थोडक्यात उत्तर: एखादी संकल्पना screening मधून तगली की, लक्ष्य फ्लेवर brief आणि pilot kettle मधून प्रत्यक्षात जे बाहेर आले यातील अंतर भरून काढणे हे माझे काम होते. संथ मार्ग म्हणजे trial-and-error — brew करा, चव घ्या, बदल करा, पुन्हा करा. AI आणि सेन्सरी अॅनालिटिक्समुळे मला प्रत्येक मागील batch मधून एकाच वेळी शिकता आले, म्हणून मी कमी trial brews मध्ये लक्ष्याकडे एकवटलो. मॉडेल सुचवते; पॅनेल अजूनही चव घेते. विकासाचे चक्र कसे आवळले गेले ते इथे आहे.
brief म्हणजे एक फ्लेवर; kettle आकड्यांत बोलते
विकास brief एखाद्या वाक्यासारखे वाचते: एक कुरकुरीत, सहज पिता येणारी lager, कमी bitterness, स्वच्छ शेवट, फिकट पेंढ्याचा रंग. brewhouse मोजमापांत उत्तर देते — original gravity, attenuation, IBU, EBC रंग, आणि fermentation मधून बाहेर पडणारी ester व उच्च-alcohol रूपरेषा. या दोन भाषांमधील पूल बांधणे हेच विकासाचे संपूर्ण काम आहे, आणि मुळात ती एक डेटा समस्या आहे.
वर्षानुवर्षे मी हा पूल एका-वेळी-एक-घटक असा बांधला: hop addition बदला, brew करा, चव घ्या, लिहून घ्या. ते चालते, पण प्रत्येक फेरी म्हणजे आठवड्यांत मोजला जाणारा खराखुरा pilot brew. अशा प्रकारे डझनभर बिअर विकसित करताना, तुमचे बहुतांश आयुष्य fermentation ची वाट पाहण्यात जाते.
मागील batches ना पुढची शिकवू देणे
बदल असा होता की मी कधीही केलेला प्रत्येक pilot training data म्हणून मानला. प्रत्येक batch आधीच एक नियंत्रित प्रयोग आहे — एका बाजूला नोंदवलेले रेसिपी व प्रक्रिया inputs, दुसऱ्या बाजूला विश्लेषणात्मक व सेन्सरी outputs. एकत्र केल्यावर, तो इतिहास तुम्ही काय करता आणि काय मिळवता यातील संबंध धरून ठेवतो.
त्यावर प्रशिक्षित मॉडेल एका ब्रूअरच्या स्मृतीला न जमणारे काही करते: ते एकाच वेळी शेकडो मागील batches चे वजन करते आणि brief गाठण्याची सर्वाधिक शक्यता असलेल्या पुढील trial चा क्रम लावते. ते रेसिपी सुरुवातीपासून डिझाइन करणार नाही — पण “body पातळ न करता ही bitterness कमी कर” याकडे रोखले की, ते डझनभर शक्य बदलांना brew करण्यायोग्य अशा दोनवर आणते. कमी फेऱ्या, तेच लक्ष्य.
प्रामाणिक पूर्वअट म्हणजे त्याखालचे data science. process logs पूर्ण आणि सुसंगत असावी लागली; “आधी मोजा, मग मॉडेल करा” हे केवळ घोषवाक्य नाही, जेव्हा एखादे गहाळ mash तापमान शांतपणे भविष्यवाणी बिघडवते.
सेन्सरी डेटा हा अवघड भाग आहे
विश्लेषणात्मक आकडे सोपे असतात — उपकरणे पुनरावृत्तीयोग्य असतात. सेन्सरी डेटा तिथेच विकास जगतो आणि मरतो, आणि तो भव्यपणे गोंधळलेला असतो. चव घेणारे एका सत्रात बदलतात, मोजपट्ट्या वेगवेगळ्या वापरतात, आणि लहान पॅनेलवर दोन प्रबळ मते सरासरी झुकवू शकतात. यातील काहीही मॉडेल करण्याआधी, पॅनेलचे calibration करून त्यातील तफावत समजून घ्यावी लागली — नाहीतर तुम्ही noise चे मॉडेल करता आणि त्याला फ्लेवर म्हणता.
