Het probleem: "Kampvuur" versus "Rook"
Menselijke taal is grillig en creatief. Als je een geturfde whisky drinkt, zeg je misschien dat hij naar "rook" smaakt. Een ander beschrijft exact hetzelfde glas wellicht met tonen van een "kampvuur", "as" of zelfs een "medisch verbandgaasje".
Voor een standaard zoekopdracht op de computer zijn "kampvuur" en "rook" compleet verschillende woorden. Dit is precies de uitdaging van smaakanalyse. Een eenvoudige zoekopdracht op trefwoord mist de nuance van de ervaring.
Ons doel was het bouwen van een systeem dat de betekenis begrijpt, en niet louter de spelling.
We wilden dat onze software herkent dat een gebruiker die "kampvuur" noemt, in feite bijdraagt aan het smaakprofiel "Rokerig", zelfs zonder een exacte zoekwoordmatch.
Het proces
Om duizenden gefragmenteerde reviews om te zetten in een gestructureerd smaakwiel, volgt onze engine vier cruciale stappen:
Verzamelen
Het ethisch verzamelen van recensies en proefnotities uit diverse digitale bronnen.
Opschonen
Het verwijderen van "ruis" (zoals feedback over verzending) om puur sensorische descriptoren te isoleren.
Vectorisatie
Het converteren van descriptoren naar wiskundige coördinaten met behulp van Natural Language Processing.
Visualisatie
Het projecteren van deze coördinaten op het smaakwiel om een visuele vingerafdruk te genereren.
De engine: Woordvectoren
Hoe begrijpt de AI dat "Citroen" en "Limoen" aan elkaar verwant zijn? We maken gebruik van Word Embeddings, aangedreven door de spaCy NLP-gids.
Stel je een enorme 3D-kaart voor waar elk woord een specifieke gps-coördinaat heeft.
- Woorden met vergelijkbare betekenissen, zoals "Appel" en "Peer", bevinden zich in dezelfde wijk.
- Niet-gerelateerde concepten, zoals "Appel" en "Leer", liggen in totaal verschillende steden.
Door de cosinusgelijkenis (Cosine Similarity) tussen deze coördinaten te meten, kunnen we wiskundig bewijzen dat "Toffee" voor 90% overeenkomt met "Karamel". Dit waarborgt nauwkeurigheid, zelfs wanneer de specifieke categorienaam nooit wordt genoemd.
De logica van de AI visualiseren
De onderstaande heatmap illustreert hoe ons algoritme smaken clustert. Het visualiseert de statistische correlaties binnen het Tasting Intelligence Master Profile.
Pas de gelijkenisdrempel (similarity threshold) aan:
De dichte clusters in de heatmap bevestigen dat het algoritme de sensorische "vingerafdruk" van elke smaakcategorie effectief identificeert.