Служба приготування їжі Gobble пропонує спеціально розроблені курси з використанням штучного інтелекту

Процвітаючий сегмент харчових наборів харчової промисловості — очікується, що світовий ринок досягне удару $ 11.6 мільярда за 2022 — веде до багатолюдного пейзажу. Гулянка, сервіс приготування їжі, заснований у 2010 році, виділяється тим, що зосереджується на доставці сімейних страв, які можна приготувати лише за 15 хвилин.

Gobble застосовує свій алгоритм Sprout до щотижневого процесу підготовки меню та рекомендацій, який змінює меню кожного учасника на основі особистих смакових уподобань, отриманих з часом. «Що цікаво в цій програмі ШІ, зокрема, це те, що ми маємо кулінарний досвід наших шеф-кухарів як «вчителя», який керує ШІ у створенні вашого «особистого шеф-кухаря», — сказав засновник і генеральний директор Ошма Гарг. Результат: «експертний алгоритм машинного навчання, який зрозуміє вас, [і] ваші висловлені та виявлені вподобання, а також врахує тенденції ширшої спільноти, щоб ознайомити вас із поєднанням як ностальгічних, так і нових рецептів у дедалі актуальніший спосіб». - сказав Гарг.

Угорі: Ушма Гарг, засновник і генеральний директор Gobble.

Нові учасники спочатку вказують свої переваги щодо білка та дієти, а також бажані ночі на тиждень і розмір родини. З цього моменту кожна взаємодія з учасниками — включаючи перегляд меню, налаштування меню, додавання гарнірів і модулі перегляду рецептів — допомагає Gobble розробити індивідуальний профіль смаку.

Gobble щотижня надсилає членам опитування, запитуючи, що вони хотіли б бачити в майбутніх меню, і прохаючи учасників оцінювати страви «гарячі чи ні» відносно один одного. «Залучення учасників до опитувальників і оглядів на Gobble є високим, оскільки це безпосередньо впливає на їхній досвід і меню наступного тижня», — сказав Гарг. Gobble's рекомендаційний алгоритм також оцінює схожість між новими та існуючими учасниками, хоча спочатку з обмеженими даними, щоб переконатися, що перші кілька тижнів нового учасника на основі їхнього місця розташування, дієти та білкових уподобань є якомога привабливішими.

Жерти також використовує штучний інтелект для планування наперед з більшою точністю. Запатентований алгоритм Fenix ​​вивчає дані про продажі Gobble за останні 7+ років разом із зовнішніми відкритими наборами даних, такими як історія погоди та галузеві тенденції. За допомогою цих наборів даних алгоритм проектує два ключові результати: хто з учасників розмістить замовлення протягом певного тижня та розподіл продажів між усіма стравами в меню Gobble. «Кілька зовнішніх змінних перетинаються, впливаючи на щотижневі продажі, — зауважив Гарг, — будь-що: від снігової бурі в певному регіоні до сезонної поведінки у відпустці».

Fenix ​​адаптує різні моделі до даних і роз’єднує складові частини історичної поведінки учасників, щоб зробити прогнози продажів максимально точними на майбутні тижні.

Рекомендована модель для їжі

Як бачили багато гравців у цій галузі, рекомендації щодо їжі не відповідають простій формулі. «Насправді існує низка критичних аспектів для подолання цього виклику», — сказав Гарг.

«Ми всі пробували страву, яку замовив друг, і вона нам сподобалася, хоча самі ніколи б не подумали замовити її. Таким чином, ми стикаємося з декількома психологічними «харчовими блоками» та, іноді суперечливими, харчовими бажаннями від кожного члена. Як запропонувати блюдо, щоб воно було затишним, але не нудним? Авантюрний, але не надто ризикований? Тоді як ми гарантуємо, що їжа дійсно сподобається настільки, наскільки учасник очікував?» - сказав Гарг.

«Ще одне цікаве міркування полягає в тому, що хоча у нас є так багато інформації, яку можна потенційно зібрати, у нас є набагато менший вікно, щоб зібрати їх», — сказав Гарг. «Netflix може показувати вам трейлер за трейлером, і їхні алгоритми отримають миттєве задоволення — великий палець вгору або великий палець вниз. Коробка обідніх наборів Gobble — це набагато більше зобов’язання, як часу, так і грошей, і негативний досвід набагато гірший, ніж просто перегляд трейлера до фільму, який вам не подобається».

Рекомендації щодо їжі також стосуються довшого терміну — споживачі непостійні. «Можливо, щось, що ви замовили в Ґоббла, тоді звучало добре, але коли справа доходить до вечері наступного тижня, можливо, ви вже не в настрої. Це означає, що ми повинні бути набагато розумнішими та ефективнішими у своїх рекомендаціях, перш ніж показати їх вам», — сказав Гарг. «Ці нюанси є причиною того, чому ми так багато інвестували в розробку власних технологій. На сьогоднішній день ніщо з готових продуктів не зламало код у харчовій сфері».

Gobble почав експериментувати зі штучним інтелектом, щоб гарантувати, що страви виглядають і звучать якомога апетитніше. «Це те, що штучний інтелект може зробити з набагато більшою точністю, ніж будь-яке опитування однієї людини чи одноразове опитування», — сказав Гарг. «Gobble використовує модель комп’ютерного бачення на основі ResNet і вбудовані вектори NLP, щоб побачити, чи зможемо ми передбачити, наскільки привабливою є дана фотографія, назва чи опис страви для наших учасників. Ми поєднуємо це з підходом ітераційного та A/B тестування до копіювання та креативу страв, показуючи унікальні комбінації різним групам учасників по всій країні, щоб зафіксувати подальші знання — подібно до підходу Netflix до відображення різних обкладинок у різних місцях».

Смачне майбутнє

Крім того, що клієнти можуть замовити на певний тиждень, Gobble вивчає кожного учасника як особистість і може застосовувати ці знання в усіх службах. «Ми знаємо, що видимість існує на спектрі; Завжди є баланс між просуванням новизни та розширенням зони комфорту членів, водночас пропонуючи знайомі страви, які учасники впізнають і знову полюблять», – сказав Гарг.

Це схожий виклик на пропозиції Spotify “Discover Weekly”, які є Списки відтворення, створені штучним інтелектом які намагаються створити ідеальну суміш ваших останніх улюблених, ностальгічних хітів і кількох треків, які вам ще належить відкрити. Gobble вірить, що може досягти такого ж рівня довіри під час обіду.

Штучний підхід Gobble вимагає від команди більшої креативності в тому, як вони збирають дані, водночас гарантуючи, що учасники не загрузнуть у занадто великій кількості опитувань чи запитань. «Ми також знаємо та приймаємо, що будь-які знання та алгоритмічні зміни, які випливають із наших рекомендаційних даних, можуть мати значні наслідки для всього нашого ланцюжка поставок, від прогнозування до готової їжі до доставки коробки до ваших дверей», — сказав Гарг.

Кінцевою метою Gobble є створення послуги «автопілот» під час обіду. «Подібно до того, як ви, ймовірно, залишаєте підготовлений Spotify список відтворення під час поїздки на роботу, роботи або тренування, Gobble може подбати про ваше харчування щотижня з підвищенням актуальності та мінімальним введенням від користувача», — сказав Гарг. «Це безпрограшний варіант; оскільки наші учасники відчувають менше стресу та меншу участь у плануванні свого меню, Gobble ще більше оптимізує роботу, відчуваючи меншу варіативність, більшу передбачуваність та підвищену ефективність у всьому бізнесі».