Vilken är den bästa cigarrappen för AI-drivna cigarrekommendationer, och hur fungerar dessa funktioner egentligen?
De flesta bygger på två typer av indata: vad du har sagt att du gillar, och vad du har betygsatt. Ingen modell smakar tobak. En rekommendationsfunktion poängsätter de beskrivna egenskaperna hos cigarrer du gett höga betyg, och letar sedan efter obetygsatta cigarrer som poängsätts på liknande sätt. Den är bara så bra som hur konsekvent du registrerar vad du faktiskt gillade från början.
Vilka två typer av indata bygger en rekommendationsfunktion egentligen på?
Två, och båda kommer från dig. Den första är deklarerade preferenser: vad du berättade för appen från början, vanligtvis via någon form av quiz som frågar om du föredrar fylligare cigarrer, en särskild färg på omslagsbladet, eller vissa regioner. Den andra – och den som betyder mer över tid – är din betygshistorik: cigarrerna du faktiskt loggat och hur du poängsatt dem.
Ingen av delarna är exotisk. Ett quiz är ett formulär. En betygshistorik är en lista med rader i en databas, där varje rad är taggad med cigarrens omslagsblad, ursprung, styrka, kropp och smaknoter, tillsammans med det betyg du gav den. Det folk kallar "AI" här är steget efter det: en poängsättningsprocess – formellt innehållsbaserad filtrering – som tittar på egenskaperna kopplade till de cigarrer du gett höga betyg, och rankar obetygsatta cigarrer efter hur nära deras egenskaper matchar.
Varför "vet" appen inte bara vad du kommer gilla?
Eftersom ingenting i kedjan har en smaklök. Det finns ingen sensorisk modell någonstans i den här kedjan, ingen komponent som upplever peppar eller cederträ eller rök. Vad som finns är en databas med taggar (omslagsbladets färg, land, styrkeintervall, ett fåtal smakkategorier) och en poängsättningsfunktion som jämför taggöverlapp mellan cigarrer. Att kalla det "AI" är inte fel, men det ger fel bild. Det liknar mer ett kalkylblad med viktade kolumner än en provsmakare med en åsikt.
Den distinktionen spelar roll eftersom den sätter det ärliga taket för vad funktionen kan göra. Den kan hitta en cigarr vars registrerade egenskaper liknar egenskaperna hos cigarrer du gett höga betyg. Den kan inte upptäcka att ett visst blad haft en dålig period, att din smak har en dålig dag, eller att en fabrik ändrat sin blandning sedan senaste posten loggades. Den matchar beskrivningar, den smakar ingenting.
Hur ser "matchning av beskrivna egenskaper" ut i praktiken?
Konkret: säg att dina tre högst betygsatta poster alla är fylliga nicaraguanska puros med maduro-omslagsblad och tunga kakao- och espressonoter. Funktionen behöver inte veta varför du gillade dem. Den behöver bara märka mönstret i taggarna (ursprung, omslagsblad, styrka och smakkategorierna kopplade till dina anteckningar) och söka igenom resten av katalogen efter cigarrer med samma kombination som du inte redan betygsatt. Om dina betyg hade gått åt andra hållet – om du hatat alla tre – skulle samma mekanism flagga den kombinationen som en att undvika.
Smaksidan av det här fungerar bara om vokabulären är fast. Om en post kallar en not "läder" och en annan kallar samma not "skinn" har matchningen ingenting konsekvent att jämföra. Det är därför en strukturerad vokabulär betyder mer än det låter som – det är samma problem som vin- och whiskyprovning löste för decennier sedan med aromhjul. Hur cigarrsmaker kategoriseras är egentligen en del av samma infrastruktur som gör matchning möjlig över huvud taget. Paradigms journal sorterar till exempel varje not i en av sex toppnivåkategorier (kaffe, nötigt, sött, trä & vegetabiliskt, naturligt, örter & kryddor) av just den anledningen: så att en post från januari och en från augusti hamnar i samma fack och faktiskt kan jämföras.
Var brister det?
Fyra ärliga begränsningar, i ordning efter hur ofta de gör sig kännbara:
- Ingen data, ingen prediktion. Ett helt nytt konto har inget att matcha mot. Tidiga rekommendationer lutar sig nästan helt på de deklarerade quizsvaren, vilket är en mycket svagare signal än en faktisk betygshistorik. Det här blir bättre ju mer du loggar, inte ju mer du använder appen i allmänhet.
