, critique de vin et blogueur à Wine Curmudgeon, a reçu un courriel du premier détaillant en ligne américain : wine.com. Le message disait que Jeff Siegel aimerait une bouteille de Veuve Clicquot à 64 $, ainsi qu’un sauvignon blanc Kim Crawford à 20 $, un pinot noir californien à 12 $ et un mélange rouge doux à 12 $. Jeff Siegel n’aime aucun des vins suggérés.

Les formules utilisées pour formuler ces recommandations dépendent d’éléments qui ne sont pas nécessairement liés au vin – tels que le revenu, l’âge et le sexe – et utilisent des informations sur les achats passés probablement plus que de raison.

On parle d’intelligence artificielle (IA) lorsqu’une machine imite les fonctions cognitives que les humains associent à d’autres esprits humains. Par rapport à l’intelligence programmée par l’homme, l’IA est capable de créer ses propres algorithmes par le biais du processus d’apprentissage machine (ML).
L’IA est une adepte du big data – la construction et le déploiement efficaces des systèmes d’IA et de ML nécessitent de grands ensembles de données pour reconnaître les modèles.

Alors que l’apprentissage automatique repose sur l’idée que les machines devraient être capables d’apprendre et de s’adapter grâce à l’expérience, l’IA renvoie à une idée plus large où les machines peuvent exécuter des tâches « intelligemment ». L’intelligence artificielle applique l’apprentissage automatique, l’apprentissage profond et d’autres techniques pour résoudre des problèmes réels.

Posez la question suivante : « Comment votre système apprend-il spécifiquement ? » et voyez combien de fois leur logiciel est simplement une fonction de programmation simple et automatisée.

Pam Dillon, Cofondateur et CEO de Preferabli

Les soi-disant « sommeliers de l’IA » ne sont que des moteurs de recherche « intelligents ». Ils n’utilisent pas l’IA en tant que telle, c’est-à-dire l’IA et l’apprentissage automatique. Ce ne sont que des algorithmes. D’autres parlent d' »intelligence augmentée ». Un certain nombre de sommeliers personnels n’ont pas toujours une bonne réputation. Sippd, Bright Cellars, Matcha ou SommSelec indiquent avoir recours à la science ou à un expert pour éviter toute confusion dans l’achat de vin.

L’objectif est d’inculquer la confiance nécessaire pour poser plus de questions et faire plus de choix de vin sans être intimidé.

Recommandations d’IA basées sur l’opinion collective (filtrage collaboratif)

La segmentation du marché de masse dans le secteur des vins et spiritueux a pris la forme de personas utilisant des caractéristiques telles que l’âge, les connaissances, le revenu et le sexe.

What’s Your Whisky?”, une application numérique récemment lancée par le producteur de boissons Diageo, est un excellent exemple de la façon dont cela peut fonctionner. Elle est conçue pour aider les consommateurs à découvrir leur whisky préféré en fonction de leurs réponses à une série de questions sur leurs goûts personnels et leurs préférences en matière de saveurs

IBM a créé un système d’intelligence artificielle pour le géant de l’alimentation McCormick & Company. Ce système compile une énorme base de données d’ingrédients, de formules d’arômes, de tests de satisfaction des consommateurs et de chiffres de vente sur différents marchés pour construire des algorithmes qui aboutissent à des créations concrètes d’assaisonnements. Un travail de collecte titanesque qu’il serait impossible à un humain d’effectuer et de mémoriser.

Tasting Intelligence est un agrégateur de commentaires et d’évaluations de consommateurs. Il analyse les notes de dégustation et les sentiments provenant d’avis de dégustation en ligne et de posts sur les médias sociaux avec l’aide de l’intelligence artificielle. Les acheteurs peuvent mieux comprendre les dégustations grâce aux derniers commentaires de dégustation à travers le monde (dégustations, sentiments, emoji).

Au final, il s’agit d’une aide à la découverte des saveurs et d’une expérience de dégustation moderne.

