La problématique : « Feu de camp » vs « Fumée »
Le langage humain est complexe et créatif. Si vous dégustez un whisky tourbé, vous pourriez lui trouver des notes de « fumée ». Une autre personne décrira exactement le même verre en évoquant un « feu de camp », de la « cendre » ou même un « pansement ».
Pour un moteur de recherche classique, « feu de camp » et « fumée » sont deux termes totalement distincts. C’est tout l’enjeu de l’analyse aromatique. Une simple recherche par mot-clé passe à côté de toute la nuance de l'expérience sensorielle.
Notre objectif était de concevoir un système capable de comprendre le sens, et non pas seulement l'orthographe.
Nous souhaitions que notre logiciel soit capable de reconnaître qu'un utilisateur mentionnant « feu de camp » contribue en réalité au profil aromatique « Fumé », même en l'absence de correspondance exacte par mot-clé.
Le processus
Pour transformer des milliers d'avis fragmentés en une roue des arômes structurée, notre moteur suit quatre étapes clés :
Collecte
Extraction éthique d'avis et de notes de dégustation à partir de sources numériques variées.
Nettoyage
Élimination du « bruit » (comme les retours sur la livraison) pour isoler uniquement les descripteurs sensoriels.
Vectorisation
Conversion des descripteurs en coordonnées mathématiques grâce au traitement automatique du langage naturel (NLP).
Visualisation
Projection de ces coordonnées sur la roue des arômes pour générer une empreinte visuelle.
Le moteur : les vecteurs de mots
Comment l’IA comprend-elle que « Citron » et « Citron vert » sont liés ? Nous utilisons les Word Embeddings, propulsés par le spaCy Guide NLP.
Imaginez une vaste carte en 3D où chaque mot possède une coordonnée GPS précise.
- Les mots ayant des significations proches, comme « Pomme » et « Poire », partagent le même voisinage.
- Les concepts sans lien, comme « Pomme » et « Cuir », se situent dans des villes totalement différentes.
En mesurant la similarité cosinus entre ces coordonnées, nous pouvons prouver mathématiquement que « Toffee » correspond à 90 % à « Caramel ». Cela garantit la précision même lorsque le nom spécifique de la catégorie n'est jamais mentionné.
Visualiser la logique de l'IA
La carte thermique ci-dessous illustre la manière dont notre algorithme regroupe les arômes en clusters. Elle visualise les corrélations statistiques au sein du Tasting Intelligence Master Profile.
Ajuster le seuil de similarité :
Les grappes denses sur la carte thermique confirment que l'algorithme identifie efficacement l'« empreinte » sensorielle de chaque catégorie aromatique.