Qual é a melhor app de charutos para recomendações baseadas em IA e como funcionam realmente estas funcionalidades?
A maioria funciona a partir de duas entradas: o que disse que gosta e o que avaliou. Nenhum modelo prova tabaco. Uma função de recomendação pontua as características descritas dos charutos que avaliou bem e depois procura charutos por avaliar com pontuação semelhante. Só é tão boa quanto a consistência com que registou aquilo de que gostou, em primeiro lugar.
Que duas entradas alimentam realmente uma função de recomendação?
Duas, e ambas são suas. A primeira é a preferência declarada: aquilo que disse à app à partida, normalmente através de alguma versão de um questionário que pergunta se prefere corpos mais encorpados, um determinado tom de capa ou certas regiões. A segunda, e a que mais importa ao longo do tempo, é o seu histórico avaliado: os charutos que efetivamente registou e a pontuação que lhes deu.
Nenhuma destas entradas é exótica. Um questionário é um formulário. Um histórico avaliado é uma lista de linhas numa base de dados, cada uma etiquetada com a capa, a origem, a força, o corpo e as notas de sabor do charuto, ao lado do número que lhe atribuiu. Aquilo a que se chama "IA" aqui é o passo seguinte: um processo de pontuação — formalmente, filtragem baseada em conteúdo — que observa as características associadas aos charutos que avaliou bem e ordena os charutos por avaliar consoante a proximidade das suas características.
Porque é que a app não "sabe" simplesmente do que vai gostar?
Porque nada nesta cadeia tem palato. Não existe qualquer modelo sensorial em lado nenhum deste processo, nenhum componente que experimente pimenta, cedro ou carvão. O que existe é uma base de dados de etiquetas (tom de capa, país, escalão de força, um punhado de categorias de sabor) e uma função de pontuação que compara a sobreposição de etiquetas entre charutos. Chamar-lhe "IA" não é errado, mas convida à imagem errada. Está mais próximo de uma folha de cálculo com colunas ponderadas do que de um provador com uma opinião.
Essa distinção importa porque define o teto honesto daquilo que a funcionalidade consegue fazer. Consegue encontrar um charuto cujas características registadas se assemelham às dos charutos que avaliou bem. Não consegue detetar que uma determinada folha teve uma semana menos boa, que o seu palato está num dia menos bom, ou que uma fábrica alterou o blend desde que o último registo foi feito. Está a comparar descrições, não a provar seja o que for.
Como é, na prática, "corresponder características descritas"?
Concretamente: imagine que os seus três registos mais bem avaliados são todos puros nicaraguenses encorpados, com capa maduro e notas intensas de cacau e café expresso. A funcionalidade não precisa de saber porque é que gostou deles. Só precisa de notar o padrão nas etiquetas (origem, capa, força e as categorias de sabor associadas às suas notas) e ir procurar no resto do catálogo charutos com a mesma combinação que ainda não avaliou. Se as suas avaliações tivessem ido no sentido oposto, se tivesse detestado os três, o mesmo mecanismo sinalizaria essa combinação como algo a evitar.
O lado dos sabores só funciona se o vocabulário for fixo. Se um registo chama a uma nota "couro" e outro chama à mesma nota "pele", a correspondência não tem nada de consistente para comparar. É por isso que um vocabulário estruturado importa mais do que parece — é o mesmo problema que a prova de vinhos e de whisky resolveu há décadas com as rodas de aromas. Como são categorizados os sabores dos charutos é, na verdade, uma peça da mesma infraestrutura que torna a correspondência sequer possível. O diário da Paradigm, por exemplo, organiza cada nota numa de seis categorias de topo (café, frutos secos, doce, madeira e vegetal, natural, ervas e especiarias) exatamente por esta razão: para que um registo de janeiro e outro de agosto caiam nos mesmos grupos e possam realmente ser comparados.
Onde é que isto falha?
Quatro limites honestos, por ordem da frequência com que incomodam:
- Sem dados, não há previsão. Uma conta acabada de criar não tem nada com que fazer correspondência. As primeiras recomendações apoiam-se quase inteiramente nas respostas declaradas do questionário, que são um sinal muito mais fraco do que um histórico avaliado real. Isto melhora quanto mais registar, não quanto mais usar a app em geral.