Vijay Bhagwandas, CEO de Tasting Intelligence

En 2021, Vivino a mis en place une IA à partir de toutes ses données d’évaluation et de profil pour créer des algorithmes qui génèrent un score de correspondance personnalisé pour chaque utilisateur et chaque vin. Jusqu’à présent, les utilisateurs de Vivino s’appuyaient principalement sur le Vivino Rating, un système d’évaluation des vins à cinq étoiles qui indique la note moyenne d’un vin. « Match for You », en revanche, utilise l’apprentissage automatique et les informations dont dispose Vivino sur chaque utilisateur pour donner à chacun d’entre eux une note de correspondance unique pour chaque vin du monde, soit 13 millions de vins.

LIRE ÉGALEMENT Cette bière est pour vous : AB InBev utilise l’Intelligene Artificielle

Une fois que vous aurez évalué au moins cinq vins, chaque vin de la base de données aura un « score de correspondance » généré pour les consommateurs, indiquant aux buveurs s’il y a une forte, moyenne ou faible chance qu’ils l’aiment. Ces notes sont générées spécialement pour vous. Cette fonctionnalité est disponible pour tous les utilisateurs dès qu’ils ont noté cinq vins. Les crochets « Match for You » sont :

  • Bon accord (70%-100%) : ce sont des vins qui sont sûrs de plaire et qui obtiendront probablement quatre étoiles ou plus.
  • Correspondance moyenne (40%-70%) : ces vins ne sont pas forcément des favoris absolus, mais ils méritent d’être essayés.
  • Match faible (0%-40%) : d’après les données de Vivino, il est peu probable que ces vins soient appréciés.

Le PDG Heini Zachariassen pense que l’industrie du vin pourra s’appuyer sur les big data que Vivino et d’autres entreprises de technologie du vin ont recueillies, et utiliser l’apprentissage automatique et l’intelligence artificielle pour continuer à repousser les limites du secteur à l’avenir.

"Je vois l'IA basée sur les données comme une vision de premier niveau dans une stratégie d'IA pour les questions de découverte du vin. Les autres techniques d'IA, notamment celles basées sur les sens, me semblent être des technologies d'avenir pour le sujet qui nous préoccupe : les recommandations de vins." - David BECK.

Recommandations d’IA basées sur les préférences individuelles (systèmes basés sur le contenu)

Un système basé sur le contenu analyse en détail les données relatives aux utilisateurs et aux produits. Seuls les systèmes de recommandation basés sur le contenu et pilotés par l’IA sont intrinsèquement axés sur les préférences individuelles, et sont donc les mieux adaptés au secteur des vins et spiritueux.

En octobre 2020, la plus grande entreprise de création d’arômes et de parfums au monde, Firmenich, a annoncé à grand renfort de publicité qu’elle venait de réaliser un arôme naturel de bœuf grillé entièrement conçu par une intelligence artificielle.

Les chercheurs de Carlsberg, l’un des plus grands brasseurs du monde, utilisent des capteurs et des outils d’analyse pour cartographier et prédire les saveurs plus rapidement. L’objectif : créer un catalogue de saveurs à partir d’échantillons qui aidera les brasseurs à devenir plus efficaces lorsqu’ils élaborent des mélanges. Selon Carlsberg, son IA est déjà capable de faire la différence entre une lager et une bière.

Preferabli capte les préférences individuelles des acheteurs de vin, de bière et de spiritueux, permettant aux commerçants de proposer des expériences d’achat personnalisées. Preferabli analyse le signal numérique, y compris les avis des consommateurs et les ventes, et fait des recommandations en fonction de l’inventaire.

Avec une douzaine de maîtres du vin et de maîtres sommeliers, Preferabli analyse chaque produit en tenant compte de plus de 700 caractéristiques.

Notre mission est de construire des logiciels qui se comportent comme des êtres humains.