पॅनेल डेटा विश्वासार्ह झाल्यावर, tasting sheets डिजिटायझ केल्याने मला खरडलेल्या नोंदींवर अवलंबून न राहता एका रेसिपीची रूपरेषा trial ते trial कशी बदलली ते मागोवा घेता आले. इथेच generative AI ला आज स्थान मिळते: जेव्हा पॅनेल विभागते — अर्धे एक off-note चाखतात, अर्धे नाही — तेव्हा LLM टिप्पण्या तपासून दोन गटांना वेगळी करणारी descriptor-भाषा समोर आणू शकते, आणि पुनरावलोकनासाठी tasting notes ची पहिली आवृत्ती मसुदा म्हणून तयार करू शकते. ते असहमती समजावून सांगते; ते कधीच ती सोडवत नाही. केवळ पॅनेलच ते करते.
हे कुठे मोडते
मॉडेल जिथे डेटा पाहिला आहे तिथेच आत्मविश्वासाने वागते, आणि बाकी सगळीकडे भोळे असते. एखाद्या रेसिपीला मागील batches च्या टप्प्याबाहेर ढकला — नवीन hop प्रकार, असामान्य adjunct, कधीही न चालवलेले fermentation तापमान — आणि भविष्यवाणी म्हणजे तथ्याचा मुखवटा घातलेले extrapolation असते. ते नित्याचे चांगले शिकते आणि खरोखर नवे वाईट शिकते, जे विचित्र आहे, कारण नावीन्य हाच विकासाचा हेतू आहे.
आणि ते चव घेऊ शकत नाही. bitterness लक्ष्याजवळ येईल हे ते वर्तवू शकते; पण बिअर कंटाळवाणी आहे हे ते सांगू शकत नाही. आकडे सगळे brief नुसार असू शकतात आणि तरीही बिअर लाँच करण्याजोगी नसते. “spec पाळते” आणि “पिण्याजोगी आहे” यातील ती दरी म्हणजे ब्रूइंगचा नेमका तो भाग जिथे कोणतेही मॉडेल पोहोचत नाही.
सारांश
रेसिपी आणि सेन्सरी अॅनालिटिक्सने trial brew ची जागा घेतली नाही — त्यांनी मला कमी brews चालवायला लावले. मी कधीही नोंदवलेल्या प्रत्येक batch मधून शिकून, डेटाने brief गाठण्याची सर्वाधिक शक्यता असलेल्या पुढील trial कडे बोट दाखवले, आणि डिजिटायझ्ड सेन्सरी मागोव्याने मी जवळ जात आहे का हे प्रामाणिकपणे सांगितले. त्यामुळे विकास संथ कूचातून मार्गदर्शित शोधात बदलला. पण मॉडेल सुचवते आणि पॅनेल निकाल देते: चव-जाणीव, आणि बिअर खरोखर चांगली आहे का याचा निर्णय, माणसाकडेच राहिला. पुढे, NPD चा प्रत्येकाला नम्र करणारा भाग — pilot ला पूर्ण scale वरच्या उडीतून तगवणे.
Beer NPD with Data — ३ पैकी भाग २. संपूर्ण मालिका · मागील: कोणती बिअर बनवावी · पुढील: pilot ते production पर्यंत scaling →
वारंवार विचारले जाणारे प्रश्न
AI बिअरची रेसिपी डिझाइन करू शकते का? AI रेसिपी आणि प्रक्रियेतील बदल सुचवू शकते आणि bitterness, रंग व attenuation सारख्या मोजता येणाऱ्या परिणामांवरील त्यांचा संभाव्य प्रभाव वर्तवू शकते. ती चव घेऊ शकत नाही, म्हणून ब्रूअरच्या चव-जाणिवेची किंवा निर्णयाची जागा घेण्याऐवजी ती ब्रूअर चालवणाऱ्या trials ची संख्या कमी करते.
डेटा trial brews ची संख्या कशी कमी करतो? मागील batches मधून रेसिपी व प्रक्रियेतील inputs आणि त्यातून येणारे विश्लेषणात्मक व सेन्सरी outputs यांच्यातील संबंध शिकून, मॉडेल सर्वांत आशादायक पुढील trial चा क्रम लावू शकते — त्यामुळे एका-वेळी-एक-घटक करण्याऐवजी तुम्ही कमी pilot brews मध्ये लक्ष्याकडे एकवटता.
सेन्सरी पॅनेल डेटाला इतकी साफसफाई का लागते? चव घेणारे बदलत राहतात, मोजपट्ट्या वेगवेगळ्या प्रकारे वापरल्या जातात, आणि मूठभर पॅनेलिस्ट लहान पॅनेलला झुकवू शकतात. चव घेणाऱ्यांचे calibration करणे आणि त्या तफावतीचा हिशेब ठेवणे हेच डेटाला मॉडेल करण्याइतका विश्वासार्ह बनवते — हे वगळा आणि तुम्ही noise चे मॉडेल कराल.