Wingmen Case: Beerless

Beerless is een platform voor bier liefhebbers en brouwerijen. Het platform wil beide dichterbij brengen en ervoor zorgen dat er een centrale hub is waar bierliefhebbers makkelijk de informatie die ze nodig hebben kunnen terugvinden. Later zouden ze hier ook hun bieren kunnen aankopen. Het is dus nodig dat er goede klantenbinding is en mensen een reden hebben om bij Beerless te gaan in plaats van andere speciaalbier communities.

Eén van de onderdelen om bierliefhebbers tot ons platform te krijgen zijn de bier aanbevelingen. Op basis van het smaakprofiel van een bier kunnen we gemakkelijk andere bieren gaan aanbevelen. De smaakprofielen worden gemaakt op basis van de input die de gebruikers geven.

#artificialintelligence#AI #beerless #bieraanbeveling

Hoe werkt dit nu net?

Het algoritme dat er op dit moment gebruikt wordt is eigenlijk nog vrij simpel en zeer gemakkelijk om zelf te implementeren voor een eigen dataset.

Er zijn drie belangrijke onderdelen voor de aanbevelingen, als eerste hebben we de data. Dit onderdeel is het belangrijkste van de drie, zonder data gaan er geen aanbevelingen mogelijk zijn. In het geval van beerless hebben we de bieren en smaakprofielen. Door gebruik te maken van Python Pandas kunnen we de data omvormen tot een dataframe waar alle benodigde data in zit voor het model.

Als tweede onderdeel hebben we uiteraard het model. Op basis van het dataframe dat we vanuit de data hebben gemaakt wordt er een matrix gegenereerd.

Met deze matrix kunnen we dan uiteindelijk het model trainen. Het model dat we gebruiken is geen machine learning model dat we moeten trainen. Het berekent simpelweg de afstand tussen alle smaakprofielen op basis van een cosine relatie.

Uiteraard moeten we dit model nog kunnen hergebruiken daarom slagen we dit op in een pickle file zodat we dit in andere scripts kunnen ophalen.

De twee eerste onderdelen gebeuren elke nacht om 3u, ze worden door een cron job op het Google Cloud Platform uitgevoerd en zo blijft het model dus up-to-date.

Het derde onderdeel zijn de aanbevelingen zelf. In dit script halen we het model op uit de pickle file. Met dit model gaan we dus op basis van een opgegeven beerID de top-n aanbevelingen ophalen die in het model staan.

Wat zien gebruikers?

Uiteraard gaan de gebruikers nooit met de bovenstaande code en dergelijke in contact komen. Hiervoor hebben we dus een interface gebouwd op Beerless. Als eerste kunnen de gebruikers het algemene smaakprofiel van een bier bekijken. Dit is het gemiddelde berekend van alle smaakprofielen die er gegeven werden aan een bier. Uiteraard krijgen brouwerijen, kenners, en actieve (correcte) gebruikers een factor die meer doorweegt op de smaakprofielen.

Op basis van deze smaakprofielen krijgen we dan ook bieren te zijn met een gelijkaardige smaak.

Als laatste is er dan uiteraard de mogelijkheid voor de bierliefhebbers om zelf een smaakprofiel van een bier op te geven. Deze data kunnen we gebruiken om bieren aan te bevelen een personen zelf. Later kunnen we zelfs een machine learning algoritme trainen op basis van deze data om nog accuratere aanbevelingen te kunnen maken.

Meer over AI,  inspirerende AI demo’s en Experts aan het woord? Dat is de Businessclub AI!