DAVID BECK intervient le 29 mars pour une conférence IA ET VIN à l'Institut Universitaire de la Vigne et du Vin Jules Guyot
AI

Personnalisation partie 1 — Pourquoi les critiques de vin n’aiment pas l’IA ?

David BECK Academic - Economics, Society and Political science - Environment and Technologies (AI, blockchain)

En 2021, Vivino a développé l’IA à partir de toutes les données d’évaluation et de profil pour créer des algorithmes qui génèrent un score d’adéquation personnalisé pour chaque utilisateur et chaque vin.


Dans cette série d’articles, j’analyse la relation entre vin, personnalisation et IA. Il s’agit du premier article. Dans le deuxième article, je me suis penché sur le nudge marketing un bien d’expérience : le vin. Dans le dernier article, j’ai analysé les avantages de l’IA pour la vinification.

J’ai eu le plaisir d’interviewer des acteurs majeurs de l’industrie du vin pour rédiger cet article (par ordre alphabétique) :
Katerina Axelsson Co-Founder & CEO at Tastry
Vijay Bhagwandas Co-Founder & CEO at Tasting Intelligence
Pam Dillon Co-Founder & CEO at Preferabli
Magalie Dubois Assistant professor at Burgundy School of Business
Julian Perry CEO at Wine-Seacher
Tristan Rousselle Founder & Deputy CEO at Aryballe
Charles Slocum Chief Business Officer at Tastry
Gérard Spatafora Managing Director at E-Studi’OZ.wine
Andrew Sussman Chief Technical Offer at Preferabli

J’ai également contacté 7 critiques de vin. Aucun d’entre eux n’a répondu.


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

“L’article Wine appreciation: connoisseurship or snobbery?” de Barry Smith dans le magazine “The World of Fine Wine” est l’un des classiques de l’analyse des critiques de vin. Il date de 2014 et a été mis à jour en 2018. L’article commence ainsi :

“Il n’est pas nécessaire de s’aventurer bien loin pour se rendre compte que tout ne va pas bien dans le monde de la critique du vin. La presse populaire a vu fleurir ces derniers temps des articles détaillant la facilité avec laquelle les experts en vin sont trompés et les connaisseurs induits en erreur. La blogosphère dénonce avec virulence ce que les blogueurs considèrent comme les propos ridicules des critiques de vin. Même les pages de ce magazine ont connu leur part d’introspection sur l’utilité et le but de l’écriture sur le vin.
Derrière ces plaintes et préoccupations se cache le soupçon que le discours sur le vin manque de substance ; que les mots que nous utilisons pour décrire le goût des vins ne s’engagent pas de manière adéquate ou précise sur un sujet authentique. De là, il n’y a qu’un pas à franchir pour rejeter l’opinion des experts et, avec elle, la sensibilité présumée des connaisseurs.”

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

Julian Perry, CEO de Wine-Searcher

L’IA dans l’industrie des boissons aide les marques grâce aux données à élaborer des stratégies à l’aide la décision. Cela peut aider à prédire les ventes, à comprendre le comportement des consommateurs, à gérer la chaîne d’approvisionnement… 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 clients.

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 qu’un début. L’avenir de la technologie dans le secteur des boissons est un sujet de premier plan.

1. L’IA Sommelier n’est pas de l’IA mais un Sommelier digital (Smart Search)

Il s’agissait d’une plateforme “reliant 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 dans les 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, ne date pas d’hier. 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 basé sur l’IA. Pour commencer, les abonnés répondent à un quiz sur le site web de Clara Wine 2018, qui classe chaque utilisateur dans l’un des 12 groupes différents en fonction de ses préférences en matière d’arômes, de saveurs et de corps. Cette application n’existe plus.

Nous n’avons pas trouvé de solution gagnante.

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 principal détaillant en ligne des États-Unis : wine.com. Cet e-mail disait que Jeff Siegel aimerait une bouteille de Veuve Clicquot à 64 dollars, ainsi qu’un sauvignon blanc de Kim Crawford à 20 dollars, un Pinot Noir californien à 12 dollars et un mélange de rouges doux à 12 dollars.

Les formules utilisées pour faire 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 qu’elles ne le devraient.

L’Intelligence Artificielle (IA) est utilisée 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 grâce au processus d’apprentissage automatique.
L’IA est friande de données volumineuses – la construction et le déploiement efficaces de systèmes d’IA et de ML nécessitent de vastes ensembles de données pour reconnaître des 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 selon laquelle 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 concrets.