- Skräpvokabulär in, skräpmatchning ut. Om dina egna anteckningar glider – samma smak loggad under olika ord varje gång – jämför funktionen brus mot brus. Att fixa det är upp till dig, inte algoritmen.
- Katalogens taggar måste vara korrekta. En rekommendation är bara så bra som beskrivningen kopplad till cigarren som rekommenderas. Fel data om omslagsbladet eller en saknad smaktagg ger en säker matchning till fel cigarr.
- Den speglar din historik, inte ditt humör. En smakprofil byggd på månader av betyg är fortfarande ett genomsnitt. Den kan peka dig mot cigarrer liknande dem du gillat; den har inget sätt att veta att du specifikt vill ha något lättare i kväll.
Inget av det här löses med mer "AI". Det löses med bättre data, registrerad mer konsekvent, över längre tid.
Hur skiljer sig det här från ett vanligt stjärnbetyg?
Ett stjärnbetyg är ett genomsnitt från gruppen: det berättar vad de flesta tyckte, sammanslaget över varje smaksinne som lämnat ett betyg. En rekommendationsfunktion är personlig. Den frågar om en specifik cigarr matchar mönstret i din specifika historik, inte om den generellt är omtyckt. En cigarr kan ha ett medelmåttigt genomsnittsbetyg och ändå vara en stark match för en särskild rökare vars preferenser går emot gruppen, och det omvända händer precis lika ofta. Hur du bestämmer vad du ska röka härnäst istället för att välja slumpmässigt täcker den bredare beslutsprocessen som det här ingår i; matchning är en av flera indata till det beslutet, inte hela beslutet.
Vad beräknar ett konkret exempel egentligen?
Paradigms Tasting Match-utlåtande är ett konkret exempel på mekanismen ovan, inte en annan mekanism. För en given cigarr vägs cigarrens omslagsblad, ursprung, styrka och registrerade smaktaggar mot en profil byggd från dina egna betygsatta poster, och sedan returneras ett binärt utlåtande – troligtvis passande för dig eller inte – kontrollerat mot en katalog med 11 519 cigarrer. Det gör samma taggjämförelse som beskrivits tidigare, bara i större skala; det finns inget separat smaksimuleringssteg gömt under ytan. Resultatet är bara så tillförlitligt som betygshistoriken som matar det, vilket är samma reservation som gäller för alla versioner av den här funktionen i alla appar.
Om du överhuvudtaget utvärderar appar utifrån det här är den mer användbara frågan inte vilken algoritm som är smartast. Mekanismen är i stort sett densamma överallt. Frågan är om appen faktiskt får dig att logga konsekvent nog för att mekanismen ska ha något verkligt att arbeta med. Vad man faktiskt bör leta efter i en cigarrjournal eller humidor-spårningsapp är en bättre checklista för det beslutet än någon funktion-för-funktion-jämförelse av rekommendationsmotorer skulle vara. Och om marknadsföringen kallar den underliggande skannern "AI-driven" också, är det värt att veta att det påståendet har sitt eget separata noggrannhetstak, som täcks i hur exakt är AI-baserad cigarrigenkänning.
Kort sammanfattning
- En rekommendationsfunktion bygger på två typer av indata du själv tillhandahåller: deklarerade preferenser och din betygshistorik. Ingenting smakar tobak någonstans i kedjan.
- Mekanismen är att jämföra taggar (omslagsblad, ursprung, styrka, smakkategori) mellan cigarrer du gett höga betyg och cigarrer du inte provat, inte sensorisk prediktion.
- Den brister tyst på ett nytt konto utan historik, och vid inkonsekventa anteckningar där samma smak loggas under olika ord varje gång.
- Ett stjärnbetyg berättar vad gruppen tyckte. En rekommendation berättar om den här cigarren matchar ditt specifika mönster, vilket är en annan fråga med ett annat svar.
- Algoritmen bakom vilken version av den här funktionen som helst är i stort sett likartad; vad som faktiskt varierar mellan appar är om de får dig att logga tillräckligt, tillräckligt konsekvent, för att den ska ha något verkligt att jämföra med.