什么是最好的AI雪茄推荐应用？这些功能究竟是如何运作的？
大多数此类功能依赖两种输入：你表明喜欢的内容，以及你给出的评分。没有任何模型能品尝烟草。推荐功能会对你评分较高的雪茄的描述特征进行打分，然后找出得分相近的、你尚未评分的雪茄。它的好坏,取决于你一开始记录喜好的一致性。
推荐功能究竟依赖哪两种输入？
两种,而且都来自你自己。第一种是声明的偏好:你一开始告诉应用的信息,通常通过某种问卷形式,询问你偏好更浓郁的口感、特定的茄衣色泽,还是某些产区。第二种,也是随着时间推移更重要的一种,是你的评分历史:你实际记录过的雪茄,以及你给出的评分。
这两种输入都并不神秘。问卷就是一张表单。评分历史就是数据库里的一行行记录,每一行都标注了雪茄的茄衣、产地、浓度、口感和风味笔记,旁边附上你给出的分数。人们所说的"AI",其实是接下来的那一步:一个打分过程——正式名称是基于内容的过滤——它会查看你评分较高的雪茄所附带的特征,然后根据特征匹配程度,对未评分的雪茄进行排序。
为什么应用不能直接"知道"你会喜欢什么?
因为整个流程中没有任何环节具备味觉。这条链路里没有感知模型,没有任何能体验胡椒、雪松或焦香味道的组件。存在的只是一个标签数据库(茄衣色泽、产地、浓度档位,以及少数几类风味分类)和一个比较雪茄之间标签重合度的打分函数。把它称为"AI"并不算错,但容易让人产生错误的画面感。它更接近一张带加权列的电子表格,而不是一个有自己见解的品鉴师。
这个区别很重要,因为它决定了这项功能能力的真实上限。它可以找到一支记录特征与你评分较高的雪茄相似的雪茄。但它无法察觉某片烟叶那一批状态不佳,无法察觉你当天味觉状态不好,也无法察觉某家工厂自上次记录以来已经调整了配方。它在匹配的是描述,而不是在品尝任何东西。
"匹配描述特征"在实际操作中到底是什么样子?
具体来说:假设你评分最高的三条记录都是浓郁口感的尼加拉瓜纯血雪茄(puro),配以马杜罗茄衣,并带有浓重的可可和浓缩咖啡风味。这项功能不需要知道你为什么喜欢它们。它只需要注意到标签中的这种模式(产地、茄衣、浓度,以及你笔记中附带的风味分类),然后在目录的其余部分中寻找带有相同组合、但你尚未评分过的雪茄。如果你的评分方向相反——假如你讨厌这三支雪茄——同样的机制也会把这种组合标记为应当避开的类型。
风味这一端只有在词汇固定的前提下才有效。如果一条记录把某种风味称为"皮革",另一条把同样的风味称为"兽皮",那么匹配就没有一致的东西可以比较。这正是为什么结构化词汇表的重要性超出直觉——这与葡萄酒和威士忌品鉴几十年前用风味轮解决的是同一个问题。雪茄风味如何被分类其实正是让匹配得以实现的同一套基础设施的一部分。举例来说,Paradigm 的记录正是出于这个原因,把每一条风味笔记归入六大类之一(咖啡、坚果、甜味、木质与植物、天然、草本与香料):这样一月份的记录和八月份的记录才能落入同一个类别,才能真正进行比较。
这个机制会在哪里失效?
四种真实存在的局限,按出现频率从高到低排列:
- 没有数据,就没有预测。 一个全新账户没有任何可供匹配的内容。早期的推荐几乎完全依赖声明的问卷答案,而这远比真实的评分历史信号弱。这会随着你记录得越多而改善,而不是随着你使用应用的时长而改善。
- 词汇不规范,匹配就不准。 如果你自己的笔记用词飘忽,同一种味道每次用不同的词来记录,这项功能比较的就是噪音对噪音。修正这一点要靠你自己,不是算法的问题。
- 目录中的标签必须准确。 一条推荐的好坏,取决于被推荐雪茄本身所附带的描述是否准确。错误的茄衣数据,或缺失的风味标签,都会产生一个自信满满却指向错误雪茄的匹配结果。
- 它反映的是你的历史,不是你的心情。 一个由数月评分构建出的口味画像,本质上仍是一个平均值。它能为你指向与你过去喜欢的雪茄相似的选择;但它无法知道你今晚恰好想要更轻一些的口感。
这些问题都不是靠更多的"AI"就能解决的。能解决它们的,是更好的数据,更一致地输入,经过更长的时间积累。
这与单纯的星级评分有什么不同?
星级评分是群体平均值:它告诉你大多数人怎么想,是所有打分者口味的汇总结果。推荐功能则是个性化的。它问的是某支具体的雪茄是否符合你个人历史中的模式,而不是它是否普遍受欢迎。一支雪茄可能平均评分平平,却仍非常适合某个口味与大众相反的特定茄客;反过来的情况也同样常见。如何决定下一支该抽什么,而不是随意挑选介绍了这项匹配功能所处的更广泛的决策过程;匹配只是这个决策中的一个输入因素,并不是全部。
一个实际案例究竟计算了什么?
Paradigm 的 Tasting Match 判定正是上述机制的一个具体案例,并非另一种不同的机制。对于某支特定的雪茄,它会把该雪茄的茄衣、产地、浓度和记录的风味标签,与根据你自己评分记录构建出的画像进行权衡比较,然后给出一个二元判定结果——适合你或不适合你——这是在一个包含11,519支雪茄的目录中进行核对得出的。它所做的,正是前文所述的标签比较,只是规模更大;其底层并不存在一个隐藏的、独立的"味觉模拟"步骤。这个结果的可信度,完全取决于输入其中的评分历史的质量,这一点对于任何应用中这项功能的任何版本都同样适用。
如果你正打算以此为依据来评估各个应用,那么更有意义的问题并不是哪一家的算法最聪明。背后的机制在各处基本相同。真正该问的是:这款应用是否真能让你持续、稳定地记录,以便这套机制有真实的数据可以处理。相比逐项对比各家推荐引擎的功能,雪茄记录或雪茄柜追踪应用真正该看重哪些方面是一份更有用的参考清单。另外,如果某款应用的宣传也把其底层扫描功能称为"AI驱动",值得了解的是,这个说法本身也有另一套独立的准确度上限,相关内容见AI雪茄识别的准确度究竟如何。
简而言之
- 推荐功能依赖你提供的两种输入:声明的偏好和你的评分历史。整条流程中没有任何环节能真正品尝烟草。
- 这项机制比较的是雪茄之间的标签(茄衣、产地、浓度、风味分类),而不是对感官体验的预测。
- 在没有历史记录的新账户上,以及在同一种味道每次被用不同词记录的不一致笔记上,它会悄无声息地失效。
- 星级评分告诉你大众怎么想。推荐功能告诉你这支雪茄是否符合你个人的特定模式——这是两个不同的问题,答案也不同。
- 这项功能任何版本背后的算法大体相似;各家应用真正的差异,在于它们是否能让你持续、稳定地记录足够多的数据,让算法有真实可比的内容。