Posez la question suivante : “Comment votre système apprend-il spécifiquement ?” et voyez si leur logiciel est souvent une simple fonction de programmation automatisée et directe.

Pam Dillon, Cofondatrice et CEO de Preferabli

Les IA sommeliers sont des sommeliers digitaux c’est-à-dire des moteurs de recherche intelligents. Ils n’utilisent pas l’IA en tant que telles l’apprentissage automatique (machine learning), les LLM (Large Language Models) / apprentissage profond (deep learning). Il s’agit simplement d’algorithmes. D’autres parlent d'”intelligence augmentée”. Un certain nombre de sommeliers personnels n’ont pas toujours bonne réputation. Sippd, Bright Cellars, Matcha ou SommSelec indiquent avoir recours à la science ou à un expert pour éviter toute confusion lors de l’achat de vin.

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

2. Les recommandations de l’IA basées sur l’opinion de la foule (filtrage collaboratif)

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

L’application numérique “What’s Your Whisky?”, lancée récemment par le producteur de boissons Diageo, est un excellent exemple de la manière 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 qui 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 à partir des commentaires de dégustation en ligne et des messages sur les médias sociaux avec l’aide de l’intelligence artificielle. Les acheteurs peuvent mieux comprendre les dégustations grâce aux derniers commentaires de dégustation dans le monde entier (dégustations, sentiments, emoji).

En fin de compte, l’objectif est d’aider à découvrir les saveurs et de donner une impression de modernité aux expériences de dégustation.

Vijay Bhagwandas, PDG de Tasting Intelligence

En 2021, Vivino a développé l'IA à partir de toutes les données d'évaluation et de profil pour créer des algorithmes qui génèrent un score d'adéquation 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 que Vivino possède sur chaque utilisateur pour donner à chacun d'entre eux une note unique pour chaque vin dans le monde - les 13 millions de vins.
Une fois que vous avez évalué au moins cinq vins, chaque vin de la base de données aura une "note de correspondance" générée pour les consommateurs, indiquant aux buveurs s'il y a une probabilité élevée, moyenne ou faible qu'ils l'apprécient. Ces notes sont générées spécifiquement pour vous. Cette fonction est accessible à tous les utilisateurs dès lors qu'ils ont évalué cinq vins. Les parenthèses de la rubrique "Correspondance pour vous" sont les suivantes :
  • Très bon accord (70 %-100 %) : il s’agit de vins qui plairont à coup sûr et qui obtiendront probablement une note de quatre étoiles ou plus.
  • Correspondance moyenne (40 %-70 %) : ces vins ne sont peut-être pas des favoris absolus, mais ils méritent d’être essayés.
  • Correspondance 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 données recueillies par Vivino et d'autres entreprises de technologie du vin, et utiliser l'apprentissage automatique et l'intelligence artificielle pour continuer à repousser les limites de l'industrie à l'avenir.

“Je vois l’IA pilotée par 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 : la recommandation de vins.” – David BECK.

3. Les 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 à l’utilisateur et au produit. 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 à l’industrie du vin et des spiritueux.

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

Les chercheurs de Carlsberg, l’un des plus grands brasseurs au monde, utilisent des capteurs et des outils analytiques pour cartographier et prédire les arômes plus rapidement. L’objectif est de créer un catalogue d’arômes à partir d’échantillons qui permettra aux brasseurs d’être plus efficaces lors de l’élaboration de mélanges. Selon Carlsberg, son IA est déjà capable de faire la différence entre une bière blonde et une bière.

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

Andrew Sussman, Cofondateur et CTO de Preferabli

Preferabli saisit les préférences individuelles des acheteurs de vin, de bière et de spiritueux, ce qui permet aux commerçants de proposer des expériences d'achat personnalisées. Preferabli analyse le signal numérique, y compris les évaluations des consommateurs et les ventes, et fait des recommandations basées sur l'inventaire.
Avec une douzaine de Masters of Wine et de Master Sommeliers, Preferabli analyse chaque produit en tenant compte de plus de 700 caractéristiques.
Notre apprentissage automatique permet aux acheteurs de dire ce qu'ils aiment, voire ce qu'ils adorent, et aux commerçants de comprendre et de présenter ce que chaque acheteur veut vraiment. Nous pensons qu'il s'agit d'une intelligence artificielle avec une touche humaine", a déclaré Pam Dillon, cofondatrice et PDG 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 de la recherche en robotique, l’homme a essayé 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 les humains, ces derniers sont depuis longtemps à la recherche de moyens de se recréer, à toutes fins utiles, sous la forme d’une machine.

