Hva er den beste sigarappen for AI-drevne sigaranbefalinger, og hvordan fungerer disse funksjonene egentlig?
De fleste av dem jobber med to typer input: hva du har sagt at du liker, og hva du har vurdert. Ingen modell smaker tobakk. En anbefalingsfunksjon vurderer de beskrevne egenskapene til sigarer du har gitt høy vurdering, og finner deretter uvurderte sigarer med lignende score. Funksjonen er bare så god som hvor konsekvent du registrerer hva du likte i utgangspunktet.
Hvilke to typer input kjører egentlig en anbefalingsfunksjon på?
To, og begge er dine egne. Den første er uttalt preferanse: det du fortalte appen på forhånd, vanligvis gjennom en slags quiz som spør om du foretrekker fyldigere sigarer, en bestemt dekkbladfarge, eller bestemte regioner. Den andre – og den som betyr mest over tid – er din vurderingshistorikk: sigarene du faktisk har registrert, og hvordan du vurderte dem.
Ingen av disse inputene er eksotiske. En quiz er et formular. En vurderingshistorikk er en liste med rader i en database, hver merket med sigarens dekkblad, opprinnelse, styrke, kropp og smaksnotater, sammen med tallet du ga den. Det folk kaller «AI» her, er trinnet etter dette: en vurderingsprosess – formelt kalt content-based filtering – som ser på egenskapene knyttet til sigarene du har vurdert høyt, og rangerer uvurderte sigarer etter hvor nært egenskapene deres matcher.
Hvorfor «vet» ikke appen bare hva du vil like?
Fordi ingenting i prosessen har en smak. Det finnes ingen sensorisk modell noe sted i denne kjeden, ingen komponent som opplever pepper, sedertre eller røyksmak. Det som finnes, er en database med tagger (dekkbladfarge, land, styrkenivå, en håndfull smakskategorier) og en vurderingsfunksjon som sammenligner overlapp av tagger mellom sigarer. Å kalle dette «AI» er ikke feil, men det skaper et misvisende bilde. Det ligger nærmere et regneark med vektede kolonner enn en smaker med en mening.
Dette skillet betyr noe fordi det setter det reelle taket for hva funksjonen kan klare. Den kan finne en sigar hvis registrerte egenskaper ligner egenskapene til sigarer du har vurdert høyt. Den kan ikke oppdage at et bestemt blad hadde en dårlig uke, at din egen smak har en dårlig dag, eller at en fabrikk har endret blandingen sin siden siste registrering. Den matcher beskrivelser, den smaker ingenting.
Hvordan ser egentlig «å matche beskrevne egenskaper» ut i praksis?
Konkret eksempel: si at dine tre høyest vurderte registreringer alle er fyldige nicaraguanske puros med maduro-dekkblad og tunge noter av kakao og espresso. Funksjonen behøver ikke vite hvorfor du likte dem. Den må bare legge merke til mønsteret i taggene (opprinnelse, dekkblad, styrke, og smakskategoriene knyttet til notatene dine) og deretter søke gjennom resten av katalogen etter sigarer med samme kombinasjon som du ikke har vurdert ennå. Hadde vurderingene dine gått motsatt vei – om du hadde hatet alle tre – ville samme mekanisme markert denne kombinasjonen som noe å unngå.
Smakssiden av dette fungerer bare hvis vokabularet er fast. Hvis én registrering kaller en note «lær» og en annen kaller samme note «skinn», har matchingen ingenting konsistent å sammenligne. Det er derfor et strukturert vokabular betyr mer enn man skulle tro – det er det samme problemet som vin- og whiskysmaking løste for flere tiår siden med aromahjul. Hvordan sigarsmaker kategoriseres er egentlig en del av den samme infrastrukturen som gjør matching mulig i det hele tatt. Paradigms journal, for eksempel, sorterer hver note inn i én av seks hovedkategorier (kaffe, nøtteaktig, søtt, tre og vegetabilsk, naturlig, urter og krydder) av nettopp denne grunnen: slik at en registrering fra januar og en fra august lander i samme bøtte og faktisk kan sammenlignes.
Hvor bryter dette sammen?
Fire reelle begrensninger, i rekkefølge etter hvor ofte de gjør seg gjeldende:
- Ingen data, ingen prediksjon. En helt ny konto har ingenting å matche mot. Tidlige anbefalinger baserer seg nesten utelukkende på de oppgitte quiz-svarene, noe som er et mye svakere signal enn en faktisk vurderingshistorikk. Dette blir bedre ettersom du registrerer mer, ikke ettersom du bruker appen mer generelt.