Andrew Sussman, Cofondateur et CTO de Preferabli

« Notre apprentissage automatique permet aux acheteurs de dire ce qu’ils aiment, voire adorent, et aux commerçants de comprendre et de présenter ce que chaque acheteur veut vraiment. Nous considérons qu’il s’agit d’intelligence artificielle avec une touche humaine », a déclaré Pam Dillon, cofondatrice et directrice générale de Preferabli.

Preferabli propose une suite de solutions logicielles qui s’intègrent aux systèmes existants des commerçants afin d’augmenter les ventes, d’optimiser les stocks et les décisions d’achat, et de fidéliser les clients.

Depuis le début des recherches en robotique, l’homme tente de créer des machines à son image. Qu’il s’agisse de machines capables de se déplacer comme les humains ou de machines capables de ressentir et de penser comme eux, l’homme cherche depuis longtemps des moyens de se recréer, à toutes fins utiles, sous forme de machine.

Bien que cet objectif ait pu sembler inaccessible par le passé, des systèmes capables de différencier autant de goûts, d’odeurs et de textures que n’importe quel être humain commencent à faire surface. Le Massachusetts Institute of Technology (MIT) est l’une des institutions qui se consacre au développement de machines semblables à l’homme.

Les comportements et les préférences des consommateurs dans le secteur de l’alimentation et des boissons ont évolué de façon spectaculaire au cours de la dernière décennie. Qu’il s’agisse du mouvement en faveur d’ingrédients plus naturels ou de palettes gustatives plus exigeantes, les fabricants d’aliments et de boissons s’efforcent d’améliorer les contrôles de qualité des produits tout au long du processus de fabrication.

Les 5 saveurs qui façonnent le goût sont le sucré, le salé, l’acide, l’amer et l’umami. Le reste vient du nez.

Tristan Rousselle Fondateur et PDG adjoint d’Aryballe

Aryballe combine les biocapteurs, la photonique au silicium et l’apprentissage automatique pour offrir des solutions d’olfaction numérique. L’olfaction numérique est généralement définie comme la capture et la production numériques d’arômes. Similaire à notre sens de l’odorat, elle imite le processus par lequel notre cerveau identifie et différencie les odeurs.
L’odeur a un impact considérable sur le comportement des consommateurs et sur leur perception de la qualité ; cependant, elle est aussi extrêmement subjective de par sa nature même – influencée par nos expériences et nos préférences personnelles. L’odeur a un impact majeur sur la satisfaction du consommateur, et les fabricants veulent être en mesure de garantir à leurs clients le résultat escompté de leur produit.

Alors que les fabricants continuent de tester et de lancer de nouveaux produits dans l’industrie, l’olfaction numérique peut aider à analyser les nouvelles formules et à prédire quels produits auront la meilleure résonance auprès des consommateurs. L’analyse sensorielle repose encore largement sur des panels humains, ce qui peut être coûteux et sujet à la subjectivité. L’olfaction numérique combine des biocapteurs, une optique avancée et l’apprentissage automatique pour imiter l’odorat humain, qui peut ensuite être utilisé pour une classification et une caractérisation objectives des arômes.

"L'IA olfactive permettrait de guider les amateurs de vin pour affiner leur nez. C'est une bonne méthode pour les professionnels qui se passent de groupes de discussion (note : je suis un ancien directeur d'études de marché) mais aussi les sommeliers lors des assemblages. Avec l'IA de goût, le vigneron veut construire un vin avec une certaine typicité, l'IA sensorielle l'aide. De la même manière, elle l'aide à maintenir un certain niveau de cohérence en fonction de la récolte - je pense à nos amis champenois." - David BECK.

Une IA basée sur les sens – le palais d’une personne est aussi unique qu’une empreinte digitale.

On fait déjà correspondre les vins aux préférences des consommateurs afin de réduire le gaspillage et de commercialiser des vins spécifiques auprès des consommateurs. Grâce à un mélange d’apprentissage automatique, de science sensorielle et de chimie analytique, l’IA peut déterminer avec précision les préférences du palais de chaque consommateur. Les détaillants et les distributeurs peuvent ainsi recommander des vins et voir leurs ventes augmenter.