Si cet objectif a 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 leur apparition. Le Massachusetts Institute of Technology (MIT) est l’une des institutions qui se consacre à la mise au point de machines semblables à l’homme.

Les comportements et les préférences des consommateurs en matière d’alimentation et de boissons ont évolué de manière spectaculaire au cours de la dernière décennie. Du mouvement en faveur d’ingrédients plus naturels aux palettes gustatives plus exigeantes, les fabricants d’aliments et de boissons s’efforcent d’améliorer les contrôles de la qualité des produits tout au long du processus de fabrication.

Les cinq 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 du 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 la perception de la qualité ; cependant, elle est aussi extrêmement subjective de par sa nature même - elle est 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 que leurs clients ressentent 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 de nouvelles formules et à prédire quels produits trouveront le meilleur écho auprès des consommateurs. L’analyse sensorielle repose encore largement sur des panels humains, qui peuvent être coûteux et sujets à la subjectivité. L’olfaction numérique combine des biocapteurs, une optique avancée et l’apprentissage automatique pour imiter le sens de 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 qu’ils affinent leur nez. C’est une bonne méthode pour les professionnels de se passer des groupes de discussion (note : je suis un ancien directeur d’études de marché) mais aussi pour les sommeliers lors des assemblages. Avec l’IA gustative, le vigneron veut construire un vin avec une certaine typicité, l’IA sensorielle l’aide. De même, elle l’aide à maintenir une certaine cohérence en fonction de la récolte – je pense à nos amis champenois.” – David BECK.

4. L’IA sensorielle – le palais d’une personne est aussi unique que son empreinte digitale

Les vins sont déjà associés aux préférences des consommateurs afin de réduire le gaspillage et de commercialiser des vins spécifiques. Grâce à un mélange d’apprentissage automatique, de science sensorielle et de chimie analytique, l’IA peut mettre en évidence les préférences gustatives de chaque consommateur, ce qui permet aux détaillants et aux distributeurs de recommander des vins et d’augmenter leurs ventes.

Quelle aide l’IA peut-elle apporter pour décider de boire un vin ?

Julian Perry, CEO de Wine-Searcher

In 2014, des scientifiques danois dirigés par Joana Guerreiro, étudiante en doctorat, ont mis au point une “langue artificielle” dotée de capacités gustatives presque humaines, rapporte 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 l’impact des tanins sur les papilles gustatives de l’individu et la façon dont sa 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, permettant aux développeurs et aux spécialistes du marketing d'utiliser les goûts des consommateurs pour prédire quels produits seront plus ou moins performants sur un marché spécifique. Ce système utilise les données de milliers de consommateurs qui ont évalué des milliers de produits par l'intermédiaire d'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 les préférences des consommateurs en matière de produits alimentaires et de boissons.
Gastrograph AI est utilisée pour évaluer 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), ce qui constitue le profil de saveur d'un échantillon. Une fois que tous les attributs de saveur ont été saisis, l'utilisateur saisit une valeur pour la qualité perçue, qui est une valeur discrète de un à sept (de la plus faible à la plus forte "qualité") qui reflète la perception de l'utilisateur de la qualité du produit.