- Dårlig vokabular inn, dårlig match ut. Hvis dine egne notater svinger – samme smak registrert med forskjellige ord hver gang – sammenligner funksjonen støy med støy. Å fikse dette er ditt ansvar, ikke algoritmens.
- Katalogens tagger må være riktige. En anbefaling er bare så god som beskrivelsen knyttet til sigaren som anbefales. Feil dekkbladdata eller en manglende smakstag gir en sikker match til feil sigar.
- Den reflekterer historikken din, ikke humøret ditt. En smaksprofil bygget opp over måneder med vurderinger er fortsatt et gjennomsnitt. Den kan peke deg mot sigarer som ligner på det du har likt; den har ingen måte å vite at du spesifikt vil ha noe lettere i kveld.
Ingen av disse løses med mer «AI». De løses med bedre data, registrert mer konsekvent, over lengre tid.
Hvordan er dette annerledes enn en vanlig stjernevurdering?
En stjernevurdering er et gjennomsnitt fra mengden: den viser hva de fleste mente, aggregert over alle smaksprofiler som har bidratt med en vurdering. En anbefalingsfunksjon er personlig. Den spør om en bestemt sigar matcher mønsteret i din spesifikke historikk, ikke om den generelt er godt likt. En sigar kan ha en middels snittvurdering og likevel være en sterk match for én bestemt røyker hvis preferanser går mot strømmen, og det motsatte skjer like ofte. Hvordan bestemmer du hva du skal røyke neste gang i stedet for å velge tilfeldig går gjennom den bredere beslutningsprosessen dette er en del av; matching er ett innspill til den beslutningen, ikke hele den.
Hva beregner egentlig et konkret eksempel?
Paradigms Tasting Match-vurdering er et konkret eksempel på mekanismen ovenfor, ikke en annen type mekanisme. For en gitt sigar vekter den sigarens dekkblad, opprinnelse, styrke og registrerte smakstagger mot en profil bygget fra dine egne vurderte registreringer, og returnerer deretter en binær konklusjon – sannsynligvis passende for deg eller ikke – kontrollert mot en katalog på 11 519 sigarer. Den gjør den samme taggsammenligningen som beskrevet tidligere, bare i større skala; det finnes ingen separat smakssimulering som skjuler seg under. Resultatet er bare så pålitelig som vurderingshistorikken som ligger til grunn, og det er samme forbehold som gjelder for enhver versjon av denne funksjonen i enhver app.
Hvis du i det hele tatt vurderer apper på dette grunnlaget, er ikke det mest nyttige spørsmålet hvilken algoritme som er smartest. Mekanismen er i grove trekk den samme overalt. Det som betyr noe, er om appen faktisk får deg til å registrere konsekvent nok for at mekanismen skal ha noe reelt å jobbe med. Hva du egentlig bør se etter i en sigarjournal eller app for humidor-sporing er en bedre sjekkliste for den beslutningen enn noen funksjon-for-funksjon-sammenligning av anbefalingsmotorer vil være. Og hvis markedsføringen også kaller den underliggende skanneren «AI-drevet», er det verdt å vite at den påstanden har sitt eget, separate nøyaktighetstak, dekket i hvor nøyaktig er AI-basert sigargjenkjenning.
Kort oppsummert
- En anbefalingsfunksjon kjører på to typer input du selv gir: oppgitte preferanser og din vurderingshistorikk. Ingenting smaker tobakk noe sted i prosessen.
- Mekanismen sammenligner tagger (dekkblad, opprinnelse, styrke, smakskategori) mellom sigarer du har vurdert høyt og sigarer du ikke har prøvd – ikke sensorisk prediksjon.
- Den svikter stille på en ny konto uten historikk, og ved inkonsekvente notater hvor samme smak registreres med forskjellige ord hver gang.
- En stjernevurdering viser hva mengden mente. En anbefaling viser om denne sigaren matcher ditt spesifikke mønster, som er et annet spørsmål med et annet svar.
- Algoritmen bak enhver versjon av denne funksjonen er i grove trekk lik; det som faktisk varierer mellom apper, er om de får deg til å registrere nok, konsekvent nok, til at den har noe reelt å sammenligne.