Quelle aide peut apporter une IA pour décider de boire un vin ?

Julian Perry, CEO de Wine-Searcher

En 2014, des scientifiques danois dirigés par Joana Guerreiro, étudiante en doctorat, ont mis au point une « langue artificielle » dotée de capacités gustatives quasi humaines, rapportait Vine Pair. La langue utilise un nanocapteur pour analyser la composition moléculaire de la bouche d’un individu. Elle traite ensuite ces données pour évaluer la façon dont les tanins vont toucher les papilles gustatives de chacun et comment leur palette est susceptible de réagir à l’astringence d’un vin donné.

Les difficultés techniques résident dans la gestion de l’humidité et de l’éthanol, contrairement au nez humain.

Tristan Rousselle Fondateur et PDG adjoint d’Aryballe

Gastrograph AI prédit la réaction des gens aux nouveaux produits alimentaires, ce qui permet aux développeurs et aux spécialistes du marketing d’utiliser les goûts des consommateurs pour prédire les produits qui se comporteront mieux ou moins bien sur un marché spécifique. Ce système utilise les données de milliers de consommateurs qui ont évalué des milliers de produits via une application mobile, en spécifiant différents paramètres et catégories. Gastrograph AI modélise la perception sensorielle humaine de la saveur, de l’arôme et de la texture pour prédire la préférence des consommateurs pour les produits alimentaires et les boissons.

L’IA Gastrograph est utilisée pour examiner la bière, le café, le chocolat et d’autres produits alimentaires et boissons. Grâce à son système d’auto-apprentissage, l’IA peut déterminer les saveurs et les préférences qui conviennent le mieux à chaque endroit. Dans chaque évaluation, un utilisateur peut saisir des données pour 24 attributs de saveur. Chaque attribut de saveur est évalué en fonction de son intensité sur une échelle discrète de zéro à cinq (zéro : pas présent, à cinq : le plus intense ; initialisation à 0) qui constitue le profil de saveur d’un échantillon. Une fois que toutes les intensités des attributs de saveur ont été saisies, l’utilisateur saisit une valeur pour la qualité perçue, qui est une valeur discrète de un à sept (de la plus basse à la plus haute « qualité ») qui reflète la perception de l’utilisateur de la qualité du produit.

Des chercheurs du National Institute of Standards and Technology (NIST), , basé dans le Maryland, ont créé une intelligence artificielle capable de « goûter » virtuellement du vin avec une précision de plus de 95 %. « Obtenir 95,3 % nous indique que cela fonctionne », a déclaré Jabez McClelland, physicien au NIST.

La nouvelle technologie d’IA mise au point par des scientifiques américains a passé avec succès un test de dégustation de vin. L’équipe a commencé par entraîner le palais virtuel du système d’IA, en utilisant 148 des vins d’un ensemble de données de 178 vins issus de trois cépages. Chaque vin virtuel présentait 13 caractéristiques à prendre en compte, dont le degré d’alcool, la couleur, les flavonoïdes, les cendres, l’alcalinité et le magnésium.

Nos clients utilisent TastryAI pour constituer un groupe de discussion permanent composé de millions de consommateurs et pour fournir des mesures spécifiques et réalisables que le vigneron peut prendre pour réaliser au mieux sa vision.

Katerina Axelsson, CEO de Tastry

La technologie Tastry individualiserait les recommandations en décodant la saveur (goût, odeur et sensation) et les matrices aromatiques des vins, en analysant chimiquement des milliers de produits en laboratoire et en les comparant au palais unique de chaque individu. L’IA apprend ce que les gens aiment en décomposant leurs préférences par des réponses à des questions qui identifient chaque palais. Tastry a également mis au point une IA qui associe les vins aux aliments, fournit les meilleures correspondances pour les groupes de personnes et répond à d’autres scénarios courants.

