محققان از برنامه نویسی ژنتیک استفاده میکنند تا متوجه شوند که مشتریان چه چیزی را دوست دارند و چه طعم هایی خوب هستند. (ارائه کننده: کریستین دانیلوف)
ژیوودان، شرکت سوییسیِ تولیدکنندۀ طعم و عطر، از محققانِ MIT درخواست کرد تا به آنها برای تجزیه و تحلیل نتایج آزمونِ طعم کمک کنند. چون بعد از تقریباً 40 نمونه، نتایج نامعتبر است و آزمایشکننده ها از ناتوانی موقتی در تشخیص بو و مزه رنج میبرند، محققان در علم کامپیوترِ MIT و آزمایشگاه هوش مصنوعی (CSAIL) برای مرتب کردنِ داده ها از برنامه نویسی ژنتیک و مدل های ریاضی استفاده میکنند تا به نتایج دقیق تری دست یابند.
طراحی مواد عطری که شامل چاشنی های نوشیدنی و غذاهای بسته بندی شده و رایحۀ محصولات بهداشتی، لوازم توالت و دیگر موارد خانگی میشود، از تجارتهای چندین بیلیون دلاری به شمار میآید. شرکت های بزرگِ طعم و عطر سالانه میلیون ها دلار را صرف تحقیق و توسعه از قبیل تعداد زیادی تست مصرف کننده، میکنند.
ولی درک نتایج آزمون طعم، کار دشواری است. اولویت های شرکت کنندگان میتواند خیلی گسترده باشد که احتمال دارد به خاطرِ آن، هیچ توافقی صورت نگیرد. جمع آوری داده های کافی دربارۀ هر شرکت کننده این امکان را به شرکت های طعم میدهد که برخی از ناهماهنگی ها را حذف کنند، ولی بعد از تقریباً 40 نمونه از طعم و بو، شرکت کنندگان دچار ناتوانی موقتی در تشخیص بو و مزه شده و تمایزِ آنها غیر قابل اطمینان میشود. بنابراین، شرکتها در تصمیم گیری های مبتنی بر داده هایِ کم گیر میکنند و لازم به ذکر است که اکثر این داده ها با هم تناقض دارند.
یکی از بزرگترین شرکت های طعم و عطر در دنیا ، از محققان در علم کامپیوترِ MIT و آزمایشگاه هوش مصنوعی (CSAIL) درخواست کمک کرده است. برای تجزیه و تحلیل نتایج آزمونِ طعم، محققانِ CSAIL از برنامه نویسی ژنتیکی استفاده میکنند که در آن، مدل های ریاضی برای برازش داده های موجود با یکدیگر رقابت میکنند و سپس گرده افشانی متقاطع[1] انجام شده تا مدل هایی تولید شوند که دقیق تر هستند.
شرکت سوییسی ژیوودان که تولیدکنندۀ طعم و عطر است از پژوهشگر اصلیِ CSAIL، اونا‐مای اُ ریلی، و فوق دکتر کالیان وراماچاننی و همچنین اکاترینا ولادیسلاولوا از دانشگاه آنتورپ درخواست کرد تا در تفسیر نتایج آزمون هایی کمک کنند که در آن، 69 شرکت کننده توانستند 36 ترکیبِ متفاوت از هفت مزۀ پایه را ارزیابی کنند و هر امتیاز، مطابق با جاذبۀ بویاییِ آن تعیین میشد.
اُ ریلی و همکارانِ او برای هر شرکت کننده به طور تصادفی توابع ریاضی ای ایجاد کرده، که امتیازها را طبق غلظت طعم های مختلف پیش بینی میکنند. هر تابع طبق دو معیار ارزیابی می شود: دقت و سهولت. برای مثال، تابعی که اولویت های شرکت کننده را به طور دقیق با استفاده از یک فاکتور مثلاً غلظت کره نشان می دهد، میتواند مفیدتر از تابعی باشد که پیش بینی دقیق تری دارد ولی مستلزم انجام عملیات پیچیدۀ ریاضی بر روی هفت متغیر است.
بعد از ارزیابی تمام توابع، آنهایی که پیشگویی ضعیفی دارند، حذف میشوند. مجدداً عناصری از توابع باقی مانده به طور تصادفی ترکیب می شوند تا توابع جدیدی تولید شود؛ توابعی که برای دقت و سهولت ارزیابی میشوند. تمام این مراحل تقریباً 30 بار تکرار می شود تا به مجموعه توابعی نزدیک شود که با اولویت های شرکت کننده مطابقت دارد.
به خاطر اینکه روش اُ ریلی و همکارانِ او، پروفایل هایی را از مزه های آزمون هر شرکت کننده تولید میکند، در نتیجه این روش میتواند آنها را به گروه های مجزایی طبقه بندی کند. برای مثال، ممکن است که برای شرکت کنندگان آزمون، دارچین و یا جوز هندی اولویت بالایی داشته باشد ولی نه هر دوی آنها. با بازاریابی محصولی برای طرفداران دارچین و محصول دیگری برای طرفداران جوز هندی، شرکت میتواند بهتر از موقعیتی عمل کند که محصولی را برای هر دو طرفدار بازاریابی میکند. اُ ریلی میگوید :«از این 36 طعم، برخی افراد از بعضی از آنها متنفر بودند و برخی آنها را دوست داشتند. اگر سعی میکنید که طعمی را شناسایی کنید که کل پنل، آن را دوست داشته باشد، شما به محدودیت ها راضی نخواهید شد.»
اُ ریلی و همکارانِ او فرصتی نداشته اند تا به طور تجربی تعیین کنند که آیا مدل هایِ آنها میتواند پاسخ شرکت کنندگان به طعم های جدید را به طور صحیح پیش بینی کند. بنابراین آنها به ساخت مدل دیگری پرداختند تا دقت را برای مدلِ خود ایجاد کنند. ابتدا، آنها مجموعه ای از توابع ریاضی را توسعه دادند که نشان دهندۀ اولویت های طعم شرکت کنندگان بود. سپس آنها با در نظرگرفتن محدودیت های طراحی آزمون نشان دادند که الگوریتم های آنها میتوانند آن اولویت ها را پیش بینی کنند. اُ ریلی میگوید :«گرچه آنها این مدل را صرفاً برای اعتبارسنجی رویکرد خود توسعه دادند ولی محققانِ طعم، مجذوب این مدل شدند تا شاید با استفاده از آن بتوانند پروتکل های آزمون کارآمدتر و دقیق تری را توسعه دهند.»
لی اسپکتور، استاد علم کامپیوتر در دانشکدۀ همپشایر و سردبیر مجلۀ ماشین های تکاملی و برنامه نویسی ژنتیک که آخرین مقاله های محققانِ MIT در آن منتشر میشود، میگوید :«مردم ده ها سال است که با این روش ها (تکاملی) سر و کار داشته اند. من فکر میکنم یکی از دلایلی که این روش ها تا این اواخر جلب توجه نکرده این است که مردم به درستی متوجه نشده اند که کجا این روش ها می توانند نتیجه بخش باشند. اولویت طعم، حوزۀ خوبی است که در آن از روش های تکاملی استفاده می شود و همچنین به نظر میرسد که انگار آنها مفید هستند؛ بنابراین هیجان انگیز است.»
[1] Cross-pollinate