基因编程编辑本段回目录
包装食品、饮料、洗涤产品、化妆品和其它家用产品的香味设计是一个数十亿美元的产业,而那些大的香料公司更是每年花费数百万美元在香味的研究和开发上。但是,如何让不同人群口味测试的结果变得有意义和可利用却很困难,因为人们的偏好差异太大以至于不能清晰地发现人群的共同点。
以往的做法是,香料公司收集不同受试群体间有关口味的足够数据来分辨出群体间口味的差异,以开发新产品。但研究发现,分辨40种香味样本后,受试群体开始表现出“味觉疲劳”,这些人对于味道的鉴别开始变得不可信。因此,麻省理工学院计算机科学和人工智能实验室(CSAIL)的研究人员利用一个叫做“基因编程”(Genetic programming)的方法来分析“试尝味道”的结果,创造出一个能准确分辨更多口味的模型。
研究人员将试尝味道测试的结果整合在一起,其中在69个受试群中评估出36种由7个基本香味组合的结果,同时按照每个组合的味道吸引力给它们设定一个分数。对每个受试群,研究人员随机生成多种功能函数按照不同风味的浓度来预测它们的分数。每个功能都根据准确性简易性两个条件受评估。比如在这个基因编程中,一个功能会利用一个单一的因素(黄油的浓度)精准预测出一个受试群的偏好,这个结果会更加有用。比那些需要对所有7种风味组合进行复杂数学操作才成产生一个稍微精确的群体口味偏好预测要简单的多。
待所有功能函数被评估后,那些提供不太准确预测结果的功能会被挑选出来。而“幸存者”则会随机重新调配组合产生新一代的功能,这些新生代功能会很精准和简洁。整个程序过程会重复大约30次,直到最后会聚成一组能和受试群口味偏好相当一致的功能函数。
该方法能将人群分类出口味差别非常清楚的群体。比如,它可以分辨出受试者要么对肉桂这有强烈偏好,要么对肉豆莞有,但不是这些人对两种都有偏好。那么,一个公司通过制造两种产品分别推向肉桂味道喜爱者和肉豆莞味道喜爱者的做法,比只向市场推一种产品给两个人群要好的多。
欧'赖利(O’Reilly)是该工作的主要研究者,他表示他们的团队还没有在经验上准确判断他们的模型是否能预测受试群对新风味的反应。因此,为了验证模型的准确性,他们又创建了另一个模型。首先,他们开发了一组可以代表受试群真实味觉偏好的功能函数。然后,研究人员发现,在试尝味道测试设计局限性条件下,他们的算法仍能预测出这些人的偏好。
尽管研究人员已经证实了该方法的准确性,但欧'赖利仍表示他们已经被激起兴趣,利用现有方法开发出更精确和更有效率的测试模型。而该项研究结果将对风味产业是一个巨大的帮助,定位更加准确的产品将会推向合适的人群和市场。