L’algorithme interprète les nouvelles données chimiques du consommateur et décode la matrice des saveurs. La méthode chimique permet d’extraire plus d’un million de points de données d’une seule bouteille de vin. La première étape consiste à comprendre comment le palais humain va percevoir le goût, l’odeur et la sensation du vin. Elle réduit essentiellement toute la chimie du vin – tout comme le fait le palais humain – à une saveur représentée mathématiquement. C’est alors qu’un autre algorithme examine cette saveur, ainsi que celle de chaque autre vin ou sous-ensemble de vins.

L’algorithme choisit ensuite un ensemble de questions simples et trompeuses auxquelles presque tout le monde peut répondre intuitivement, mais qui sont capables de diviser différents consommateurs tout en fonctionnant comme des analogues de nombreux composés ou groupes de composés présents dans le vin. Les consommateurs répondent une fois à un simple questionnaire et un assortiment complet de produits est classé et adapté à la personne grâce à des systèmes d’IA complexes.

Le quiz Tastry n’est qu’une première compréhension du palais du consommateur. Au fur et à mesure que le consommateur évalue les vins, TastryAi compare constamment la chimie des vins par rapport aux évaluations au niveau individuel. Une fois que la compréhension au niveau individuel dépasse 80% (la précision moyenne du quiz par défaut), la compréhension obtenue par le biais du quiz initial est définitivement remplacée par des données directes sur la chimie/le palais/la notation qui suivent les changements de préférence au fil du temps. À ce stade, les consommateurs voient les taux d’efficacité augmenter continuellement pour dépasser largement les 90 %.

"Bien sûr, en fonction du transport, du stockage, de la lumière, de la température d'exposition, le vin peut avoir une palette aromatique complètement différente de celle initialement analysée par un IA sensoriel. Je ne parle même pas du goût de bouchon. Néanmoins, un vin proposé par un expert peut s'avérer décevant pour les mêmes raisons. Il s'agit de la beauté d'une boisson qui évolue, qui est " vivante ".
Une IA qui pose des questions n'est pas optimale. On ne peut pas imaginer une IA qui pose des questions comme un banal questionnaire d'étude de marché (pour rappel, je suis un ancien directeur d'institut de recherche). Cela reste un obstacle à une utilisation de masse.
Il sera nécessaire de combiner cette IA d'apprentissage du goût avec la reconnaissance des émotions par l'IA  et vocale. Ces technologies permettent d'éviter les biais conscients et inconscients dans les réponses des consommateurs.
Je trouve aussi intéressants les effets connexes d'une IA apprenante, pour aider la consommation sur la santé pour lutter contre l'obésité, la gestion des allergies, la prévention de l'abus d'alcool..." - David BECK.

Traitement du langage naturel (NPL) – Rédaction de notes/critiques sur le vin par l’IA ?

En lisant la description du vin ci-dessous, vous pouvez presque sentir l’explosion de fraîcheur de bouche.

Note : 4.5 sur 5.

Si le nez est un peu fermé, la bouche de ce Riesling demi-sec regorge de saveurs juteuses de pamplemousse blanc et de mandarine. Ce n’est pas un vin très dense, mais il est parfaitement équilibré par une acidité citron-citron vert persistante en finale.

Exemple d’une critique de vin

Mais l’auteur de cette critique n’a jamais dégusté ce vin — parce qu’elle a été rédigée par une IA. Un groupe interdisciplinaire de chercheurs a mis au point un algorithme d’intelligence artificielle capable de rédiger des critiques sur le vin et la bière qui ne se distinguent guère de celles rédigées par un critique humain.

Les outils NLP (natural language process) de l’IA qui génèrent du langage ne sont pas nouveaux. Mais la technologie semble avoir atteint un niveau sans précédent. L’ingénieur informaticien Keith Carlson et ses coauteurs ont formé leur programme à partir d’une décennie de critiques professionnelles – environ 125 000 au total – extraites du magazine Wine Enthusiast. Ils ont également utilisé près de 143 000 critiques de bière provenant du site Web RateBeer.