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

Katerina Axelsson, CEO de Tastry

La technologie de Tastry individualise les recommandations en décodant les matrices de saveurs (goût, odeur et sensation) et d'arômes des vins, en analysant chimiquement des milliers de produits en laboratoire et en les comparant au palais unique de chaque consommateur. L'IA apprend ce que les gens aiment en décomposant leurs préférences par le biais de réponses à des questions qui identifient chaque palais. Tastry a également mis au point une IA qui associe les vins aux mets, fournit les meilleurs accords 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 arômes. 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 le goût, l'odeur et la sensation qu'aura le palais humain. 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 cet arôme, ainsi que l'arôme de tous les autres vins ou sous-ensembles de vins.
L'algorithme choisit ensuite un ensemble de questions de quiz faussement simples auxquelles presque tout le monde peut répondre intuitivement, mais qui sont capables de diviser différents consommateurs tout en fonctionnant simultanément comme des analogues de nombreux composés ou groupes de composés que l'on trouve dans le vin. Les consommateurs répondent une seule fois à un simple quiz et un assortiment complet est classé et adapté à la personne grâce à des systèmes complexes d'intelligence artificielle.
Le questionnaire de Tastry n'est qu'une première étape dans la compréhension du palais du consommateur. Au fur et à mesure que le consommateur évalue les vins, TastryAi compare en permanence les caractéristiques chimiques des vins par rapport aux évaluations individuelles. Une fois que la compréhension au niveau individuel dépasse 80 % (la précision moyenne du questionnaire par défaut), la compréhension obtenue grâce au questionnaire initial est définitivement remplacée par des données directes sur la chimie, le palais et la notation, qui permettent de suivre l'évolution des préférences au fil du temps. À ce stade, les consommateurs voient les taux d'efficacité augmenter continuellement et 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 une IA sensorielle. 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 questionnaire d’étude de marché courant (pour rappel, je suis un ancien directeur d’un institut de recherche). Cela reste un obstacle à l’utilisation de masse. Il sera nécessaire de combiner cette IA d’apprentissage du goût avec la reconnaissance des émotions par l’IA faciale et vocale. Ces technologies permettent d’éviter les biais conscients et inconscients dans les réponses des consommateurs. Je trouve également intéressant les effets connexes d’une IA apprenante, à savoir l’aide à la consommation sur la santé pour lutter contre l’obésité, la gestion des allergies, la prévention de l’abus d’alcool…” – David BECK.

L’Internet des Objets (IoT) est le concept qui consiste à connecter n’importe quel appareil (à condition qu’il soit doté d’un interrupteur marche/arrêt) à l’internet et à d’autres appareils connectés. L’IdO est un gigantesque réseau d’objets et de personnes connectés.

5. Traitement du langage naturel (Natural Language Processing – NLP) : l’évaluation et la rédaction de commentaires sur le vin par une IA

En lisant la description du vin ci-dessous, vous pouvez presque sentir le verre frais dans votre main et goûter une explosion d’agrumes sur votre langue.

La note : 4,5 sur 5.

Alors que le nez est un peu fermé, le palais de ce Riesling demi-sec regorge de saveurs juteuses de pamplemousse blanc et de mandarine. Ce n’est pas un vin très concentré, mais il est bien équilibré par une acidité de citron vert qui persiste en fin de bouche.

Exemple de commentaire sur un vin

Mais l’auteur de cette critique n’a jamais vécu cette expérience, car il s’agit d’un logiciel. Un groupe interdisciplinaire de chercheurs a mis au point un algorithme d’intelligence artificielle capable de rédiger des critiques de vin et de bière qui sont pratiquement impossibles à distinguer de celles rédigées par un critique humain.

Les outils d’intelligence artificielle NLP (natural language process) 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 entraîné leur programme sur 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 bières provenant du site web RateBeer.

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

En théorie, l’algorithme aurait pu produire des critiques sur n’importe quel sujet. Cependant, la bière et le vin présentaient quelques caractéristiques clés qui les rendaient particulièrement intéressants pour les chercheurs. Tout d’abord, “il s’agissait d’un ensemble de données tout à fait unique”, explique Keith Carlson, du Dartmouth College, qui a codéveloppé 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 production, la variété de raisin ou de 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 les mêmes mots”, explique M. Carlson. Par exemple, les connaisseurs ont l’habitude d’utiliser des adjectifs tels que “boisé”, “floral” ou “sec”.

Les machines peuvent rédiger des critiques qui ne se distinguent pas de celles des experts.

Keith Carlson, Computer Engineer 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 de la cave 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 avoir réussi à rassembler de nombreuses critiques et à les condenser en une seule description cohérente, il présente certaines limites importantes. Par exemple, il n’est pas toujours en mesure de prédire avec précision le profil de saveur d’une boisson.

“En combinant cette technique NPL avec l’IA sensorielle, vous disposez de notre expert prêt à rédiger des critiques, à prendre des notes et à 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 deviendrez un pro, vous comprendrez les nuances d’une dégustation verticale du domaine ou du château que vous aimez.” – David BECK.

On peut se 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 l’adéquation entre le consommateur et le produit est exacte à 100 %.

Les spectromètres ne perçoivent pas le goût de la même manière que 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 qui leur sont propres.

Pam Dillon, Cofondatrice 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 lorsqu’on parle de personnalisation, d’individualisation de la mesure de la satisfaction.

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.

Academic - Economics, Society and Political science - Environment and Technologies (AI, blockchain)