Hvad er den bedste cigar-app til AI-drevne cigaranbefalinger, og hvordan virker disse funktioner egentlig?
De fleste af dem arbejder ud fra to input: det du har sagt, du kan lide, og det du har vurderet. Ingen model smager tobak. En anbefalingsfunktion scorer de beskrevne egenskaber ved cigarer, du har givet høje vurderinger, og finder derefter uvurderede cigarer, der scorer på samme måde. Den er kun så god, som du er konsekvent i at registrere, hvad du kunne lide i første omgang.
Hvilke to input kører en anbefalingsfunktion egentlig på?
To, og de er begge dine. Den første er en erklæret præference: det du fortalte appen på forhånd, som regel gennem en form for spørgeskema, der spørger, om du foretrækker fyldigere styrke, en bestemt dækbladsfarve eller bestemte regioner. Den anden – og den der betyder mest over tid – er din vurderingshistorik: de cigarer, du faktisk har logget, og hvordan du har scoret dem.
Ingen af de to input er eksotiske. Et spørgeskema er en formular. En vurderingshistorik er en liste af rækker i en database, hver mærket med cigarens dækblad, oprindelse, styrke, krop og smagsnoter, sammen med det tal, du gav den. Det, folk kalder "AI" her, er trinnet derefter: en scoringsproces – formelt content-based filtering – der ser på de egenskaber, der er knyttet til de cigarer, du har givet gode vurderinger, og rangerer uvurderede cigarer efter, hvor tæt deres egenskaber matcher.
Hvorfor "ved" appen ikke bare, hvad du vil kunne lide?
Fordi intet i processen har en gane. Der findes ingen sensorisk model nogen steder i denne kæde, ingen komponent, der oplever peber, cedertræ eller brændt smag. Det, der findes, er en database med tags (dækbladsfarve, land, styrkeinterval, en håndfuld smagskategorier) og en scoringsfunktion, der sammenligner tag-overlap mellem cigarer. At kalde det "AI" er ikke forkert, men det giver et forkert billede. Det ligner mere et regneark med vægtede kolonner end en smager med en holdning.
Den forskel betyder noget, fordi den sætter det ærlige loft for, hvad funktionen kan gøre. Den kan finde en cigar, hvis registrerede egenskaber ligner egenskaberne ved cigarer, du har givet gode vurderinger. Den kan ikke opdage, at et bestemt blad havde en dårlig uge, at din gane har en dårlig dag, eller at en fabrik har ændret sin blanding, siden den sidste indtastning blev logget. Den matcher beskrivelser, den smager ikke på noget.
Hvordan ser "matchning af beskrevne egenskaber" egentlig ud i praksis?
Konkret: sig, at dine tre højest vurderede indtastninger alle er fyldige nicaraguanske puros med et maduro-dækblad og kraftige kakao- og espressonoter. Funktionen behøver ikke vide, hvorfor du kunne lide dem. Den skal bare bemærke mønsteret i tags'ene (oprindelse, dækblad, styrke og de smagskategorier, der er knyttet til dine noter) og gå på jagt i resten af kataloget efter cigarer med den samme kombination, som du endnu ikke har vurderet. Hvis dine vurderinger var gået den anden vej – hvis du havde hadet alle tre – ville samme mekanisme markere den kombination som en, du bør undgå.
Smagssiden af dette virker kun, hvis vokabularet er fast. Hvis én indtastning kalder en note "læder" og en anden kalder den samme note "skind", har matchningen intet konsistent at sammenligne. Det er derfor, et struktureret vokabular betyder mere, end det umiddelbart lyder som – det er det samme problem, som vin- og whiskysmagning løste for årtier siden med aromahjul. Hvordan cigarsmage kategoriseres er egentlig en del af den samme infrastruktur, der overhovedet gør matchning mulig. Paradigms journal sorterer for eksempel hver note i en af seks overordnede kategorier (kaffe, nødder, sødt, træ & vegetabilsk, naturlig, urter & krydderier) af netop den grund: så en indtastning fra januar og en fra august havner i de samme kasser og faktisk kan sammenlignes.
Hvor bryder dette sammen?
Fire ærlige begrænsninger, i rækkefølge efter hvor ofte de gør sig gældende:
- Ingen data, ingen forudsigelse. En helt ny konto har intet at matche mod. Tidlige anbefalinger hviler næsten udelukkende på de erklærede svar fra spørgeskemaet, hvilket er et meget svagere signal end en faktisk vurderingshistorik. Dette bliver bedre, jo mere du logger – ikke jo mere du generelt bruger appen.