Le traitement du langage naturel (NLP – Natural Language Processing) est un sous-domaine de l’IA. Il aide les machines à traiter et à comprendre le langage humain afin qu’elles puissent effectuer automatiquement des tâches répétitives. Parmi les exemples, citons la traduction automatique, le résumé, la classification des billets et la vérification orthographique. Un « assistant d’écriture IA » bien connu des rédacteurs est HyperWrite.

En théorie, l’algorithme aurait pu produire des critiques sur n’importe quoi. Cependant, quelques caractéristiques clés ont rendu la bière et le vin particulièrement intéressants pour les chercheurs. D’une part, « il s’agissait d’un ensemble de données tout à fait unique », explique Keith Carlson du Dartmouth College, qui a co-développé l’algorithme utilisé dans l’étude.

Les critiques de vin et de bière constituent également un excellent modèle pour les textes générés par l’IA, explique-t-il, car leurs descriptions contiennent de nombreuses variables spécifiques, telles que la région de culture, le cépage ou le blé, le style de fermentation et l’année de production. En outre, ces critiques ont tendance à s’appuyer sur un vocabulaire limité. « Les gens parlent du vin de la même manière, en utilisant le même ensemble de mots », explique M. Carlson. Par exemple, les connaisseurs peuvent régulièrement utiliser des adjectifs tels que « boisé », « floral » ou « sec ».

Les machines peuvent rédiger des avis qui sont impossibles à distinguer de ceux rédigés par des experts.

Keith Carlson, ingénieur en informatique au Dartmouth College

L’algorithme a traité ces analyses écrites par des humains pour apprendre la structure générale et le style d’une critique. Afin de générer ses propres critiques, l’IA a reçu les détails d’un vin ou d’une bière spécifique, tels que le nom du vignoble ou de la brasserie, le style, le pourcentage d’alcool et le prix. Sur la base de ces paramètres, l’IA a trouvé des critiques existantes pour cette boisson, a extrait les adjectifs les plus fréquemment utilisés et les a utilisés pour rédiger sa propre description.

Bien que l’algorithme semble bien réussir à collecter de nombreuses critiques et à les condenser en une seule description cohérente, il présente certaines limites importantes. Par exemple, il peut ne pas être en mesure de prédire avec précision le profil de saveur d’une boisson.

"En combinant cette technique NPL avec l'IA sensorielle, vous avez notre expert prêt à écrire des critiques, mettre des notes et faire des recommandations personnalisées. L'IA peut même vous aider à développer votre palais, selon vos envies : à 20h un dimanche, en vacances à l'autre bout du monde... donc aucune contrainte si ce n'est d'être connecté à votre jumeau numérique, à vous. Vous allez devenir un pro, comprendre les nuances d'une dégustation verticale du domaine ou du château que vous aimez." - David BECK.

Nous pouvons nous poser quelques questions sur l’efficacité de ses modèles d’IA. Outre le fait qu’ils dépendent de la qualité des données – par exemple la qualité et la granularité du codage de chaque bouteille de vin – comment savoir si la correspondance entre le consommateur et le produit est exacte à 100%.

Les spectromètres ne perçoivent pas le goût comme le font les gens. Les spectromètres mesurent des composés individuels. Les gens perçoivent les composés en combinaison les uns avec les autres, grâce à des systèmes olfactifs individuels uniques.

Pam Dillon, Cofondateur et CEO de Preferabli

L’engagement émotionnel des consommateurs n’est pas vraiment mesurable, à mon avis, sur un questionnaire administré, ni dans un débriefing plus qualitatif. Cette technique  » primitive  » comporte trop de biais méthodologiques, surtout quand on parle de personnalisation, d’individualisation de la mesure de la satisfaction.

LIRE ÉGALEMENT L’IA et la Blockchain vont transformer les études de marché

Une des seules solutions reste, à mon sens, une IA de reconnaissance faciale des sentiments – IA émotionnelle – couplée à une IA sensorielle. Je reste sur cette ligne même si un article de The Verge publié le 21 juin annonce par exemple que Microsoft va retirer son outil de reconnaissance faciale qui prétend identifier les émotions… pour des raisons éthiques.