- Vocabulário mau à entrada, correspondência má à saída. Se as suas próprias notas derivarem, com o mesmo sabor registado sob palavras diferentes de cada vez, a funcionalidade está a comparar ruído com ruído. Corrigir isso depende de si, não do algoritmo.
- As etiquetas do catálogo têm de estar corretas. Uma recomendação só é tão boa quanto a descrição associada ao charuto recomendado. Dados de capa errados ou uma etiqueta de sabor em falta produzem uma correspondência confiante com o charuto errado.
- Reflete o seu histórico, não o seu estado de espírito. Um perfil de palato construído a partir de meses de avaliações continua a ser uma média. Pode apontar-lhe charutos semelhantes àqueles de que gostou; não tem forma de saber que hoje à noite quer especificamente algo mais leve.
Nenhum destes problemas se resolve com mais "IA". Resolvem-se com melhores dados, introduzidos de forma mais consistente, ao longo de mais tempo.
Em que é que isto difere de uma simples classificação por estrelas?
Uma classificação por estrelas é uma média da multidão: diz-lhe o que a maioria das pessoas achou, agregado ao longo de todos os palatos que a submeteram. Uma função de recomendação é personalizada. Pergunta se um charuto específico corresponde ao padrão do seu histórico específico, não se é genericamente bem visto. Um charuto pode ter uma classificação média medíocre e ainda assim ser uma forte correspondência para um fumador em particular cujas preferências vão contra a corrente, e o inverso acontece com a mesma frequência. Como decidir o que fumar a seguir em vez de escolher ao acaso aborda o processo de decisão mais amplo em que isto se insere; a correspondência é uma das entradas dessa decisão, não a decisão toda.
O que é que um exemplo concreto calcula, afinal?
O veredicto Tasting Match da Paradigm é um caso concreto do mecanismo acima, não um mecanismo diferente. Para um dado charuto, pondera a capa, a origem, a força e as etiquetas de sabor registadas do charuto face a um perfil construído a partir dos seus próprios registos avaliados, devolvendo depois um veredicto binário — provável que lhe agrade ou não — verificado contra um catálogo de 11 519 charutos. Está a fazer a mesma comparação de etiquetas descrita antes, apenas a uma escala maior; não há nenhum passo separado de simulação de paladar escondido por baixo. O resultado é apenas tão fiável quanto o histórico avaliado que o alimenta, que é a mesma ressalva aplicável a qualquer versão desta funcionalidade em qualquer app.
Se está mesmo a avaliar apps nesta base, a pergunta mais útil não é qual tem o algoritmo mais inteligente. O mecanismo é, em traços gerais, o mesmo em todo o lado. É se a app consegue efetivamente levá-lo a registar com consistência suficiente para que esse mecanismo tenha algo real com que trabalhar. O que procurar realmente numa app de diário de charutos ou de gestão de humidor é uma lista de verificação melhor para essa decisão do que qualquer comparação funcionalidade a funcionalidade de motores de recomendação. E se o marketing também descrever o scanner subjacente como "alimentado por IA", vale a pena saber que essa afirmação tem o seu próprio teto de precisão, abordado em qual é a precisão do reconhecimento de charutos por IA.
A versão curta
- Uma função de recomendação funciona com duas entradas fornecidas por si: preferências declaradas e o seu histórico avaliado. Nada prova tabaco em ponto algum do processo.
- O mecanismo consiste em comparar etiquetas (capa, origem, força, categoria de sabor) entre charutos que avaliou bem e charutos que ainda não experimentou, não em previsão sensorial.
- Falha discretamente numa conta nova sem histórico e em notas inconsistentes, onde o mesmo sabor é registado sob palavras diferentes de cada vez.
- Uma classificação por estrelas diz-lhe o que a multidão achou. Uma recomendação diz-lhe se este charuto corresponde ao seu padrão específico, o que é uma pergunta diferente com uma resposta diferente.
- O algoritmo por trás de qualquer versão desta funcionalidade é, em traços gerais, semelhante; o que varia realmente entre apps é se conseguem levá-lo a registar o suficiente, com consistência suficiente, para que haja algo real a comparar.