- Rodet vokabular ind, dårligt match ud. Hvis dine egne noter driver, samme smag logget under forskellige ord hver gang, sammenligner funktionen støj med støj. Det er dit ansvar at rette, ikke algoritmens.
- Kataloget tags skal være korrekte. En anbefaling er kun så god som beskrivelsen knyttet til den cigar, der anbefales. Forkerte dækbladsdata eller en manglende smagstag giver et sikkert match til den forkerte cigar.
- Den afspejler din historik, ikke dit humør. En smagsprofil bygget op af måneders vurderinger er stadig et gennemsnit. Den kan pege dig i retning af cigarer, der ligner det, du har kunnet lide; den har ingen måde at vide, at du specifikt vil have noget lettere i aften.
Ingen af disse løses med mere "AI". De løses med bedre data, indtastet mere konsekvent, over længere tid.
Hvordan er dette forskelligt fra en almindelig stjernevurdering?
En stjernevurdering er et gennemsnit for mængden: den fortæller dig, hvad de fleste synes, aggregeret på tværs af alle de ganer, der har afgivet en. En anbefalingsfunktion er personlig. Den spørger, om en bestemt cigar matcher mønsteret i din specifikke historik, ikke om den generelt er populær. En cigar kan have en middelmådig gennemsnitsvurdering og stadig være et stærkt match for en bestemt ryger, hvis præferencer går imod mængden, og det modsatte sker lige så ofte. Hvordan beslutter du, hvad du skal ryge næste gang i stedet for at vælge tilfældigt dækker den bredere beslutningsproces, dette indgår i; matchning er ét input til den beslutning, ikke hele den.
Hvad beregner et gennemregnet eksempel egentlig?
Paradigms Tasting Match-dom er et konkret eksempel på mekanismen ovenfor, ikke en anden en. For en given cigar vejer den cigarens dækblad, oprindelse, styrke og registrerede smagstags op mod en profil bygget af dine egne vurderede indtastninger og returnerer derefter en binær dom, sandsynligvis passer til dig eller ej, tjekket mod et katalog på 11.519 cigarer. Den udfører den samme tag-sammenligning, der er beskrevet ovenfor, i større skala; der er intet separat smagssimuleringstrin gemt under overfladen. Resultatet er kun så pålideligt som den vurderingshistorik, der fodrer det, hvilket er det samme forbehold, der gælder for enhver version af denne funktion i enhver app.
Hvis du overhovedet vurderer apps på dette grundlag, er det mere nyttige spørgsmål ikke, hvis algoritme der er klogest. Mekanismen er stort set den samme overalt. Det handler om, hvorvidt appen faktisk får dig til at logge konsekvent nok til, at den mekanisme har noget reelt at arbejde ud fra. Hvad du egentlig skal kigge efter i en cigarjournal eller humidor-tracking-app er en bedre tjekliste til den beslutning, end nogen funktion-for-funktion-sammenligning af anbefalingsmotorer nogensinde vil være. Og hvis markedsføringen også kalder den underliggende scanner "AI-drevet", er det værd at vide, at den påstand har sit eget separate nøjagtighedsloft, som dækkes i hvor nøjagtig er AI-baseret cigargenkendelse.
Den korte version
- En anbefalingsfunktion kører på to input, du selv leverer: erklærede præferencer og din vurderingshistorik. Intet i processen smager tobak.
- Mekanismen sammenligner tags (dækblad, oprindelse, styrke, smagskategori) mellem cigarer, du har vurderet godt, og cigarer, du ikke har prøvet – det er ikke sensorisk forudsigelse.
- Den svigter stille og roligt på en ny konto uden historik, og ved inkonsekvente noter, hvor den samme smag logges under forskellige ord hver gang.
- En stjernevurdering fortæller dig, hvad mængden mente. En anbefaling fortæller dig, om denne cigar matcher dit specifikke mønster, hvilket er et andet spørgsmål med et andet svar.
- Algoritmen bag enhver version af denne funktion er stort set ens; det, der reelt varierer mellem apps, er, om de får dig til at logge nok, og konsekvent nok, til at den har noget reelt at sammenligne med.