Das Problem: „Lagerfeuer“ vs. „Rauch“
Die menschliche Sprache ist unpräzise und kreativ. Wenn Sie einen torfigen Whisky trinken, sagen Sie vielleicht, er schmecke nach „Rauch“. Eine andere Person beschreibt exakt dasselbe Glas möglicherweise mit Aromen von „Lagerfeuer“, „Asche“ oder sogar „Heftpflaster“.
Für eine herkömmliche Computersuche sind „Lagerfeuer“ und „Rauch“ völlig unterschiedliche Begriffe. Genau darin liegt die Herausforderung der Aroma- und Geschmacksanalyse. Eine einfache Keyword-Suche verfehlt die sensorischen Nuancen des Erlebnisses.
Unser Ziel war es, ein System zu entwickeln, das Bedeutung versteht, nicht nur Rechtschreibung.
Wir wollten, dass unsere Software erkennt, dass ein Nutzer, der „Lagerfeuer“ erwähnt, tatsächlich zum Aromaprofil „Rauchig“ beiträgt – selbst ohne eine exakte Keyword-Übereinstimmung.
Der Prozess
Um Tausende fragmentierter Rezensionen in ein strukturiertes Verkostungsrad zu überführen, folgt unsere Engine vier zentralen Schritten:
Erfassung
Ethisches Erheben von Bewertungen und Tasting Notes aus diversen digitalen Quellen.
Bereinigung
Entfernen von „Rauschen“ (wie Versand-Feedback), um rein sensorische Deskriptoren zu isolieren.
Vektorisierung
Umwandlung von Deskriptoren in mathematische Koordinaten mithilfe von Natural Language Processing (NLP).
Visualisierung
Kartierung dieser Koordinaten auf dem Aromenrad zur Generierung eines visuellen Fingerabdrucks.
Die Engine: Wortvektoren
Wie versteht die KI, dass „Zitrone“ und „Limette“ miteinander verwandt sind? Wir nutzen Word Embeddings, angetrieben durch spaCy NLP-Leitfaden.
Stellen Sie sich eine riesige 3D-Karte vor, auf der jedes Wort über eine spezifische GPS-Koordinate verfügt.
- Wörter mit ähnlicher Bedeutung, wie „Apfel“ und „Birne“, befinden sich in derselben Nachbarschaft.
- Nicht verwandte Konzepte, wie „Apfel“ und „Leder“, liegen in völlig unterschiedlichen Städten.
Durch die Messung der Kosinus-Ähnlichkeit zwischen diesen Koordinaten können wir mathematisch belegen, dass „Toffee“ zu 90 % mit „Karamell“ übereinstimmt. Dies gewährleistet Präzision, selbst wenn die spezifische Kategorienbezeichnung gar nicht erwähnt wird.
Die Logik der KI visualisieren
Die nachstehende Heatmap veranschaulicht, wie unser Algorithmus Aromen clustert. Sie visualisiert die statistischen Korrelationen innerhalb des Tasting Intelligence Master Profile.
Ähnlichkeitsschwelle anpassen:
Die dichten Cluster in der Heatmap bestätigen, dass der Algorithmus den sensorischen „Fingerabdruck“ jeder Geschmackskategorie effektiv identifiziert.